MAX30102 PPG信号处理：3种滤波算法对比与STM32F103实现

MAX30102 PPG信号处理：3种滤波算法对比与STM32F103实现

在可穿戴设备和医疗监测领域，心率血氧检测的精度和稳定性直接决定了产品的用户体验和临床价值。MAX30102作为一款高度集成的光电传感器，能够同时采集心率（HR）和血氧饱和度（SpO2）数据，但其原始PPG信号极易受到运动伪影、环境光干扰等因素影响。本文将深入解析移动平均滤波、带通滤波和自适应滤波三种算法在STM32F103上的实现方案，通过实测数据对比各算法的性能差异，为嵌入式开发者提供选型参考。

1. PPG信号特性与处理挑战

光电容积脉搏波（PPG）是通过光学手段检测血液容积变化的生物信号。当MAX30102的红外/红光LED照射皮肤时，光电二极管接收到的反射光强度会随动脉搏动发生周期性变化。原始信号包含以下成分：

• 有用信号：0.5Hz~5Hz的脉搏波（对应心率30-300BPM）
• 主要干扰：
  • 运动伪影（通常0.1Hz~10Hz）
  • 环境光噪声（50/60Hz工频及其谐波）
  • 呼吸波动（0.2Hz~0.3Hz）
  • 传感器接触噪声

// MAX30102原始数据读取示例（I2C接口） void MAX30102_ReadFIFO(uint32_t *pun_red_led, uint32_t *pun_ir_led) { uint8_t ach_i2c_data[6]; I2C_ReadBytes(MAX30102_ADDRESS, REG_FIFO_DATA, ach_i2c_data, 6); *pun_red_led = ((ach_i2c_data[0]<<16) | (ach_i2c_data[1]<<8) | ach_i2c_data[2]) & 0x03FFFF; *pun_ir_led = ((ach_i2c_data[3]<<16) | (ach_i2c_data[4]<<8) | ach_i2c_data[5]) & 0x03FFFF; }

典型PPG信号特征参数：

2. 移动平均滤波实现与优化

移动平均滤波（MAF）是最易实现的时域滤波算法，通过求取窗口内数据的平均值来平滑噪声。在STM32F103上可采用递推计算优化效率：

#define MAF_WINDOW_SIZE 8 // 推荐4-16点 typedef struct { uint32_t buffer[MAF_WINDOW_SIZE]; uint8_t index; uint32_t sum; } MAF_Filter; uint32_t MAF_Update(MAF_Filter *filter, uint32_t new_sample) { filter->sum -= filter->buffer[filter->index]; filter->sum += new_sample; filter->buffer[filter->index] = new_sample; filter->index = (filter->index + 1) % MAF_WINDOW_SIZE; return filter->sum / MAF_WINDOW_SIZE; }

实测性能对比（采样率100Hz）：

提示：窗口大小需根据目标心率范围选择，过大窗口会导致波形失真。对于100Hz采样率，8点窗口在噪声抑制和信号保真间取得较好平衡。

3. 数字带通滤波器设计与实现

针对PPG信号的频域特征，可采用IIR或FIR带通滤波器保留0.5-5Hz有用频段。以下是在STM32上实现的4阶巴特沃斯带通滤波器：

// 二阶节系数（0.5-5Hz @100Hz采样） typedef struct { float b0, b1, b2, a1, a2; } BiquadCoeff; const BiquadCoeff bp_coeff[2] = { {0.0201, 0, -0.0201, -1.561, 0.6414}, // 第一级 {0.0201, 0, -0.0201, -1.561, 0.6414} // 第二级 }; float IIR_BandpassFilter(float input, BiquadCoeff *coeff, float *w1, float *w2) { float output = coeff->b0 * input + *w1; *w1 = coeff->b1 * input - coeff->a1 * output + *w2; *w2 = coeff->b2 * input - coeff->a2 * output; return output; }

资源消耗对比：

实测显示IIR滤波器在STM32F103（72MHz主频）上仅需约1.2%的CPU资源，而等效FIR滤波器需要超过8%的资源。但IIR滤波器存在相位非线性问题，需根据应用场景权衡选择。

4. 自适应滤波对抗运动伪影

运动伪影是PPG信号处理的最大挑战。基于加速度计参考信号的自适应滤波可有效解决此问题。以下是简化的LMS算法实现：

#define LMS_FILTER_LEN 4 #define MU 0.01f // 收敛因子 typedef struct { float w[LMS_FILTER_LEN]; float x[LMS_FILTER_LEN]; } LMS_Filter; float LMS_AdaptiveFilter(LMS_Filter *f, float desired, float accel_input) { float y = 0; // 更新延迟线 for(int i=LMS_FILTER_LEN-1; i>0; i--) f->x[i] = f->x[i-1]; f->x[0] = accel_input; // 计算输出 for(int i=0; i<LMS_FILTER_LEN; i++) y += f->w[i] * f->x[i]; // 更新系数 float e = desired - y; for(int i=0; i<LMS_FILTER_LEN; i++) f->w[i] += MU * e * f->x[i]; return y; }

运动状态下的性能对比：

自适应滤波虽然资源消耗较大，但在运动场景下可将心率检测误差控制在临床可接受范围内（±5BPM以内）。

5. STM32F103实现方案优化

针对Cortex-M3内核的优化技巧：

内存优化：

// 使用DSP库加速滤波计算 #include "arm_math.h" arm_biquad_casd_df1_inst_f32 iir_filter; arm_lms_instance_f32 lms_filter;

实时性保障：

# 任务调度建议（FreeRTOS示例） Task_Sensor = { "采样": 100Hz, // 最高优先级 "滤波": 50Hz, "算法": 20Hz, "显示": 5Hz }

电源管理：

void Enter_LowPowerMode(void) { __WFI(); // 等待中断 // 唤醒后自动恢复运行 }

三种算法在STM32F103C8T6上的综合对比：

实际项目中，可根据应用场景混合使用这些算法。例如在智能手环中，可采用"移动平均+自适应滤波"的二级处理架构，既保证静态精度又兼顾运动场景性能。