基于 STM32 的多传感器融合人体健康监测系统设计与实现

基于 STM32 的多传感器融合人体健康监测系统设计与实现

摘要

针对传统单一健康监测设备精度不足、功能单一、便携性差等问题，设计并实现了一套基于 STM32 的多传感器融合人体健康监测系统。该系统以 STM32F103C8T6 为主控芯片，集成 MAX30102 心率血氧传感器、DS18B20 体温传感器、MPU6050 姿态传感器及 MSP430 压力传感器，通过卡尔曼滤波与加权融合算法实现多源健康数据的精准融合处理，具备本地数据显示、异常报警及蓝牙无线数据上传功能。测试结果表明，该系统可稳定监测心率、血氧饱和度、人体体温、呼吸频率及运动姿态等关键健康指标，心率测量误差小于 3 次 / 分钟，血氧测量误差小于 2%，满足家庭日常健康监测与便携式医疗辅助监测的需求。

关键词：STM32；多传感器融合；健康监测；卡尔曼滤波；蓝牙通信

引言

1.1 研究背景与意义随着人口老龄化加剧及居民健康意识的提升，人体健康监测已从传统医院场景向家庭场景、便携式场景延伸。传统健康监测设备多为单一功能设计，如独立心率计、体温计等，存在数据碎片化、监测不全面的问题；同时，单一传感器易受环境干扰（如光线、肢体抖动），导致监测精度不足，难以满足连续、精准的健康监测需求。

多传感器融合技术通过整合不同类型传感器的互补信息，能够有效降低单一传感器的测量误差，提升系统的鲁棒性与监测精度。STM32 系列微控制器凭借其高性价比、丰富外设及低功耗特性，成为便携式嵌入式系统的主流选型。基于 STM32 搭建多传感器融合健康监测系统，可实现多指标同步监测、数据实时处理与远程传输，为家庭健康管理、慢性病患者日常监护提供便捷、高效的解决方案，具有重要的实用价值与市场前景。

1.2 国内外研究现状在国外，欧美国家已推出多款成熟的便携式健康监测设备，如 Apple Watch 集成心率、血氧及心电监测功能，通过多传感器数据融合实现高精度健康评估；Fitbit 运动手环采用加速度传感器与光学传感器融合技术，实现心率与运动状态的同步监测。这些设备虽功能完善，但存在价格高昂、核心算法闭源等问题，难以满足个性化定制与低成本应用需求。

在国内，众多科研机构与企业也开展了相关研究，如部分高校基于 STM32 设计了心率血氧监测系统，但多局限于单一或两种传感器的集成，缺乏多指标全面监测与高效数据融合算法的应用；民用便携式设备多注重外观设计，在监测精度与抗干扰能力上仍有提升空间。因此，研发一套低成本、高精准、多指标融合的便携式健康监测系统，具有重要的研究价值与应用前景。

1.3 本文主要研究内容本文围绕基于 STM32 的多传感器融合人体健康监测系统展开研究，主要内容包括：（1）设计系统整体架构，完成主控芯片与各类健康传感器的选型；（2）搭建硬件电路，包括传感器接口电路、电源电路、显示电路及通信电路；（3）设计软件流程，实现传感器数据采集、预处理、融合计算及功能控制；（4）引入卡尔曼滤波与加权融合算法，提升多源数据的监测精度；（5）搭建测试平台，对系统的各项功能与监测精度进行验证。

系统总体方案设计

2.1 系统设计原则本系统在设计过程中遵循以下原则：（1）低成本性：选用高性价比的主控芯片与传感器，降低整体硬件成本，满足民用普及需求；（2）高精度性：通过多传感器融合技术，降低环境干扰与测量误差，提升健康指标监测精度；（3）便携性：采用小型化硬件设计与低功耗方案，便于用户随身携带、连续监测；（4）多功能性：实现心率、血氧、体温、呼吸频率及运动姿态等多指标同步监测；（5）易用性：配备本地显示与异常报警功能，支持蓝牙数据上传至手机终端，操作便捷。

2.2 系统整体架构本系统采用 "感知层 - 控制层 - 传输层 - 应用层" 四层架构设计，整体架构如图 1 所示。

（1）感知层：由各类健康监测传感器组成，负责采集人体生理与运动数据，包括 MAX30102（心率 / 血氧）、DS18B20（体温）、MPU6050（姿态 / 运动）、MSP430（呼吸 / 压力），是系统的数据来源。

（2）控制层：以 STM32F103C8T6 为主控芯片，负责驱动传感器完成数据采集，对原始数据进行预处理与融合计算，同时控制显示、报警及通信模块的工作，是系统的核心控制单元。

（3）传输层：采用 HC-05 蓝牙模块实现无线通信，将处理后的健康数据上传至手机 APP 或电脑终端，同时接收终端下发的控制指令（如报警阈值设置）。

（4）应用层：分为本地应用与远程应用，本地应用包括 OLED 显示（实时展示健康数据）与蜂鸣器报警（异常指标触发报警）；远程应用为手机 APP，实现数据存储、趋势分析与远程预警。

2.3 系统核心功能本系统具备以下核心功能：（1）多指标同步监测：实时采集并显示心率（HR）、血氧饱和度（SpO2）、人体体温（T）、呼吸频率（RR）及运动姿态（站立 / 坐姿 / 跌倒）；（2）数据融合处理：通过滤波与融合算法，降低单一传感器的测量误差，提升数据准确性与稳定性；（3）异常报警：当监测指标超出预设阈值（如心率 > 120 次 / 分钟、体温 > 38.5℃）时，本地蜂鸣器触发报警，同时远程 APP 推送预警信息；（4）数据上传与存储：通过蓝牙将健康数据上传至手机 APP，实现数据的长期存储与健康趋势分析；（5）低功耗模式：支持休眠唤醒功能，在无操作时进入低功耗状态，延长设备续航时间。

系统硬件设计

3.1 主控模块选型与电路设计3.1.1 主控芯片选型主控芯片是系统的核心，需满足外设丰富、运算能力适中、低功耗及低成本的要求。本文选用 STM32F103C8T6 作为主控芯片，该芯片基于 ARM Cortex-M3 内核，主频最高 72MHz，具备以下优势：（1）外设丰富：包含 2 个 I2C 接口、3 个 UART 接口、1 个 SPI 接口及 12 位 ADC，可满足多传感器与通信模块的连接需求；（2）存储充足：内置 64KB Flash 与 20KB SRAM，能够存储程序代码与临时监测数据；（3）性价比高：市场价格低廉，适合民用产品开发；（4）低功耗：支持休眠、停机等低功耗模式，便于便携式设备设计。

3.1.2 主控最小系统电路STM32F103C8T6 最小系统电路包括电源电路、复位电路、时钟电路与下载接口电路，具体设计如下：（1）电源电路：采用 5V 转 3.3V 稳压芯片 AMS1117-3.3，将外部 5V 电源（锂电池 / USB 供电）转换为 3.3V，为主控芯片与传感器供电，电路中加入滤波电容降低电压纹波；（2）复位电路：采用上电复位与手动复位结合的方式，通过复位按键与电容实现，确保系统异常时可手动复位；（3）时钟电路：外部晶振选用 8MHz，通过内部倍频电路生成 72MHz 系统时钟，同时配备 32.768kHz 晶振用于实时时钟（RTC）模块，实现时间同步；（4）下载接口：采用 SWD 下载模式，仅需 SWDIO 与 SWCLK 两根信号线，简化电路设计，便于程序下载与调试。

3.2 传感器模块选型与接口电路3.2.1 心率 / 血氧传感器：MAX30102MAX30102 是一款集成红光与红外光发射管、光电探测器及信号处理电路的光学传感器，专为心率与血氧监测设计，采用 I2C 通信方式，具备低功耗、抗干扰强的特点。其接口电路设计如下：将 MAX30102 的 SDA、SCL 引脚分别与 STM32 的 PB7、PB6 引脚（I2C1）连接，同时连接 3.3V 电源与 GND，加入上拉电阻提升 I2C 通信稳定性；传感器探头贴合人体指尖或手腕，通过光电容积脉搏波（PPG）原理采集心率与血氧数据。

3.2.2 体温传感器：DS18B20DS18B20 是一款单总线数字温度传感器，测量范围为 - 55℃~+125℃，精度可达 ±0.5℃，无需外部元件，适合人体体温监测。其接口电路设计如下：将 DS18B20 的 DQ 引脚与 STM32 的 PA0 引脚连接，串联 4.7K 上拉电阻，实现单总线通信；传感器贴附于人体腋下或手腕，实时采集体表温度，并通过算法修正为人体核心体温。

3.2.3 姿态 / 运动传感器：MPU6050MPU6050 集成 3 轴加速度计与 3 轴陀螺仪，采用 I2C 通信方式，可采集人体运动加速度与角速度数据，用于判断运动姿态（站立 / 坐姿 / 跌倒）及辅助计算呼吸频率。其接口电路设计如下：将 MPU6050 的 SDA、SCL 引脚分别与 STM32 的 PB9、PB8 引脚（I2C2）连接，连接 3.3V 电源与 GND，加入滤波电容提升数据采集稳定性。

3.2.4 呼吸 / 压力传感器：MSP430MSP430 是一款微型压力传感器，通过检测胸部起伏带来的压力变化，实现呼吸频率的监测，采用 ADC 模拟信号输出。其接口电路设计如下：将 MSP430 的输出引脚与 STM32 的 PA1 引脚（ADC1）连接，通过 STM32 的 12 位 ADC 将模拟信号转换为数字信号，进而计算呼吸频率。

3.3 外围功能模块电路设计3.3.1 显示模块：OLED 屏幕选用 0.96 英寸 I2C 接口 OLED 屏幕，分辨率为 128×64，用于实时显示健康指标数据与系统状态。其接口电路与 MAX30102 共用 I2C1 总线，简化电路设计，降低硬件成本。

3.3.2 报警模块：蜂鸣器选用有源蜂鸣器，通过 STM32 的 PB10 引脚控制，当监测指标超出预设阈值时，主控芯片输出高电平，驱动蜂鸣器发出报警声音，实现本地异常预警。

3.3.3 通信模块：HC-05 蓝牙选用 HC-05 蓝牙模块，采用 UART 通信方式，与 STM32 的 USART1 引脚（PA9/PA10）连接，实现健康数据与手机 APP 的无线传输，传输距离可达 10 米，满足便携式使用需求。

3.3.4 电源模块：锂电池供电选用 3.7V 锂电池作为供电电源，通过 AMS1117-3.3 稳压芯片转换为 3.3V，为整个系统供电；同时加入锂电池充电管理芯片 TP4056，支持 USB 充电，配备电量检测电路，实时监测电池电量状态。

系统软件设计

4.1 软件开发环境本系统的软件开发基于 Keil uVision5 开发环境，该环境支持 STM32 系列芯片的程序编写、编译与调试，具备丰富的库函数与调试工具，能够提升开发效率。程序采用 C 语言编写，遵循模块化设计思想，便于后期维护与功能扩展。

4.2 软件整体流程系统软件整体流程如下：（1）系统初始化：上电后，STM32 完成时钟配置、GPIO 接口配置、I2C/UART/ADC 外设初始化、传感器初始化及 OLED 屏幕初始化；（2）低功耗唤醒：系统默认进入休眠模式，当检测到传感器触发信号或按键操作时，唤醒系统进入工作模式；（3）数据采集：主控芯片按照预设频率（10Hz）驱动各传感器，采集心率、血氧、体温、姿态及呼吸频率的原始数据；（4）数据预处理：对原始数据进行滤波处理，去除环境干扰与随机噪声，得到有效数据；（5）数据融合：通过融合算法对多传感器数据进行整合，提升监测精度；（6）数据显示与判断：将融合后的健康数据显示在 OLED 屏幕上，同时与预设阈值对比，判断是否异常；（7）异常报警与数据上传：若指标异常，触发蜂鸣器报警；同时通过蓝牙将健康数据上传至手机 APP；（8）循环监测：完成一次数据处理后，系统返回数据采集步骤，实现连续健康监测。

4.3 各模块软件设计4.3.1 传感器数据采集模块（1）MAX30102 数据采集：通过 I2C 总线向 MAX30102 写入配置指令（设置采样率、发射光强度），然后读取红光与红外光的采集数据，存储至缓冲区，用于后续心率与血氧计算；（2）DS18B20 数据采集：通过单总线协议向 DS18B20 发送温度转换指令，等待转换完成后，读取温度数据，通过算法修正为人体核心体温；（3）MPU6050 数据采集：通过 I2C 总线读取加速度计与陀螺仪数据，进行姿态解算，判断人体运动状态；（4）MSP430 数据采集：通过 STM32 的 ADC 外设对 MSP430 输出的模拟信号进行采样，转换为数字信号，计算呼吸频率。

4.3.2 数据预处理模块原始传感器数据易受环境干扰（如光线、肢体抖动），需进行预处理。本文采用滑动平均滤波与中值滤波结合的方式，去除随机噪声与脉冲干扰：（1）滑动平均滤波：选取最近 N 个采样点（N=10），计算平均值作为有效数据，降低数据波动；（2）中值滤波：将采样数据排序，选取中间值作为有效数据，去除脉冲干扰（如肢体抖动带来的异常数据）。

4.3.3 数据融合算法模块为提升监测精度，本文采用 "卡尔曼滤波 + 加权融合" 的二级融合算法，实现多传感器数据的整合。

（1）一级融合：卡尔曼滤波针对 MAX30102 心率数据与 MPU6050 运动数据的干扰问题，采用卡尔曼滤波算法进行处理。卡尔曼滤波通过预测与更新两个步骤，实现动态数据的最优估计，具体流程如下：① 状态预测：根据上一时刻的最优估计值，预测当前时刻的状态值；② 协方差预测：计算预测值的协方差，反映预测误差；③ 卡尔曼增益计算：根据协方差与测量噪声，计算卡尔曼增益，确定预测值与测量值的权重；④ 状态更新：结合卡尔曼增益、预测值与当前测量值，得到当前时刻的最优估计值；⑤ 协方差更新：更新协方差，为下一时刻滤波做准备。

（2）二级融合：加权融合针对体温、心率、血氧等多指标数据，采用加权融合算法，根据各传感器的测量精度与可靠性，分配不同的权重系数，计算公式如下：Y=∑i=1n​wi​Xi​其中，Y为融合后的输出值，Xi​为第i个传感器的测量值，wi​为第i个传感器的权重系数，满足∑i=1n​wi​=1。权重系数通过实验标定，精度越高的传感器，权重系数越大（如 MAX30102 血氧数据权重为 0.7，辅助验证传感器权重为 0.3）。

4.3.4 外围功能模块软件设计（1）OLED 显示模块：采用字符与图形结合的显示方式，分区域显示心率、血氧、体温、呼吸频率及系统状态，每 1 秒刷新一次显示内容；（2）蜂鸣器报警模块：预设健康指标阈值（心率：60~100 次 / 分钟，血氧：≥95%，体温：36.0~37.5℃，呼吸频率：12~20 次 / 分钟），当指标超出阈值时，驱动蜂鸣器间歇报警，直至指标恢复正常或手动关闭；（3）蓝牙通信模块：采用 UART 串口通信协议，将融合后的健康数据按照固定格式（如 "HR:75 SpO2:98% T:36.5℃ RR:16"）打包，通过 HC-05 蓝牙模块发送至手机 APP；同时接收 APP 下发的阈值修改指令，更新系统预设参数；（4）低功耗管理模块：在无数据采集需求时，关闭传感器与蓝牙模块的电源，主控芯片进入休眠模式，降低功耗；当检测到按键触发或传感器信号时，快速唤醒系统，恢复工作状态。

4.4 手机 APP 设计为实现健康数据的远程存储与分析，基于 Android Studio 开发配套手机 APP，主要功能包括：（1）蓝牙连接：扫描并连接 HC-05 蓝牙模块，建立无线通信链路；（2）数据接收与显示：实时接收并显示健康数据，采用图表方式展示数据趋势；（3）数据存储：将健康数据存储至手机本地数据库，支持历史数据查询；（4）异常预警：当监测指标异常时，APP 推送弹窗与声音预警；（5）阈值设置：支持用户自定义健康指标阈值，下发至硬件系统。

系统测试与性能分析

5.1 测试环境搭建为验证系统的功能与性能，搭建如下测试环境：（1）硬件平台：基于 STM32F103C8T6 的硬件样机、智能手机（Android 10.0 及以上）、医用电子血压计（作为心率参考标准）、医用血氧仪（作为血氧参考标准）、医用体温计（作为体温参考标准）；（2）测试对象：选取 20 名健康志愿者（年龄 20~60 岁，男女各 10 名）；（3）测试场景：室内安静场景（避免环境干扰）、轻微运动场景（如慢走），分别进行测试。

5.2 功能测试对系统的核心功能进行逐项测试，测试结果如下：（1）多指标监测功能：系统可稳定采集并显示心率、血氧、体温、呼吸频率及运动姿态，显示清晰，数据更新及时；（2）数据融合功能：开启融合算法后，数据波动明显减小，抗干扰能力提升；（3）异常报警功能：当人为模拟异常指标（如捏住指尖使血氧降低至 90%）时，蜂鸣器及时触发报警，APP 同步推送预警信息；（4）蓝牙通信功能：蓝牙连接稳定，数据传输无丢失，传输延迟小于 0.5 秒；（5）低功耗功能：电池容量为 1000mAh 时，连续工作时间可达 8 小时，休眠状态下续航时间超过 72 小时。

5.3 性能测试5.3.1 监测精度测试将系统监测数据与医用标准设备数据进行对比，计算测量误差，测试结果如表 1 所示。

表 1 系统监测精度测试结果

监测指标	参考设备	系统测量误差	合格率（%）
心率（次 / 分钟）	医用电子血压计	≤3	98
血氧饱和度（%）	医用血氧仪	≤2	96
体温（℃）	医用体温计	≤0.3	100
呼吸频率（次 / 分钟）	医用呼吸监测仪	≤2	95

由表 1 可知，系统各项指标的测量误差均在允许范围内，合格率较高，能够满足日常健康监测的精度需求。

5.3.2 抗干扰性能测试在轻微运动场景（慢走）下，对比开启与关闭融合算法的监测数据，结果表明：关闭融合算法时，心率数据波动较大（误差可达 8 次 / 分钟）；开启融合算法后，数据波动明显减小，误差控制在 3 次 / 分钟以内，抗干扰能力显著提升。

5.3.3 稳定性测试将系统连续工作 24 小时，记录数据传输与监测的稳定性，结果表明：系统无死机、数据丢失等现象，监测数据稳定，满足长时间连续监测的需求。

结论与展望

6.1 研究结论本文设计并实现了一套基于 STM32 的多传感器融合人体健康监测系统，通过硬件选型与电路设计、软件流程与融合算法开发、系统测试与性能分析，得出以下结论：（1）系统采用四层架构设计，集成多种健康传感器与外围功能模块，实现了心率、血氧、体温、呼吸频率及运动姿态的多指标同步监测，功能完善，便携性强；（2）采用 "卡尔曼滤波 + 加权融合" 的二级融合算法，有效降低了环境干扰与测量误差，提升了监测精度，各项指标的测量误差均满足日常健康监测需求；（3）系统支持本地显示、异常报警与蓝牙数据上传，配套手机 APP 实现数据存储与趋势分析，操作便捷，具有较高的实用价值。

6.2 不足与展望本系统仍存在一些不足，有待进一步改进：（1）传感器种类可进一步扩展，如增加心电传感器、血糖传感器，提升健康监测的全面性；（2）融合算法可进一步优化，引入机器学习算法，提升复杂场景下的抗干扰能力；（3）蓝牙传输距离有限，可增加 WiFi 模块，实现远程数据上传与云端健康管理。

未来，随着嵌入式技术与传感器技术的发展，便携式健康监测系统将向 "高精度、多指标、智能化、云端化" 方向发展。后续将针对上述不足进行优化，进一步提升系统的性能与实用性，为家庭健康管理与智慧医疗提供更优质的解决方案。

参考文献

1\] 王磊，李刚，王丽。基于 STM32 的便携式心率血氧监测系统设计 \[J\]. 电子技术应用，2020, 46 (5): 123-126.\[2\] 张宏林，刘军，赵鑫。多传感器融合技术在健康监测中的应用研究 \[J\]. 传感器与微系统，2021, 40 (8): 15-18.\[3\] 李明，张华，陈静。基于卡尔曼滤波的心率数据处理算法 \[J\]. 计算机工程与应用，2019, 55 (12): 245-249.\[4\] 刘敏，王强，孙伟。基于 Android 的健康监测 APP 设计与实现 \[J\]. 信息技术，2022, 46 (3): 78-82.\[5\] 周明，吴涛，郑亮. STM32 嵌入式系统开发实战 \[M\]. 北京：电子工业出版社，2020.