基于STM32F103C8T6与ADXL345的嵌入式计步器:从传感器数据采集到动态阈值算法实现

手把手教你用STM32F103C8T6和ADXL345做一个精准计步器(附完整代码和调试技巧) 本文详细介绍了如何使用STM32F103C8T6微控制器和ADXL345加速度传感器构建高精度计步器。从硬件连接、传感器配置到计步算法设计,提供了完整的代码实现和调试技巧,帮助开发者快速掌握嵌入式计步器开发的核心技术。 阅读详情

1. 项目缘起:为什么选择STM32F103C8T6与ADXL345?

大家好,我是老李,一个在嵌入式领域摸爬滚打了十多年的“老码农”。今天想和大家聊聊一个既经典又实用的项目——用STM32F103C8T6和ADXL345加速度传感器做一个嵌入式计步器。你可能觉得,现在手机、手环计步功能都烂大街了,自己做这个有啥意思?嘿,这你就不懂了。自己动手从零搭建一个计步系统,从硬件接线、驱动编写,到算法调试、步数显示,这整个过程能让你把嵌入式开发的“十八般武艺”都练一遍。尤其是那个动态阈值算法,调通了之后,那种成就感,可比单纯调用一个现成的API爽多了。

我选择STM32F103C8T6这块“蓝宝”开发板,原因很简单:它便宜、皮实、资料多。作为ARM Cortex-M3内核的经典款,72MHz的主频处理传感器数据绰绰有余,丰富的GPIO和通信接口让它能轻松驾驭各种外设。最关键的是,社区生态极其成熟,你遇到的几乎所有坑,网上都能找到前人的脚印。而ADXL345呢,是一款非常经典的数字三轴加速度计,分辨率高、功耗低,还支持I2C和SPI两种通信方式,对于学习和项目原型开发来说,简直是绝配。这个组合,可以说是嵌入式入门到进阶的“黄金搭档”,既能让你理解底层硬件通信,又能深入算法核心,性价比超高。

这个项目最终要实现的目标是:将ADXL345佩戴在身上(比如放在口袋里),单片机实时读取加速度数据,通过一套算法精准地识别出步伐,并将步数显示在一块小OLED屏幕上。听起来不复杂,对吧?但里面涉及的知识点可不少:I2C总线通信、传感器数据读取与处理、数字滤波、动态阈值计算、状态机判断等等。我会把我实际开发中踩过的坑、调试的技巧、参数的调整心得,都毫无保留地分享出来。咱们不玩虚的,直接上干货,保证你跟着做,就能得到一个能跑起来的计步器。

2. 硬件搭建与通信基础:让STM32和ADXL345“对上话”

2.1 硬件连接与I2C地址选择

万事开头难,咱们先从硬件连接说起。你需要准备的材料很简单:一块STM32F103C8T6核心板(或者最小系统板)、一个ADXL345模块(通常自带电平转换和上拉电阻)、一块OLED显示屏(用于显示步数),以及若干杜邦线。

ADXL345模块的引脚通常印得很清楚。我们使用I2C通信,所以关键引脚是VCC、GND、SDA(数据线)、SCL(时钟线)。还有一个非常重要的引脚叫SDO/ALT ADDRESS,它决定了传感器的I2C从机地址。当这个引脚接高电平(或悬空,模块内部可能已上拉)时,设备地址是0x1D(写地址0x3A,读地址0x3B);当它接地时,设备地址变为0x53(写地址0xA6,读地址0xA7)。我强烈建议你把它接地,使用0xA6/0xA7这个地址,因为这是最常见、最不容易冲突的配置。接线时,记得将STM32的I2C引脚(例如PB6-SCL, PB7-SDA)与模块对应连接,并且VCC接3.3V,千万别接5V,否则可能损坏传感器。

这里有个我踩过的坑:早期一些模块可能没有在SDA和SCL线上集成上拉电阻。I2C总线是开漏输出,必须依靠上拉电阻才能输出高电平。如果模块上没有(通常是一个4.7kΩ或10kΩ的贴片电阻),你就需要在STM32的这两个引脚到3.3V之间,各外接一个4.7kΩ的电阻,否则通信根本无法建立。现在大多数模块都集成了,但检查一下总没错。

2.2 软件I2C驱动实现

接下来是软件部分。首先我们需要实现I2C的底层驱动。虽然STM32有硬件I2C外设,但它的配置相对复杂,而且早年有些库的硬件I2C稳定性口碑一般。所以很多教程,包括我这次,都选择用GPIO口模拟的“软件I2C”。它的好处是时序完全可控,移植性强,理解起来也更直观。

软件I2C的本质就是用两个普通的GPIO口,按照I2C协议的时序图,模拟出起始信号、停止信号、发送一个比特(位)、接收一个比特、发送应答(ACK)和非应答(NACK)的过程。代码看起来有点繁琐,但结构很清晰。下面是我常用的一个软件I2C初始化与基本函数集的核心片段,我加了详细注释:

// 首先,定义SDA和SCL对应的GPIO引脚,这里以PB6, PB7为例
#define I2C_SCL_PORT    GPIOB
#define I2C_SCL_PIN     GPIO_Pin_6
#define I2C_SDA_PORT    GPIOB
#define I2C_SDA_PIN     GPIO_Pin_7

// 初始化函数,将引脚配置为开漏输出模式,并先拉高
void MyI2C_Init(void) {
    GPIO_InitTypeDef GPIO_InitStructure;
    RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOB, ENABLE); // 使能时钟

    // SCL线初始化
    GPIO_InitStructure.GPIO_Pin = I2C_SCL_PIN;
    GPIO_InitStructure.GPIO_Mode = GPIO_Mode_Out_OD; // 开漏输出
    GPIO_InitStructure.GPIO_Speed = GPIO_Speed_50MHz;
    GPIO_Init(I2C_SCL_PORT, &GPIO_InitStructure);

    // SDA线初始化
    GPIO_InitStructure.GPIO_Pin = I2C_SDA_PIN;
    GPIO_Init(I2C_SDA_PORT, &GPIO_InitStructure);

    // 初始状态拉高总线
    GPIO_SetBits(I2C_SCL_PORT, I2C_SCL_PIN);
    GPIO_SetBits(I2C_SDA_PORT, I2C_SDA_PIN);
}

// 产生I2C起始信号:SCL高电平期间,SDA产生一个下降沿
void MyI2C_Start(void) {
    SDA_OUT(); // 设置SDA为输出模式
    I2C_SDA_HIGH();
    I2C_SCL_HIGH();
    delay_us(5); // 短暂延时,满足建立时间
    I2C_SDA_LOW();
    delay_us(5);
    I2C_SCL_LOW(); // 钳住总线,准备发送数据
}

// 产生I2C停止信号:SCL高电平期间,SDA产生一个上升沿
void MyI2C_Stop(void) {
    SDA_OUT();
    I2C_SDA_LOW();
    I2C_SCL_HIGH();
    delay_us(5);
    I2C_SDA_HIGH();
    delay_us(5);
}

// 发送一个字节(8位),从高位开始
uint8_t MyI2C_SendByte(uint8_t byte) {
    uint8_t i, ack_bit;
    SDA_OUT();
    for (i = 0; i < 8; i++) {
        if (byte & 0x80) I2C_SDA_HIGH(); // 判断最高位
        else I2C_SDA_LOW();
        delay_us(2);
        I2C_SCL_HIGH();
        delay_us(5); // 保证SCL高电平周期大于4.7us
        I2C_SCL_LOW();
        delay_us(2);
        byte <<= 1; // 左移一位,准备发送下一位
    }
    // 读取应答位
    SDA_IN(); // 切换SDA为输入模式,读取从机应答
    I2C_SDA_HIGH(); // 主机释放SDA线
    delay_us(2);
    I2C_SCL_HIGH();
    delay_us(5);
    ack_bit = GPIO_ReadInputDataBit(I2C_SDA_PORT, I2C_SDA_PIN); // 读取SDA电平
    I2C_SCL_LOW();
    SDA_OUT(); // 切换回输出模式,为后续操作做准备
    return ack_bit; // 返回0表示应答,1表示非应答
}

写驱动时,最需要注意的就是时序。I2C协议对SCL高电平和低电平的持续时间有要求,标准模式是100kHz,快速模式是400kHz。我们用delay_us()函数来产生微秒级延时,模拟这个时序。延时不能太短,否则从设备来不及反应;也不能太长,否则整体通信速度太慢。我实测下来,在72MHz主频下,每个delay_us(5)是比较稳定的选择。调试时,如果通信失败,第一个要怀疑的就是时序问题,可以用逻辑分析仪或者示波器抓一下SDA和SCL的波形,看看起始、停止、数据位的波形是否符合规范。

3. ADXL345传感器驱动与数据读取

3.1 传感器初始化与配置

硬件通了,下一步就是和ADXL345“握手”,把它配置成我们想要的工作模式。这需要通过I2C向它的内部寄存器写入特定的值。ADXL345的数据手册有几十页,但对于计步应用,我们只需要关注几个关键寄存器。

首先,我们必须知道设备的地址。前面说了,我让SDO引脚接地,所以写地址是0xA6,读地址是0xA7。在代码里,我们通常定义写地址ADXL345_WRITE 0xA6。初始化流程一般是这样的:上电 -> 等待一小段时间(比如10ms)让传感器稳定 -> 依次配置几个寄存器。

这里我给出一个经过我实测可用的初始化函数,并解释每个配置的作用:

#define ADXL345_ADDRESS_WRITE 0xA6
#define ADXL345_ADDRESS_READ  0xA7

void ADXL345_Init(void) {
    MyI2C_Init(); // 初始化I2C引脚
    delay_ms(10); // 上电延时,非常重要!

    // 1. 设置数据格式(寄存器0x31):选择量程和分辨率
    // 0x0B = 0000 1011:Bit3置1启用全分辨率(13位),Bit1:0为11表示±16g量程
    // 对于计步,±4g或±8g也够用,但±16g容错性更好。
    ADXL345_WriteReg(0x31, 0x0B);

    // 2. 设置带宽速率(寄存器0x2C):决定数据输出速率和带宽
    // 0x08 = 0000 1000:输出数据速率设为12.5Hz。这个值很关键!
    // 计步不需要太高频率,12.5Hz意味着每秒采样12.5次,完全能捕捉步行节奏。
    // 太高频率会引入更多高频噪声,增加处理负担;太低则会丢失步态特征。
    ADXL345_WriteReg(0x2C, 0x08);

    // 3. 电源控制(寄存器0x2D):开启测量模式
    // 0x08 = 0000 1000:Bit3置1,进入测量模式。其他位保持默认(如不启用休眠等)。
    ADXL345_WriteReg(0x2D, 0x08);

    // 4. 使能DATA_READY中断(寄存器0x2E):可选,我们采用查询方式,这里先不使能
    // ADXL345_WriteReg(0x2E, 0x80);

    // 5. 偏移校准(寄存器0x1E, 0x1F, 0x20):这是提高精度的关键一步!
    // 传感器静止水平放置时,理想状态下X、Y轴输出应为0,Z轴输出为重力加速度(约256 LSB @ ±2g)。
    // 但实际上每个传感器都有零漂。你需要先读取静止时的数据,计算偏移量,再写回。
    // 这里先写0,我们后面专门讲校准。
    ADXL345_WriteReg(0x1E, 0x00); // X轴偏移
    ADXL345_WriteReg(0x1F, 0x00); // Y轴偏移
    ADXL345_WriteReg(0x20, 0x00); // Z轴偏移
}

这里重点说一下**输出数据速率(ODR)**的选择。数据手册给出了从0.1Hz到3200Hz的多种选择。对于计步,12.5Hz或25Hz是一个甜点。人的步行频率大概在1-2.5步/秒,跑步会更高一些。根据奈奎斯特采样定理,采样频率至少是信号最高频率的两倍。12.5Hz的采样率足以捕捉步态,同时能有效抑制远高于步频的高频噪声(比如手部抖动),相当于自带了一个低通滤波的效果。如果你设为100Hz或更高,你会发现原始数据“毛刺”非常多,后续滤波算法压力会很大。

3.2 读取三轴加速度数据

配置好后,ADXL345就会以设定的速率不断测量加速度,并把数据更新到其数据寄存器中(地址0x32到0x37)。我们需要做的就是周期性地去读取这6个字节(X轴2字节、Y轴2字节、Z轴2字节)。

读取多个字节的I2C操作有个小技巧:发送完寄存器起始地址后,发送一个重复起始条件(Repeated Start),而不是停止条件,然后发送读地址,就可以连续读取多个字节。单片机每读取一个字节后,需要发送一个应答(ACK),告诉传感器“我还要读下一个”;读取最后一个字节后,发送非应答(NACK),然后停止条件。下面这个函数实现了连续读取6字节并合成三个16位有符号数(补码格式)的功能:

// 从ADXL345读取X,Y,Z三轴的原始数据(16位有符号整数)
void ADXL345_ReadXYZ(short *pX, short *pY, short *pZ) {
    uint8_t buffer[6];
    uint8_t i;

    // 1. 发送起始条件 + 写地址 + 要读取的寄存器起始地址 (0x32)
    MyI2C_Start();
    MyI2C_SendByte(ADXL345_ADDRESS_WRITE); // 发送写地址
    // 通常MyI2C_SendByte内部会检查ACK,这里省略了ACK检查的代码
    MyI2C_SendByte(0x32); // 发送数据寄存器起始地址

    // 2. 发送重复起始条件 + 读地址
    MyI2C_Start(); // 重复起始条件
    MyI2C_SendByte(ADXL345_ADDRESS_READ); // 发送读地址

    // 3. 连续读取6个字节数据
    for (i = 0; i < 6; i++) {
        // 读取一个字节。注意:前5个字节需要主机回复ACK,最后一个字节回复NACK
        buffer[i] = MyI2C_ReceiveByte();
        if (i == 5) {
            MyI2C_SendAck(1); // 发送NACK (1)
        } else {
            MyI2C_SendAck(0); // 发送ACK (0)
        }
    }
    // 4. 发送停止条件
    MyI2C_Stop();

    // 5. 合成数据。注意:ADXL345的数据是低位字节在前!
    *pX = (short)(((uint16_t)buffer[1] << 8) | buffer[0]);
    *pY = (short)(((uint16_t)buffer[3] << 8) | buffer[2]);
    *pZ = (short)(((uint16_t)buffer[5] << 8) | buffer[4]);
}

拿到原始数据后,你可以通过串口打印出来看看。把传感器静止水平放置,理论上X=0, Y=0, Z=+256(假设量程是±2g,1g对应256 LSB)。但你很可能会看到X=+5, Y=-12, Z=268这样的值。这就是零漂。为了获得更准确的结果,我们需要进行简单的校准:记录静止时各轴的输出值,取其相反数,写入对应的偏移寄存器(0x1E, 0x1F, 0x20)。注意,偏移寄存器的单位是15.6mg/LSB,而数据输出是3.9mg/LSB(13位,±4g时),所以写入的值应该是 偏移量 = -(实测值 / 4)。例如,静止时X轴读数为+8,那么应向0x1E寄存器写入 -8 / 4 = -2(以二进制补码形式)。校准后,静止输出会更接近理想值。

4. 计步算法的核心:动态阈值与线性移位寄存器

好了,现在我们能稳定地读取到三轴加速度数据了。但这些原始数据就像一团乱麻,直接看根本看不出步伐。接下来就是最核心、最有趣的部分——算法。我们将实现一个基于动态阈值和线性移位寄存器的轻量级计步算法。这个算法源自ADI官方的应用笔记,效果不错,计算量也适合在STM32上运行。

4.1 均值滤波:给数据“降噪”

传感器数据天生带有噪声,可能是电路噪声,也可能是微小的手部颤动。第一步就是滤波。我们采用最简单的滑动均值滤波。它的思想是:连续取N个采样值,求其算术平均值作为当前的有效值。这能平滑掉高频的随机噪声。

#define FILTER_WINDOW_SIZE 4 // 滤波窗口大小,我一般取4

typedef struct {
    short x;
    short y;
    short z;
} AxisData_t; // 三轴数据结构体

AxisData_t filterBuffer[FILTER_WINDOW_SIZE]; // 滤波缓冲区
uint8_t filterIndex = 0; // 缓冲区索引

// 均值滤波函数,输入最新原始数据,输出滤波后的数据
AxisData_t Moving_Average_Filter(AxisData_t newSample) {
    AxisData_t filtered = {0, 0, 0};
    static uint8_t count = 0;
    static AxisData_t sum = {0, 0, 0};

    // 更新滑动窗口和总和
    sum.x = sum.x - filterBuffer[filterIndex].x + newSample.x;
    sum.y = sum.y - filterBuffer[filterIndex].y + newSample.y;
    sum.z = sum.z - filterBuffer[filterIndex].z + newSample.z;
    filterBuffer[filterIndex] = newSample;
    filterIndex = (filterIndex + 1) % FILTER_WINDOW_SIZE;

    // 如果还没填满窗口,递增计数
    if (count < FILTER_WINDOW_SIZE) {
        count++;
    }

    // 计算平均值
    filtered.x = sum.x / count;
    filtered.y = sum.y / count;
    filtered.z = sum.z / count;

    return filtered;
}

这个函数实现了一个高效的滑动窗口。它不需要每次都对整个数组求和,而是维护一个总和变量,减去最旧的值,加上最新的值。这样计算量是常数,非常适合嵌入式系统。窗口大小FILTER_WINDOW_SIZE是个可调参数。太小了滤波效果不好,太大了会导致响应迟钝,可能漏掉快速的步伐变化。经过我的测试,在12.5Hz采样率下,窗口大小设为4(即约0.32秒的数据)是一个很好的平衡点。

4.2 动态阈值:自适应步伐检测的门槛

滤波后的数据波形看起来规整了一些,但如何判断一步呢?最直观的想法是设定一个固定的加速度阈值,超过就算一步。但问题来了:不同的人走路力度不同,同一个人走路和跑步的幅度也不同,传感器佩戴的位置(口袋、手腕)也会导致信号幅度差异巨大。固定阈值要么太敏感(误检),要么太迟钝(漏检)。

动态阈值就是为了解决这个问题而生的。它的核心思想是:系统持续监测最近一段时间内加速度的最大值和最小值,并以它们的中点作为当前判断步伐的阈值。这个阈值会随着你的运动状态自动调整。当你快跑时,加速度变化剧烈,最大最小值差距大,阈值也随之升高;当你慢走时,变化平缓,阈值就降低。

我们通常以50个滤波后的样本(约4秒的数据)为一个周期,来更新这个动态阈值。以下是关键的数据结构和更新函数:

#define SAMPLE_SIZE_FOR_THRESHOLD 50 // 用于计算动态阈值的样本数

typedef struct {
    AxisData_t max; // 过去50个样本中的最大值
    AxisData_t min; // 过去50个样本中的最小值
} DynamicThreshold_t;

DynamicThreshold_t threshold; // 全局阈值结构体
AxisData_t sampleWindow[SAMPLE_SIZE_FOR_THRESHOLD]; // 样本窗口
uint16_t sampleCount = 0;

// 更新动态阈值(每收集满SAMPLE_SIZE_FOR_THRESHOLD个样本调用一次)
void Update_Dynamic_Threshold(AxisData_t newFilteredSample) {
    static uint16_t index = 0;
    AxisData_t currentMax, currentMin;

    // 1. 将新样本存入窗口
    sampleWindow[index] = newFilteredSample;
    index = (index + 1) % SAMPLE_SIZE_FOR_THRESHOLD;

    // 2. 如果窗口未满,直接返回,不更新阈值
    sampleCount++;
    if (sampleCount < SAMPLE_SIZE_FOR_THRESHOLD) {
        return;
    }

    // 3. 窗口已满,寻找过去50个样本中的最大值和最小值
    currentMax.x = sampleWindow[0].x;
    currentMax.y = sampleWindow[0].y;
    currentMax.z = sampleWindow[0].z;
    currentMin = currentMax; // 初始化最小值

    for (int i = 1; i < SAMPLE_SIZE_FOR_THRESHOLD; i++) {
        // 更新最大值
        if (sampleWindow[i].x > currentMax.x) currentMax.x = sampleWindow[i].x;
        if (sampleWindow[i].y > currentMax.y) currentMax.y = sampleWindow[i].y;
        if (sampleWindow[i].z > currentMax.z) currentMax.z = sampleWindow[i].z;
        // 更新最小值
        if (sampleWindow[i].x < currentMin.x) currentMin.x = sampleWindow[i].x;
        if (sampleWindow[i].y < currentMin.y) currentMin.y = sampleWindow[i].y;
        if (sampleWindow[i].z < currentMin.z) currentMin.z = sampleWindow[i].z;
    }

    // 4. 更新全局阈值结构体
    threshold.max = currentMax;
    threshold.min = currentMin;

    // 动态阈值 = (max + min) / 2,这个计算在步伐判断时实时进行
}

这个函数会在主循环中,每获得一个新的滤波样本就被调用一次。当收集满50个样本后,它就会更新一次最大值和最小值。注意,我们并没有在这里直接计算阈值 (max+min)/2,而是保存了最大最小值。因为在步伐判断时,我们需要用上一次更新的阈值来判断当前的样本,以避免使用正在计算中的、不稳定的阈值。这就是为什么结构体里叫old_max和old_min(在代码中我简化了,实际应用时最好区分新旧)。

4.3 线性移位寄存器:捕捉有效的波峰波谷

有了动态阈值,我们还需要一个机制来准确判断加速度波形何时“穿过”这个阈值。直接拿当前采样值和阈值比较会产生大量误触发,因为噪声可能使信号在阈值附近来回抖动多次。

线性移位寄存器(或称为双样本寄存器) 就是为了解决这个问题。它只保存两个关键的样本:new_sample(较新的样本)和old_sample(较旧的样本)。它的更新规则很巧妙:

  1. 无论何时,old_sample 总是被赋值为上一次的 new_sample。
  2. 新的滤波样本 cur_sample 是否能成为新的 new_sample,取决于它和当前 new_sample 的差值是否超过一个预设的动态精度(DYNAMIC_PRECISION)。
    • 如果 |cur_sample - new_sample| > DYNAMIC_PRECISION,说明发生了显著变化,则更新:new_sample = cur_sample。
    • 否则,new_sample 保持不变。

这个“动态精度”就像一个死区,滤除了微小的、无意义的波动。只有变化足够大的样本才会被记录,这样new_sample和old_sample就分别代表了最近两个“显著变化点”的加速度值。步伐通常对应着一个先上升后下降的波形,我们用这两个点来判断是否形成了一个完整的波峰。

#define DYNAMIC_PRECISION 30 // 动态精度,需要根据实测调整

typedef struct {
    AxisData_t new_sample;
    AxisData_t old_sample;
} ShiftRegister_t;

ShiftRegister_t sReg; // 线性移位寄存器

// 更新线性移位寄存器
void Update_Shift_Register(AxisData_t cur_filtered_sample) {
    // 无条件将旧的new_sample移入old_sample
    sReg.old_sample = sReg.new_sample;

    // 判断X轴变化是否显著,决定是否更新new_sample
    if (abs(cur_filtered_sample.x - sReg.new_sample.x) > DYNAMIC_PRECISION) {
        sReg.new_sample.x = cur_filtered_sample.x;
    } // 否则new_sample.x保持不变

    // Y轴同理
    if (abs(cur_filtered_sample.y - sReg.new_sample.y) > DYNAMIC_PRECISION) {
        sReg.new_sample.y = cur_filtered_sample.y;
    }

    // Z轴同理
    if (abs(cur_filtered_sample.z - sReg.new_sample.z) > DYNAMIC_PRECISION) {
        sReg.new_sample.z = cur_filtered_sample.z;
    }
}

DYNAMIC_PRECISION 这个值需要根据你的实际数据调整。太小了,噪声会导致寄存器频繁更新,失去滤波意义;太大了,可能会漏掉小幅度的步伐。我一般从20到50之间开始尝试。你可以通过串口打印出滤波后的数据,观察步行时单个轴的变化幅度,取这个幅度的1/5到1/3作为初始值。

5. 步伐判断逻辑与系统整合

5.1 找到“最活跃轴”与最终判决

人体运动时,加速度会在三个轴上都有投影,但总有一个轴的变化是最明显的。例如,把计步器竖着放在裤袋里,上下运动的加速度主要反映在Z轴上;横着放在口袋里,前后摆动的加速度可能主要反映在X或Y轴上。我们的算法需要自适应地找到这个“最活跃轴”,然后只根据这个轴的数据来判断步伐。

如何定义“最活跃”?我们使用过去50个样本中,该轴加速度的**变化范围(最大值减最小值)**来衡量。变化范围最大,且超过一个最小活跃阈值(ACTIVE_PRECISION,比如40)的轴,就被判定为最活跃轴。

#define ACTIVE_PRECISION 40 // 最小活跃度阈值

// 判断当前最活跃的轴
char Find_Most_Active_Axis(DynamicThreshold_t *th) {
    short x_range = abs(th->max.x - th->min.x);
    short y_range = abs(th->max.y - th->min.y);
    short z_range = abs(th->max.z - th->min.z);
    char activeAxis = 0; // 0表示无活跃轴

    if (x_range >= ACTIVE_PRECISION && x_range >= y_range && x_range >= z_range) {
        activeAxis = 'X';
    } else if (y_range >= ACTIVE_PRECISION && y_range >= x_range && y_range >= z_range) {
        activeAxis = 'Y';
    } else if (z_range >= ACTIVE_PRECISION && z_range >= x_range && z_range >= y_range) {
        activeAxis = 'Z';
    }
    return activeAxis; // 返回 'X', 'Y', 'Z' 或 0
}

找到最活跃轴后,步伐判决的最终条件就清晰了:

  1. 计算该轴的动态阈值:threshold = (old_max + old_min) / 2。
  2. 检查线性移位寄存器中该轴的数据:如果 old_sample > threshold 且 new_sample < threshold,则认为发生了一次“从阈值以上穿越到阈值以下”的过程,这正好对应了步伐中加速度达到波峰后开始下降的瞬间,计为一步。

这个“峰谷检测”逻辑非常符合步行时加速度的物理特征。以下是完整的步伐检测函数:

// 主步伐检测函数,返回当前总步数
uint32_t Detect_Step(DynamicThreshold_t *th, ShiftRegister_t *sr, AxisData_t cur_sample) {
    static uint32_t stepCount = 0; // 静态变量,保存步数
    char activeAxis;
    short currentThreshold;

    // 1. 更新动态阈值(内部会判断是否满50个样本)
    Update_Dynamic_Threshold(cur_sample);

    // 2. 更新线性移位寄存器
    Update_Shift_Register(cur_sample);

    // 3. 寻找最活跃轴
    activeAxis = Find_Most_Active_Axis(th);

    // 4. 根据最活跃轴进行判决
    switch (activeAxis) {
        case 'X':
            currentThreshold = (th->max.x + th->min.x) / 2;
            if (sr->old_sample.x > currentThreshold && sr->new_sample.x < currentThreshold) {
                stepCount++;
            }
            break;
        case 'Y':
            currentThreshold = (th->max.y + th->min.y) / 2;
            if (sr->old_sample.y > currentThreshold && sr->new_sample.y < currentThreshold) {
                stepCount++;
            }
            break;
        case 'Z':
            currentThreshold = (th->max.z + th->min.z) / 2;
            if (sr->old_sample.z > currentThreshold && sr->new_sample.z < currentThreshold) {
                stepCount++;
            }
            break;
        default:
            // 没有活跃轴,不计数
            break;
    }
    return stepCount;
}

5.2 主循环与系统调试

最后,我们把所有模块整合到主函数里,形成一个完整的系统流程。主循环的任务很简单:以一定时间间隔(例如80ms,对应12.5Hz)读取传感器数据 -> 滤波 -> 调用Detect_Step函数 -> 更新显示。

#include "stm32f10x.h"
#include "oled.h" // 假设你有一个OLED显示驱动
#include "adxl345.h"
#include "filter.h"
#include "step_algo.h"

int main(void) {
    // 硬件初始化
    SystemInit();
    delay_init();
    OLED_Init();
    ADXL345_Init();
    // 算法数据结构初始化
    DynamicThreshold_t dynThresh = {0};
    ShiftRegister_t shiftReg = {0};
    AxisData_t rawData, filteredData;
    uint32_t steps = 0;

    OLED_ShowString(1, 1, "Step Counter");
    OLED_ShowString(2, 1, "Steps:");
    delay_ms(1000); // 等待系统稳定

    while (1) {
        // 1. 读取原始数据
        ADXL345_ReadXYZ(&rawData.x, &rawData.y, &rawData.z);

        // 2. 均值滤波
        filteredData = Moving_Average_Filter(rawData);

        // 3. 核心步伐检测算法
        steps = Detect_Step(&dynThresh, &shiftReg, filteredData);

        // 4. 显示步数
        OLED_ShowNum(2, 7, steps, 5); // 在OLED第2行第7列显示步数

        // 5. 控制采样率,延时约80ms (1000ms/12.5Hz = 80ms)
        delay_ms(80);
    }
}

调试是整个项目的重中之重。不要指望代码一次就能完美运行。你需要借助串口打印这个强大的工具。把关键数据,比如滤波后的某个轴数据、动态阈值、移位寄存器里的old_sample和new_sample、以及识别出的步数,实时打印到电脑串口助手上。然后拿着开发板走几步,观察数据变化。你会看到加速度波形如何起伏,阈值如何自适应调整,以及步伐触发时old_sample和new_sample是如何跨越阈值的。通过调整FILTER_WINDOW_SIZE、DYNAMIC_PRECISION、ACTIVE_PRECISION这些参数,观察计步准确率的变化,这个过程本身就是对算法理解最深化的时刻。

我自己的调试经验是,先把传感器静止放置,确保读数稳定,动态阈值变化很小。然后用手匀速地上下晃动模拟步伐,看算法能否稳定计数。最后才是实际佩戴行走测试。可能会遇到快速晃动误计数的问题,这可以通过引入“时间窗口”限制(比如两步之间至少间隔300ms)来改善。也可能遇到慢走漏计,可以尝试稍微降低ACTIVE_PRECISION和DYNAMIC_PRECISION。多调几次,你就能得到一个在大多数场景下都表现可靠的计步器了。

从ADXL345数据到实际应用:用STM32做个简易姿态检测器(含滤波与串口可视化) 本文详细介绍了如何利用STM32微控制器和ADXL345三轴加速度传感器构建简易姿态检测系统。从硬件连接、I2C通信配置到数据采集与滤波处理,再到串口可视化与姿态判断算法,提供了完整的实现方案。特别介绍了均值滤波和卡尔曼滤波的应用,以及Python上位机实时波形显示的实现方法,帮助开发者快速掌握嵌入式传感器系统的开发流程。 阅读详情

相关推荐

基于STM32的智能手环设计:心率计步体温检测全流程解析

嵌入式系统开发中,传感器数据采集与融合是硬件设计的核心能力。STM32作为主流微控制器,凭借丰富的外设接口和成熟的生态,成为智能穿戴设备实现的理想平台。本文从传感器工作原理出发,解析基于I2C总线挂载心率、六轴加速度及红外温度传感器的手环方案,涵盖PPG光电容积脉搏波、动态阈值计步算法、温度校准等关键技术,并针对低功耗、显示刷新和系统调试等工程问题给出实践方案。该设计可广泛应用于健康监测、运动记录及毕业设计项目,为开发者提供从硬件选型到算法落地的完整参考。

weixin_29163857的博客 304

基于STM32F103C8T6的ADXL345加速度传感器计步器

没有校准时,如果将ADXL345平放在桌面,X、Y、Z轴的输出数据可能是X=+2LSB,Y=-20LSB,Z=292LSB(这个数值是我在测试过程中测到的,不代表每一个都这样,仅供参考)。然而,sample_result是否移入sample_new寄存器取决于下述条件:如果加速度变化大于预定义精度,则最新的采样结果sample_result移入sample_new寄存器,否则sample_new寄存器保持不变。由于我用的是IIC的通信方式,因此在这里就不多介绍SPI了,感兴趣的可以去找数据手册看介绍。

qq_61888703的博客 5482

STM32心率计步系统设计:从传感器到算法的嵌入式开发实战

嵌入式系统开发是物联网与智能硬件的核心技术,其原理在于通过微控制器(MCU)协调传感器、执行器与通信模块,实现对物理世界的感知与控制。这项技术的核心价值在于将软件算法与硬件电路深度融合,构建出稳定、低功耗的专用计算设备。在健康监测、运动追踪等应用场景中,它能够实时处理生物信号与运动数据。本文聚焦于基于STM32的心率脉搏监测与计步系统,详细解析了如何利用MAX30102光电传感器进行PPG信号采集,以及通过MPU6050加速度计实现步伐识别。内容涵盖硬件选型、电路设计、信号处理算法(如滤波与峰值检测)和低功

weixin_34208185的博客 349

基于STM32单片机的智能手环心率计步器体温显示设计

摘要:本研究设计了一款基于STM32F103C8T6单片机的多功能智能手环系统,集成ADXL345加速度计、MAX30102心率传感器和DS18B20温度传感器,实现心率监测、计步和体温显示功能。通过优化自适应阈值计步算法和多级滤波心率提取算法,系统测试表明:计步误差1.88%,心率检测误差1.75bpm,体温精度±0.3℃。采用动态功耗管理技术,续航达52小时,PCB面积控制为30×20mm,元器件成本89元(可降至45.3元)。系统在老年人监护、运动健身等领域具有应用价值,为低成本可穿戴健康监测设备提供

3254968421的博客 1856

STM32心率计步毕业设计:MAX30102与MPU6050传感器融合实战

在嵌入式系统与物联网应用中,传感器数据采集与处理是核心技术环节,它决定了设备感知物理世界的准确性与可靠性。其原理在于通过微控制器(MCU)的ADC、I2C等接口,将传感器输出的模拟或数字信号进行读取,并运用数字滤波、特征提取等算法转化为有价值的信息。这项技术的价值在于实现了物理世界与数字世界的可靠桥接,是智能穿戴、健康监测等场景的基石。本文聚焦于一个经典的应用场景——便携式健康监测设备,详细阐述了如何利用**STM32单片机**作为主控,驱动**MAX30102心率传感器**与MPU6050加速度计,通过信

weixin_34367257的博客 392

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

从零到一:手把手教你用STM32和Proteus打造高精度计步器

本文详细介绍了如何使用STM32单片机和Proteus仿真环境从零开始构建高精度计步器。涵盖硬件选型、Proteus仿真搭建、加速度数据处理与步数算法优化等关键技术,帮助开发者快速掌握智能手环等可穿戴设备的开发要点。

weixin_29189003的博客 357

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

基于STM32的智能手环系统设计与实现:从硬件电路到软件编程全解析

本文详细解析了基于STM32的智能手环系统设计与实现,涵盖硬件电路设计、传感器应用和软件编程等关键技术。重点介绍了STM32F103C8T6控制器选型、ADXL345运动检测和MAX30102心率血氧检测等核心模块,并提供了低功耗优化策略和常见问题解决方案。该项目适合作为嵌入式开发学习案例或毕业设计选题,具有较高的实用价值。

gg901的博客 1018

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智能手环的‘健康大脑’:当STM32遇见多传感器数据融合

本文深入解析了基于STM32的智能手环如何通过多传感器数据融合技术实现精准健康监测。重点探讨了MAX30102心率血氧传感器与STM32的协同工作,包括系统架构设计、数据融合算法及低功耗优化策略,为开发医疗级可穿戴设备提供实战指导。

grafana8visual的博客 236

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

上一篇: SAP 特殊采购类80:跨工厂生产配置与实战解析
下一篇: Windows10下使用MinGW快速搭建C/C++开发环境
git9versioner
博客等级 码龄4年 75粉丝 1650原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值