Arduino中断驱动心率监测：从PPG原理到动态阈值算法实践

1. 项目概述：从“心”开始的非侵入式监测

如果你正在寻找一种能轻松集成到可穿戴设备、健康监测项目或者互动装置中的心率检测方案，那么Grove - 耳夹式心率传感器绝对是一个值得你花时间研究的核心模块。它不像那些需要紧贴皮肤、涂满导电凝胶的医用设备，而是以一种近乎无感的方式，通过耳垂这个毛细血管丰富的部位来捕捉每一次心跳带来的微弱光信号变化。我最初接触它，是想为一个体感游戏控制器增加生理反馈，结果发现它的应用场景远比我想象的要广——从简单的静坐心率监测，到运动状态下的实时反馈，再到结合其他传感器（比如加速度计）分析心率变异性，这个小玩意儿都能胜任。

它的核心原理是光电容积脉搏波描记法（PPG）。简单来说，就是传感器一侧的LED会向耳垂发射特定波长的光（通常是绿光，因为它对血液中的血红蛋白吸收变化更敏感），另一侧的光电探测器则接收透射或反射回来的光强。当心脏收缩时，耳垂毛细血管中的血流量增加，吸收的光就多，探测器接收到的光强就弱；心脏舒张时则相反。这个周期性的光强微弱变化，就被转换成了电信号。Grove模块的巧妙之处在于，它内部已经集成了放大和滤波电路，将微弱的脉搏波信号调理得比较“干净”，输出一个模拟电压信号，Arduino之类的微控制器可以直接读取。

这个项目标题的关键词“中断”和“Arduino”点出了它的核心玩法。直接使用analogRead()循环采样当然可以，但在需要同时处理其他任务（比如控制电机、刷新屏幕）时，频繁的模拟读取会拖慢整个程序。而利用Arduino的外部中断功能来捕捉脉搏波的上升沿或下降沿，计算心跳间隔，才是更高效、更专业的做法。这不仅能解放主循环，还能更精确地计算瞬时心率。接下来，我会详细拆解如何从硬件连接到软件编程，再到数据处理，一步步把这个小巧的传感器用“活”。

2. 硬件连接与信号特性深度解析

2.1 模块引脚与电路连接要点

Grove - 耳夹式心率传感器采用了标准的4针Grove接口，这大大简化了连接。四根线分别是：

• VCC (红色)：工作电压。绝大多数情况下接5V。虽然模块内部有稳压，但5V供电能确保LED发光强度和信号放大电路有最佳性能。接3.3V时，信号幅度可能会略有下降，在信号较弱的个体上可能影响稳定性。
• GND (黑色)：电源地。务必与你的主控板（如Arduino Uno）可靠共地，这是避免信号噪声的基础。
• NC (白色)：未连接。这个引脚内部是悬空的，直接忽略即可。
• SIG (黄色)：模拟信号输出。这就是我们需要的脉搏波信号线，需要连接到主控板的模拟输入引脚，例如Arduino的A0。

注意：连接时，建议使用质量较好的Grove连接线。劣质线材的屏蔽不好，可能会引入50Hz工频干扰，在信号波形上表现为规律的毛刺。如果发现波形背景噪声很大，可以尝试更换连接线。

将模块的Grove线直接插到Arduino的Grove Shield的模拟端口，或者用杜邦线将SIG、VCC、GND分别连接到Arduino的A0、5V、GND，硬件连接就完成了。耳夹部分，确保发射LED和接收光电探测器对准耳垂的肉厚部分，夹持的松紧度要适中，以不引起不适且不会轻易脱落为准。太松会漏光导致信号无效，太紧则会压迫血管，反而使信号减弱。

2.2 输出信号波形分析与解读

连接好后，打开Arduino IDE的串口绘图器（Serial Plotter），将SIG引脚的值（0-1023）发送出去，你就能看到实时的心率波形。一个健康的、信号良好的脉搏波波形应该具有以下特征：

1. 周期性：波形有明显的、节奏稳定的起伏。
2. 主波峰：每个周期有一个尖锐的主峰，对应心脏收缩、血液快速充盈血管的瞬间。
3. 重搏波：在主波峰下降支上，有时能看到一个小的隆起，称为重搏波，与主动脉瓣关闭有关。在信号质量好、心率较慢时比较明显。
4. 基线稳定：波形的基线（最低点连线）应该是相对平稳的，不会大幅漂移。

然而，实际应用中你几乎不可能一上来就得到教科书般的完美波形。常见的干扰包括：

• 运动伪影：这是最大的敌人。头部的微小晃动、咀嚼、说话都会导致传感器与耳垂的相对位置变化，产生幅度远大于脉搏波的剧烈低频抖动。
• 环境光干扰：虽然传感器有结构设计减少入光，但强光（尤其是日光）直射耳夹仍可能被光电探测器接收到，造成基线漂移或噪声。
• 电源噪声：如果使用电机等大电流设备且电源滤波不足，可能会在信号上叠加高频噪声。

理解这些噪声特征，是后续设计有效滤波和算法的基础。一个重要的实操心得是：在编写任何复杂算法之前，先用串口绘图器观察原始信号。这能帮你快速判断硬件连接是否正常、佩戴方式是否正确，以及当前环境下的噪声主要类型，从而决定软件处理策略。

3. 核心算法：从模拟信号到心率值

直接读取模拟值只是第一步，如何从这充满噪声的波形中稳定、准确地计算出心率（BPM，每分钟心跳次数），才是项目的核心。通常有两种思路：时域法和频域法。对于单片机来说，时域法计算量小，更实用。

3.1 基于阈值的峰值检测算法

这是最直观的方法。我们设定一个阈值，当信号值超过这个阈值时，就认为检测到一个心跳峰值。

int sensorPin = A0; int sensorValue = 0; int threshold = 520; // 需要根据实测调整 bool peakDetected = false; unsigned long lastPeakTime = 0; int bpm = 0; void loop() { sensorValue = analogRead(sensorPin); if (sensorValue > threshold && !peakDetected) { peakDetected = true; unsigned long currentTime = millis(); if (lastPeakTime > 0) { // 不是第一次检测到峰值 unsigned long interval = currentTime - lastPeakTime; // 两次心跳的间隔，单位毫秒 bpm = 60000 / interval; // 将毫秒间隔转换为每分钟心跳次数 } lastPeakTime = currentTime; } else if (sensorValue < threshold) { peakDetected = false; // 信号回落，重置峰值检测标志 } // 这里可以输出或使用bpm值 }

这个方法的关键和难点在于阈值的设定。阈值设高了，可能漏掉一些较弱的峰值；设低了，则可能把噪声误判为峰值。而且，由于运动伪影会导致整个信号基线大幅漂移，固定阈值很快就会失效。

3.2 动态阈值与滑动窗口算法

更健壮的方案是使用动态阈值。一个常见的策略是维护一个最近一段时间（比如2-4秒）信号值的滑动窗口，动态计算该窗口内的平均值和最大值。

#define WINDOW_SIZE 100 // 假设采样率50Hz，100个点代表2秒数据 int dataWindow[WINDOW_SIZE]; int windowIndex = 0; long windowSum = 0; void loop() { sensorValue = analogRead(sensorPin); // 更新滑动窗口 windowSum -= dataWindow[windowIndex]; // 减去最旧的值 dataWindow[windowIndex] = sensorValue; windowSum += sensorValue; // 加上最新的值 windowIndex = (windowIndex + 1) % WINDOW_SIZE; // 计算动态阈值（例如：平均值 + 峰峰值的一半 * 系数） int windowAvg = windowSum / WINDOW_SIZE; int windowMax = *std::max_element(dataWindow, dataWindow + WINDOW_SIZE); // 需要引入算法库或自己实现找最大值 int windowMin = *std::min_element(dataWindow, dataWindow + WINDOW_SIZE); int dynamicThreshold = windowAvg + (windowMax - windowMin) * 0.3; // 系数需要调试 // 使用dynamicThreshold进行峰值检测（逻辑同上，略） }

这种方法能较好地适应信号的慢速基线漂移。系数0.3是一个经验值，对于大多数静坐状态可能合适，但在运动状态下，由于信号波动剧烈，可能需要调整到0.5或更高，或者结合其他条件（如信号变化率）进行综合判断。

3.3 利用中断实现高精度计时

无论是固定阈值还是动态阈值，在loop()中循环检测都有一个弊端：采样时间点不精确，且受循环内其他代码执行时间的影响。为了计算精确的心跳间隔（R-R间期），尤其是用于分析心率变异性（HRV）时，必须使用高精度计时。这就是“中断”关键词的核心应用场景。

Arduino的外部中断可以配置为在数字引脚电平变化时立即暂停主程序，执行中断服务函数。虽然心率传感器输出是模拟信号，但我们可以通过一个比较器电路（或者利用一些MCU内置的模拟比较器外设），将模拟信号与一个参考电压（即我们的阈值）进行比较，产生一个数字边沿信号来触发中断。

更常见的、无需额外硬件的方法是模拟采样+软件中断。我们设置一个定时器中断，以固定频率（如500Hz）采样模拟引脚，在中断服务程序中进行峰值检测和计时。这样可以实现等间隔采样，是数字信号处理的基础。

volatile unsigned long lastPeakMicros = 0; volatile unsigned long intervalMicros = 0; volatile bool newDataReady = false; const int SAMPLING_RATE_HZ = 500; // 采样率500Hz const int SAMPLE_INTERVAL_US = 1000000 / SAMPLING_RATE_HZ; // 2000微秒 void setup() { // 配置定时器1产生固定频率的中断 // 此处以Arduino Uno (ATmega328P)为例 noInterrupts(); TCCR1A = 0; TCCR1B = 0; TCNT1 = 0; // 设置比较匹配寄存器，假设16MHz时钟，预分频8 OCR1A = (16000000 / 8 / SAMPLING_RATE_HZ) - 1; // 计算比较值 TCCR1B |= (1 << WGM12); // CTC模式 TCCR1B |= (1 << CS11); // 预分频8 TIMSK1 |= (1 << OCIE1A); // 使能定时器比较匹配中断 interrupts(); } ISR(TIMER1_COMPA_vect) { // 定时器中断服务程序 static int lastValue = 0; static bool overThreshold = false; int currentValue = analogRead(A0); // 简单的上升沿检测 if (currentValue > THRESHOLD && lastValue <= THRESHOLD && !overThreshold) { unsigned long now = micros(); intervalMicros = now - lastPeakMicros; lastPeakMicros = now; newDataReady = true; overThreshold = true; } else if (currentValue < THRESHOLD) { overThreshold = false; } lastValue = currentValue; } void loop() { if (newDataReady) { noInterrupts(); // 进入临界区，安全地读取中断中更新的变量 unsigned long currentInterval = intervalMicros; newDataReady = false; interrupts(); if (currentInterval > 0) { // 有效间隔 float bpm = 60000000.0 / currentInterval; // 微秒转换为BPM // 使用bpm... } } // 主循环可以安心处理其他任务，如显示、通信等 }

重要提示：在中断服务程序（ISR）中，代码必须尽可能短小高效。避免使用Serial.print()、delay()等耗时函数。micros()函数在中断中调用是安全的，且精度很高。通过设置volatile变量和临界区保护，可以在主循环中安全地获取中断计算出的结果。

4. 滤波处理：净化你的脉搏波信号

原始信号中的噪声会严重干扰峰值检测。在MCU资源允许的情况下，加入数字滤波能极大提升稳定性。对于心率信号，我们主要关心0.5 Hz到大约4 Hz的频率成分（对应心率30到240 BPM）。需要滤除高频噪声和极低频的基线漂移。

4.1 软件低通滤波（一阶IIR滤波器）

这是一种计算量小、效果明显的滤波器，适合单片机。

float filteredValue = 0; const float ALPHA = 0.1; // 滤波系数，介于0~1之间。越小，滤波越强，但滞后越明显。 void loop() { int rawValue = analogRead(A0); filteredValue = ALPHA * rawValue + (1 - ALPHA) * filteredValue; // 一阶低通滤波公式 // 使用filteredValue进行后续的峰值检测 }

ALPHA的选择是权衡：值大（如0.3），响应快，但噪声抑制弱；值小（如0.05），波形平滑，但峰值检测会有延迟，可能导致计算的心率比实际慢半拍。我的经验是从0.1开始调试，观察滤波后的波形在串口绘图器上的表现。

4.2 带通滤波组合

要同时抑制高频和低频，可以组合使用高通和低通滤波。一个简单的高通滤波可以通过“减去移动平均”来实现：

#define MA_WINDOW 20 // 移动平均窗口大小 int maBuffer[MA_WINDOW]; int maIndex = 0; long maSum = 0; float highPassedValue = 0; void loop() { int rawValue = analogRead(A0); // 更新移动平均（本质是低通滤波） maSum -= maBuffer[maIndex]; maBuffer[maIndex] = rawValue; maSum += rawValue; maIndex = (maIndex + 1) % MA_WINDOW; int movingAverage = maSum / MA_WINDOW; // 原始值减去移动平均，得到去除低频漂移的信号（高通滤波） highPassedValue = rawValue - movingAverage; // 再对highPassedValue进行上述的低通滤波，即可实现带通效果 }

这种滑动平均高通滤波加一阶IIR低通滤波的组合，能有效净化信号，是资源受限环境下非常实用的方案。

5. 心率计算与数据后处理

即使检测到了峰值，计算出的瞬时BPM值也可能因为单次间隔的误差而剧烈跳动。我们需要对心率数据进行平滑处理。

5.1 移动平均与异常值剔除

最常用的是对最近几次（如4-8次）有效的心跳间隔或BPM值进行移动平均。

#define BPM_BUFFER_SIZE 8 int bpmBuffer[BPM_BUFFER_SIZE]; int bpmIndex = 0; int bpmSum = 0; int smoothedBpm = 0; void updateBpm(int newBpm) { // 可选：加入简单异常值剔除。如果新值与当前平滑值相差过大，则忽略。 if (smoothedBpm > 0 && abs(newBpm - smoothedBpm) > 20) { // 阈值20BPM // 可能是误检测，跳过此次更新 return; } bpmSum -= bpmBuffer[bpmIndex]; bpmBuffer[bpmIndex] = newBpm; bpmSum += newBpm; bpmIndex = (bpmIndex + 1) % BPM_BUFFER_SIZE; int validCount = 0; for (int i = 0; i < BPM_BUFFER_SIZE; i++) { if (bpmBuffer[i] > 0) validCount++; // 忽略未初始化的0值 } if (validCount > 0) { smoothedBpm = bpmSum / validCount; } }

异常值剔除逻辑至关重要。一次错误的峰值检测会产生一个极短或极长的间隔，导致计算出的BPM值飙到200以上或降到30以下，平滑算法会被这个异常值带偏很久。上面的abs(newBpm - smoothedBpm) > 20是一个初级防线。更高级的可以采用中值滤波，或者基于生理极限（如20-220 BPM）进行硬性过滤。

5.2 心率变异性（HRV）的简易分析

如果你追求更高的应用价值，可以尝试计算心率变异性——即连续心跳间隔之间的微小差异。它是评估自主神经系统功能的一个指标。

unsigned long lastRInterval = 0; unsigned long currentRInterval = 0; // 在每次检测到有效心跳时 if (lastRInterval > 0) { currentRInterval = peakTime - lastPeakTime; // 单位微秒 long difference = currentRInterval - lastRInterval; if (difference < 0) difference = -difference; // 取绝对值 // 这个差值序列就可以用来计算例如RMSSD（相邻间隔差值的均方根）等HRV时域指标 // 注意：需要在较长时间窗口（如5分钟）内收集数据计算才有意义 } lastRInterval = currentRInterval;

在单片机上实现完整的HRV分析（如频域分析）比较吃力，但计算一些简单的时域指标（如SDNN， RMSSD）是可行的，只需要存储一个间隔值的数组并进行标准差等运算。

6. 系统集成与优化实践

6.1 资源管理与多任务协同

在一个完整的项目里，心率监测可能只是功能之一。你需要管理好CPU时间。使用定时器中断进行采样和检测是第一步。主循环loop()中，应避免使用delay()。对于心率值的显示、通过蓝牙/Wi-Fi上传数据、响应按钮等操作，采用状态机或非阻塞定时的方式。

unsigned long lastDisplayTime = 0; const unsigned long DISPLAY_INTERVAL = 200; // 每200ms更新一次显示，避免刷新过快 void loop() { // 1. 检查是否有新的心率数据（由中断标志位触发） if (newBpmDataAvailable) { processNewBpm(); newBpmDataAvailable = false; } // 2. 非阻塞式更新显示 if (millis() - lastDisplayTime >= DISPLAY_INTERVAL) { updateDisplay(smoothedBpm); lastDisplayTime = millis(); } // 3. 检查按钮等其他输入 checkButtons(); // 4. 定期发送数据（如每2秒） // ... }

6.2 佩戴状态检测与信号质量指示

在实际产品中，需要判断传感器是否被正确佩戴。一个简单的方法是监测一段时间内检测到的心跳峰值数量。如果长时间（如10秒）没有检测到任何符合规律的峰值，或者原始信号的平均值/方差处于一个极低或极不合理的范围，则可以判定为未佩戴或佩戴不良，并给出提示（如点亮LED指示灯）。

unsigned long lastValidPeakTime = 0; const unsigned long NO_SIGNAL_TIMEOUT = 10000; // 10秒无有效信号 void checkSignalStatus() { if (millis() - lastValidPeakTime > NO_SIGNAL_TIMEOUT) { // 进入“无信号”状态，提示用户检查佩戴 setStatusLed(ERROR_FLASH); bpm = 0; // 清空心率显示 } } // 每次成功计算出一个有效BPM时，更新 lastValidPeakTime = millis();

6.3 功耗优化考量

如果项目是电池供电的可穿戴设备，功耗至关重要。Grove模块本身功耗不高（主要耗电在LED），但我们可以进一步优化：

• 降低采样率：在静息状态下，心率变化慢，可以将采样率从500Hz降至100-200Hz。
• 间歇工作：如果不是需要连续实时监测，可以让MCU和传感器工作几秒，然后进入深度睡眠几十秒，周期性地测量。
• 动态调节LED亮度：在固件中，可以根据环境光或信号质量动态调节传感器LED的驱动电流（如果硬件支持PWM控制的话）。信号好时降低亮度以省电。

7. 常见问题排查与调试技巧

在实际部署中，你肯定会遇到各种问题。下面是一个快速排查指南：

调试的核心工具永远是串口绘图器。把原始信号、滤波后信号、动态阈值线、检测到的峰值标记点都通过串口发送出来，在绘图器上叠加显示，你能一目了然地看到算法每个环节的工作状态，这是任何串口打印数字都无法比拟的。另外，在关键代码段前后用micros()打时间戳，可以帮你分析中断执行时间、主循环周期，优化代码效率。

从读取一个模拟值，到稳定输出一个可靠的心率数字，中间每一步都充满了工程上的权衡与调试。Grove耳夹式心率传感器提供了一个绝佳的起点，让你能深入到生物信号采集与处理的底层。当你看到自己编写的算法终于能从嘈杂的波形中锁定那规律的生命节律时，那种成就感，正是嵌入式开发和硬件交互项目最吸引人的地方。