实战：心电图信号处理与ESP32心率血氧计

心电图信号处理

做这个小项目的想法来源于 HPC WEEK 比赛中 CT 图像并行计算的那道题。当时虽然我看不懂题目，但是大受震撼。因为不管是各种OJ还是Leetcode上我平时都不太会看到实际数据的处理，一般都是想象出来的场景，选择合适的算法和数据结构解决（毕竟以我们这种水平也做不了什么复杂的现实场景的东西）。

我后来问了下GPT，了解到了信号处理这个方向。打算从最基础的心电图信号处理做一个小项目进行实战。

环境配置

在项目文件夹下用venv创建python3.12环境，然后安装了numpy，scipy，matplotlib，wfdb库。

pip install numpy scipy matplotlib wfdb

其中：

wfdb：读 MIT-BIH 这类心电数据库

scipy：滤波、信号处理

matplotlib：画图

数据获取

MIT-BIH 数据库的文件通常成对出现（.dat 信号文件和 .hea 头文件）。可以使用 wfdb 库来处理它们。wfdb.rdrecord() 是 WFDB 库的核心函数，用于读取生理信号记录（如 ECG 心电信号）。它返回一个record对象，主要包括：

• 信号数据record.p_signal：一个多维数组，表示 ECG 的多个导联，通常为 (样本数, 通道数)。例如：包含 2 个导联、持续 10 秒、采样率为 360Hz 的信号，返回的数组形状是(3600,2)。
• 元数据字典：包含采样率(record.fs)、导联名称(record.sig_name)、单位(record.units)等。

record.p_signal    # 生理信号数据（numpy 数组）
record.fs          # 采样频率（Hz），MITDB 通常是 360 Hz
record.sig_name    # 信号名称，如 ['MLII', 'V1', 'V2', 'V4', 'V5']
record.n_sig       # 通道数
record.units       # 信号单位，如 ['mV', 'mV']
record.record_name # 记录名 '100'

MLII (Modified Limb Lead II)是第1个通道，是最常用的监测导联。问GPT后说这个最常用，所以我就取了这个。

给原始数据画图

根据传入的start和duration参数创建一个时间轴time_axis，并使用loader数据画图。

去噪

如果观察刚才画出的原始信号，可能会发现两个问题：

基线漂移 (Baseline Wander)：波形整体像海浪一样上下起伏。这通常是由于呼吸或身体晃动引起的（属于低频干扰）。

高频噪声 (High-frequency Noise)：波形上有细小的锯齿。这可能是肌肉电信号 (EMG) 或设备电子噪声。

带通滤波

带通滤波只保留需要的频段（0.5–40 Hz的频段）。Google后就可以知道，< 0.5 Hz的低频是基线漂移噪声，> 40 Hz的是高频噪声。

我们构建一个4阶巴特沃斯带通滤波器，截止频率设置为0.5 Hz和40 Hz。使用scipy.signal.butter函数设计滤波器，并用scipy.signal.filtfilt函数进行零相位滤波，避免相位失真。

R波检测

R波是心电图中最显著的特征，代表心脏的收缩。检测R波的位置对于计算心率和分析心律非常重要。

ECG 信号即使滤了波，也还包含 P 波、T 波等。为了让计算机只盯着 R 波看，我们需要放大它们之间的差距，进行平方处理。

我们使用scipy.signal.find_peaks函数来检测R波峰值。设置适当的高度和距离参数，以确保只检测到真正的R波峰值。然后将返回的峰值索引转换为时间，并在图上标注出来。

然后在draw.py的draw_signal函数里添加可选参数rwave，如果传入了R波索引，就在图上用蓝色圆点标注出来。

算心率

心率（BPM）可以通过计算连续R波之间的时间间隔（RR间期）来得到。我们计算每对连续R波之间的时间差，并将其转换为心率（BPM）。同时，我们也计算了整个信号段的平均心率。

异常检测

用前面的instant_heartrate计算出的瞬时心率，统计心动过速（>100 BPM）和心动过缓（<60 BPM）的频次。

HRV（心率变异性）是指连续心跳之间时间间隔的变化程度。我计算了RR间期的标准差（SDNN）作为HRV的一个指标。

Claude Code辅助与完善

下载.atr标注文件，新增load_annotations()方法。用wfdb.rdann()读取标注，过滤掉非搏动标注符号（+, ~, | 等），仅保留 19 种 AAMI 搏动类型。

evaluate.py — 评估核心模块，包含：

• match_peaks() — 逐一匹配检测点与标注点（150ms 容差，符合 ANSI/AAMI 标准）
• evaluate_detector() — 计算 Se、+P、F1
• print_evaluation() — 单条记录详细输出
• print_summary() — 多记录汇总表

ESP32 心率血氧计

环境配置

使用PlatformIO作为开发环境，需要在根目录下创建platformio.ini，这里我使用arduino框架。

主程序代码：src/main.cpp（第一阶段版本）

#include <Arduino.h>
#include <Wire.h>               // I2C 通信库（ESP32 内置）
#include "MAX30105.h"           // SparkFun MAX30102 驱动

MAX30105 sensor;  // 创建传感器对象

void setup() {
    // 1. 初始化串口
    Serial.begin(115200);
    while (!Serial && millis() < 3000) { delay(10); }
    Serial.println("=== ESP32 MAX30102 心率血氧监测 ===");

    // 2. 通过 I2C 连接传感器
    if (!sensor.begin(Wire, I2C_SPEED_STANDARD)) {
        Serial.println("错误：未检测到 MAX30102！请检查接线。");
        while (true) { delay(1000); }
    }
    Serial.println("传感器连接成功！");

    // 3. 配置传感器
    byte ledBrightness = 60;  // LED 亮度 0~255
    byte sampleAverage = 4;   // 采样平均次数
    byte ledMode = 2;         // 2 = 红光+红外光（血氧需要双波长）
    int sampleRate = 100;     // 每秒采样 100 次
    int pulseWidth = 411;     // 脉冲宽度 411μs（18bit 分辨率）
    int adcRange = 4096;      // ADC 量程

    sensor.setup(ledBrightness, sampleAverage, ledMode,
                 sampleRate, pulseWidth, adcRange);

    Serial.println("请将手指轻放在传感器上...");
    Serial.println("红光(Red)\t红外光(IR)");
}

void loop() {
    uint32_t redValue = sensor.getRed();  // 红光原始值
    uint32_t irValue  = sensor.getIR();   // 红外光原始值

    if (irValue < 50000) {
        Serial.println("未检测到手指");
    } else {
        Serial.print(redValue);
        Serial.print("\t");
        Serial.println(irValue);
    }
    delay(20);
}