简介：本资源是一套基于STM32的肌肉疲劳检测系统完整开发工程，面向嵌入式初学者、生物医学电子课程设计者及电子类竞赛备赛学生，解决肌电信号采集、阈值判据建模与实时状态反馈等典型嵌入式应用问题。项目以STM32F103为主控，集成OLED显示、滑动变阻器模拟肌电传感器及三按键人机交互，实现肌肉紧张超阈值持续3秒即判定疲劳的核心逻辑，并支持检测时间与阈值参数在线修改，适用于康复训练监测、运动生理实验等教学与原型验证场景。压缩包含277个文件，总计13.87MB，涵盖57个编译中间文件（.d）、56个C源码（.c）与头文件（.h）、56个目标文件（.o）、6个Proteus 8.15电路仿真工程（.pdsprj），以及Keil工程（.uvprojx）、Hex固件、启动脚本与调试配置等，结构完整，可直接编译下载或仿真运行。已有52人学习下载，配套含实操演示视频（.wmv）、详细外设驱动代码（如stm32f10x_adc.c、stm32f10x_i2c.c）及OLED显示模块，便于理解信号采集—处理—决策—反馈全链路实现。
1. 项目概述：当嵌入式遇上生物信号
最近在捣鼓一个挺有意思的小项目，核心就一句话：用一块STM32单片机，来检测肌肉的疲劳状态。听起来是不是有点跨界？确实，这玩意儿一脚踩在嵌入式开发的硬核世界里，另一脚又踏进了生物医学信号的软科学领域。我之所以想折腾这个，是因为发现无论是健身爱好者、康复训练师，还是长时间伏案工作的朋友，其实都挺需要一个客观、便携的指标来告诉自己：“嘿，你的肌肉是不是快撑不住了，该歇歇了。”
传统的肌肉疲劳评估，要么靠主观感觉（“我觉得我还能再练两组”），要么得去专业实验室用上肌电图（EMG）仪那种大家伙，既不经济也不方便。而STM32这类微控制器，以其强大的处理能力、丰富的外设和极低的功耗，恰好为我们提供了一个将专业检测设备“微型化”、“平民化”的可能。这个项目的目标，就是利用STM32采集肌肉表面的电信号（表面肌电信号，sEMG），通过一系列算法处理，提取出能表征肌肉疲劳的特征，最终以一个直观的方式（比如LED灯颜色变化、屏幕显示疲劳指数）反馈给用户。
整个系统可以看作一个微型的生物信号采集与分析终端。它适合对嵌入式开发有一定基础，并对生物信号处理、物联网健康设备感兴趣的朋友。即使你是新手，只要跟着思路走，也能理解从传感器选型、信号调理、单片机编程到算法实现的完整链条。下面，我就把自己从构思到实现，再到踩坑填坑的全过程，掰开揉碎了跟大家聊聊。
2. 核心思路与系统架构设计
做项目不能上来就焊板子、写代码，得先把路子想清楚。肌肉疲劳检测，本质是一个“信号感知 -> 特征提取 -> 状态判断”的过程。我们的STM32就是整个系统的“大脑”，负责协调这一切。
2.1 为什么选择表面肌电信号（sEMG）？
肌肉在收缩时，肌纤维会产生微弱的电信号，这就是肌电信号。通过贴在皮肤表面的电极，我们可以无创地采集到这些信号，即表面肌电信号（sEMG）。当肌肉疲劳时，sEMG信号会发生变化，主要体现在两个方面：
- 频域变化：信号的平均功率频率（MPF）或中值频率（MF）会向低频方向偏移。这是目前公认的、比较可靠的肌肉疲劳频域指标。
- 时域/幅值变化：信号的振幅（如均方根值RMS）可能会发生变化，但这个指标受肌肉收缩力影响很大，单独作为疲劳指标不够稳定，通常结合频域指标一起看。
所以，我们的核心任务就是高保真地采集sEMG信号，并实时计算其频域特征（特别是MPF或MF）。
2.2 整体系统框图与模块选型
基于上述思路，我设计了如下系统架构：
[表面电极] -> [前置放大与滤波电路] -> [STM32 ADC] -> [数字滤波与处理] -> [特征提取算法] -> [疲劳状态判断与输出]1. 传感与模拟前端：这是保证数据质量的“咽喉要道”。sEMG信号非常微弱，通常在50uV到5mV之间，并且混杂着大量的噪声（工频50/60Hz干扰、运动伪迹、电极接触噪声等）。
- 电极：选用一次性心电/肌电贴片电极，导电凝胶能提供稳定的皮肤接触，比干电极靠谱得多。
- 放大与滤波电路：这是硬件设计的核心。我采用仪表放大器（如AD620或INA128）作为第一级放大，获取高共模抑制比（CMRR）以抑制干扰。总增益设置在1000倍左右。滤波方面，设计带通滤波器（通常为10Hz - 500Hz），以保留sEMG的有效成分并滤除直流偏移和高频噪声。特别注意：必须在硬件端做好强有力的50Hz工频陷波，否则后续数字处理会非常痛苦。
2. 主控单元：
- MCU选型：我选择了STM32F4系列（如F407或F411）。原因有三：第一，它自带硬件浮点运算单元（FPU），对于后续需要大量浮点运算的FFT（快速傅里叶变换）算法是巨大的性能助力；第二，ADC采样率足够高（轻松达到1Ksps以上）；第三，资源丰富，便于后续扩展显示、无线传输等功能。
3. 软件算法核心：
- ADC采样与缓冲：使用DMA（直接存储器访问）将ADC数据搬运到内存中的环形缓冲区，实现高效、不丢点的连续采样。采样率设置为1000 Hz，这对分析sEMG信号（主要能量在10-200Hz）来说已经足够。
- 数字信号处理：对ADC采集的原始数据进行进一步的数字滤波（如软件陷波去除残余工频干扰）、去趋势化等预处理。
- 特征提取：快速傅里叶变换（FFT）是本项目的算法核心。通过FFT将时域信号转换为频域，然后计算功率谱，进而求得平均功率频率（MPF）。MPF的计算公式是对功率谱进行加权平均：
MPF = Σ(P(f) * f) / ΣP(f)，其中P(f)是频率f处的功率谱密度。 - 疲劳判断与输出：设定一个基线MPF值（肌肉放松或初始收缩时），实时计算MPF相对于基线的下降百分比。当下降超过某个阈值（如20%），则判定为出现疲劳。结果可以通过串口发送到电脑，或者驱动板载的RGB LED（绿色->黄色->红色）来直观显示。
3. 硬件电路设计与核心要点
硬件是数据的源头，这里不稳，后面软件算法再厉害也是白搭。我重点讲几个容易踩坑的地方。
3.1 前置放大电路设计细节
我采用了经典的三运放仪表放大器结构。
- 第一级放大：两个运放构成同相输入，增益由一颗外接电阻Rg决定：
G1 = 1 + (2 * R1 / Rg)。这里R1是内部匹配电阻，对于AD620，增益公式就是G = 1 + (49.4 kΩ / Rg)。我将第一级增益设为约100倍。 - 第二级差分放大：将第一级输出的差分信号转换为单端信号，并实现第二级增益，设为10倍。这样总增益约为1000倍。
- 参考电压：仪表放大器的REF引脚需要接一个参考电压，通常设为电源电压的一半（Vcc/2），这样放大后的信号能以这个电压为基准上下摆动，充分利用ADC的量程。我用一个电压跟随器从电阻分压网络获取稳定的Vcc/2。
注意：电路板布局必须非常讲究。模拟部分（放大电路）和数字部分（STM32）的电源要用磁珠或0Ω电阻隔离。模拟地（AGND）和数字地（DGND）在一点连接（通常是在电源入口处）。所有运放的电源引脚都必须紧挨着芯片放置去耦电容（0.1uF和10uF并联）。
3.2 滤波与陷波电路
- 带通滤波：在仪表放大器之后，我接了一个由运放构成的二阶有源带通滤波器，截止频率设为10Hz（高通）和500Hz（低通）。使用巴特沃斯或切比雪夫响应，在通带内提供相对平坦的增益。
- 50Hz陷波（关键！）：这是对抗工频干扰的“防火墙”。我设计了一个双T型有源陷波器，中心频率严格校准在50Hz。电阻电容的精度要求很高，最好使用1%精度的器件。实操心得：在实际焊接前，可以用万用表测量一下配对电阻和电容的阻值/容值，尽量让上下臂的RC乘积一致，这样陷波效果才深。调试时，可以用信号发生器输入一个50Hz正弦波，用示波器观察输出是否被极大衰减。
3.3 STM32最小系统与接口
这部分比较常规，但有几个点需要注意：
- ADC输入：sEMG信号经过放大滤波后是单端信号，直接接入STM32的某个ADC通道。注意输入电压范围不能超过ADC的参考电压（通常是3.3V）。我们的放大电路输出应设计成以1.65V（Vcc/2）为中心，幅值在±1V以内摆动。
- 电源：整个系统最好由锂电池供电，并通过低压差线性稳压器（LDO）如AMS1117-3.3产生稳定的3.3V。避免使用开关电源，其噪声可能干扰微弱的生物信号。
- 调试接口：务必引出SWD接口（SWDIO， SWCLK），这是用ST-Link下载和调试程序的唯一途径，比传统的JTAG占用引脚少。
4. 软件实现：从驱动到算法
软件部分我使用STM32CubeMX初始化，在Keil MDK中进行开发，采用HAL库以提高开发效率。
4.1 ADC与DMA配置
这是数据采集的“流水线”。
- CubeMX配置：
- 使能一个ADC（如ADC1）。
- 选择一个通道（如PA0），设置为单端输入。
- 配置ADC为“连续转换模式”（Continuous Conversion Mode）。
- 采样率：ADC时钟配置好，采样周期（Sample Time）设置为足够长以保证采样精度（如112 Cycles），在12位分辨率下，达到1Ksps的采样率完全没问题。
- 开启DMA：在DMA设置中，为ADC添加一个DMA请求，模式设为“循环模式”（Circular），数据宽度为半字（Half Word，对应16位数据）。
- 代码实现：
注意事项：DMA传输完成中断（HAL_ADC_ConvHalfCpltCallback 和 HAL_ADC_ConvCpltCallback）是处理数据的好地方。在这里设置标志位，通知主循环或任务去处理已经准备好的那半缓冲区数据，实现“乒乓操作”，避免处理数据时DMA覆盖了正在使用的缓冲区。// 在main.c中 #define ADC_BUFFER_SIZE 1024 // 缓冲区大小，最好是2的整数次幂，方便FFT uint16_t adc_buffer[ADC_BUFFER_SIZE]; int main(void) { HAL_Init(); SystemClock_Config(); MX_ADC1_Init(); MX_DMA_Init(); // 启动ADC的DMA传输 HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buffer, ADC_BUFFER_SIZE); while (1) { // 主循环，当DMA传输完成一半或全部时，处理数据 // 通常使用双缓冲区机制，一组给DMA用，一组给处理算法用 } }
4.2 数字信号预处理
ADC采集到的是包含直流偏置和噪声的原始数据。
- 去除直流偏置：计算一个缓冲区数据的平均值，然后每个采样点减去这个平均值。这相当于一个软件高通滤波器。
int32_t sum = 0; for(int i=0; i<BUFFER_SIZE; i++) sum += adc_buffer[i]; int32_t mean = sum / BUFFER_SIZE; for(int i=0; i<BUFFER_SIZE; i++) sEMG_raw[i] = (float)(adc_buffer[i] - mean) * 3.3f / 4096.0f; // 同时转换为电压值 - 软件陷波：如果硬件陷波效果不理想，可以再加一个数字陷波滤波器。我常用的是二阶IIR陷波滤波器，其传递函数需要根据50Hz和采样率1000Hz来设计系数。可以使用MATLAB的
fdatool设计滤波器，然后导出系数到C代码中。
4.3 FFT实现与平均功率频率计算
这是整个项目的算法核心。
- FFT库选择：STM32的DSP库（CMSIS-DSP）提供了高度优化的FFT函数，必须利用起来。在CubeMX中激活软件包
ARM::CMSIS-DSP，并在代码中包含arm_math.h。 - 应用窗函数：直接对数据进行FFT会产生频谱泄漏。我选用汉宁窗（Hanning Window）对时域数据加窗。
#include “arm_math.h” #define FFT_LEN 512 // 选择512点FFT，对应0.5秒数据（1000Hz采样率） float32_t input_buf[FFT_LEN]; float32_t fft_output[FFT_LEN*2]; // 输出是复数，实部虚部交错 float32_t mag[FFT_LEN/2]; // 幅度谱 arm_rfft_fast_instance_f32 fft_instance; // 初始化 arm_rfft_fast_init_f32(&fft_instance, FFT_LEN); // 1. 加窗 for(int i=0; i<FFT_LEN; i++) { input_buf[i] = sEMG_raw[i] * (0.5f - 0.5f * arm_cos_f32(2*PI*i/(FFT_LEN-1))); // 汉宁窗公式 } // 2. 执行FFT arm_rfft_fast_f32(&fft_instance, input_buf, fft_output, 0); // 3. 计算幅度谱 (只取前N/2个点) for(int i=0; i<FFT_LEN/2; i++) { float32_t real = fft_output[2*i]; float32_t imag = fft_output[2*i+1]; mag[i] = sqrtf(real*real + imag*imag); } - 计算平均功率频率（MPF）：
关键点：float32_t calculate_MPF(float32_t* mag_spectrum, uint16_t len, float32_t sample_rate) { float32_t sum_pf = 0.0f; float32_t sum_p = 0.0f; float32_t freq_bin_width = sample_rate / (float32_t)FFT_LEN; for(int i=0; i<len; i++) { float32_t power = mag_spectrum[i] * mag_spectrum[i]; // 功率谱密度近似为幅度平方 float32_t freq = i * freq_bin_width; // 可以限制频率范围，例如只计算10-200Hz内的MPF if(freq >= 10.0f && freq <= 200.0f) { sum_pf += power * freq; sum_p += power; } } if(sum_p < 1e-9) return 0.0f; // 避免除零 return sum_pf / sum_p; }sample_rate是你的采样率（1000 Hz），FFT_LEN是FFT点数（512）。计算出的MPF单位是Hz。
4.4 疲劳判断逻辑与系统集成
- 基线校准：系统启动后，让用户保持肌肉放松（或进行一段时间的标准收缩），采集几秒钟数据，计算初始的MPF值作为
MPF_baseline。 - 实时监测：在肌肉持续收缩过程中，每隔一定时间（如每0.5秒，对应一次FFT计算）计算当前的
MPF_current。 - 疲劳指数：计算下降百分比：
Fatigue_Index = (MPF_baseline - MPF_current) / MPF_baseline * 100%。 - 状态输出：
- 如果
Fatigue_Index < 15%， 状态为“良好”，RGB LED亮绿色。 - 如果
15% <= Fatigue_Index < 30%， 状态为“轻度疲劳”，RGB LED亮黄色。 - 如果
Fatigue_Index >= 30%， 状态为“重度疲劳”，RGB LED亮红色。 - 同时，可以通过串口将
MPF_current和Fatigue_Index实时发送到电脑，用串口绘图工具（如Serial Plotter）或自己写的上位机查看曲线，非常直观。
- 如果
5. 调试、问题排查与优化实录
做这个项目的过程中，我遇到了几乎所有嵌入式生物信号采集项目都会遇到的典型问题。
5.1 常见问题与解决方案速查表
| 问题现象 | 可能原因 | 排查步骤与解决方案 |
|---|---|---|
| 信号全是噪声，看不到肌电波形 | 1. 电极接触不良。 2. 硬件放大电路增益不足或失效。 3. 电源噪声巨大。 4. 50Hz工频干扰完全淹没信号。 | 1.检查电极：重新粘贴，确保皮肤清洁，导电膏充分接触。 2.电路板静态测试：输入一个已知的小信号（如1mV， 10Hz），用示波器逐级检查运放输出是否按预期放大。 3.电源检查：用示波器AC耦合档观察电源纹波，应在mV级别以下。加强电源滤波。 4.重点排查50Hz陷波：输入50Hz信号，测试陷波器输出是否近乎为零。调整RC参数。 |
| 信号有规律的大幅度跳变 | 1. 运动伪迹（电极线晃动）。 2. ADC参考电压不稳。 3. 数字部分噪声通过地线耦合。 | 1.固定导线：用胶带或绷带固定电极引线。 2.检查参考电压：测量ADC的VREF+引脚电压是否稳定。 3.检查地线布局：确保模拟地和数字地单点连接，且连接点粗短。 |
| FFT结果杂乱，MPF计算不稳定 | 1. 数据未去直流。 2. 未加窗函数或窗函数错误。 3. FFT点数与采样率不匹配，频率分辨率差。 4. 肌肉收缩不稳定，信号本身变化大。 | 1.确保已进行去直流处理。 2.确认代码中已正确应用汉宁窗或海明窗。 3.调整参数：增加FFT点数（如1024）可以提高频率分辨率，但会增加计算量和延迟。需权衡。 4.规范测试动作：让测试者进行匀速、恒定力度的收缩（如握力器）。 |
| 程序运行一段时间后卡死 | 1. 堆栈溢出。 2. DMA或中断冲突。 3. 浮点运算耗时过长，堵塞主循环。 | 1.增大堆栈大小（在启动文件或IDE中设置）。 2.检查中断优先级，避免嵌套过深或处理时间过长。 3.优化计算：将FFT和MPF计算放在低优先级任务中，或者使用DSP库的定点数FFT函数（ arm_rfft_q15）以提升速度。 |
| MPF下降趋势不明显 | 1. 肌肉尚未真正疲劳。 2. 信号质量差，噪声影响了频谱。 3. 特征指标选择问题。 | 1.延长收缩时间，诱导疲劳产生。 2.回头优化硬件电路和前级滤波，这是根本。 3.尝试结合其他特征，如中值频率（MF）、肌电信号的振幅（RMS）等，进行综合判断。 |
5.2 性能优化与扩展思路
- 降低功耗：如果考虑电池供电便携化，可以：
- 使用STM32的低功耗模式（Stop模式），定时唤醒采集数据。
- 降低主频，在满足计算需求的前提下。
- 关闭不用的外设时钟。
- 增加无线传输：集成一个蓝牙模块（如HC-05/ESP32）或Wi-Fi模块（ESP8266），将疲劳数据实时发送到手机App，实现可视化与历史记录。
- 算法升级：
- 尝试更先进的时频分析方法，如小波变换，可能对非平稳的肌电信号有更好的分析效果。
- 引入机器学习（如TensorFlow Lite Micro），在MCU端实现更智能的疲劳分类（轻、中、重度）。这需要先在电脑端训练好模型，然后量化、部署到STM32。
- 多通道扩展：可以设计多路采集电路，同时监测多块肌肉（如肱二头肌和肱三头肌），分析肌肉协同工作的疲劳情况。
这个项目从硬件焊接到软件调试，几乎涵盖了嵌入式开发的全流程。最大的体会是，生物信号采集项目，七分在硬件，三分在软件。前期在电路设计、PCB布局、滤波抗干扰上多花一分功夫，后期调试就能省去十分力气。当你在串口助手上看到随着肌肉持续用力，MPF曲线那条清晰的下滑线时，那种成就感是无与伦比的。它不仅仅是一个单片机程序，更是一个能与人体的生理状态进行对话的小小窗口。
本文还有配套的精品资源，点击获取
