2、运动健康算法基础：常见运动健康指标与传感器原理
好，咱们进入正题。这一章我打算聊聊运动健康算法里最基础的东西——那些你天天打交道的指标和传感器。说白了，就是心率、步数、卡路里这些数据到底怎么来的，以及加速度计、陀螺仪、PPG这些传感器在背后干了什么活。
我刚开始做嵌入式健康算法那会儿，总觉得这些指标很简单。不就是读个数嘛？后来踩了不少坑才明白——传感器是物理世界的翻译官，算法才是那个让翻译不出错的编辑。你想想看，一个加速度计输出的原始数据，跟最终显示在屏幕上的“您已走了5000步”，中间差了十万八千里。
核心观点：运动健康算法的本质，是从噪声中提取信号，从物理量中推断生理量。传感器负责采集，算法负责解释。
2.1 常见运动健康指标
2.1.1 心率（Heart Rate）
心率，说白了就是心脏每分钟跳多少次。正常成年人静息心率在60-100 bpm之间。但我在项目中遇到过一个问题——很多用户戴着设备睡觉，心率掉到40多，就开始疯狂报错。其实对于经常运动的人，静息心率40多完全正常。
心率检测有两种主流方式：
- PPG（光电容积描记法）：通过光传感器检测血管容积变化。这是手环、手表的主流方案。
- ECG（心电图）：通过电极检测心脏电信号。更准，但需要更多电极，不适合日常佩戴。
嗯，这里要注意——PPG心率在运动状态下很容易被运动伪迹干扰。我做过一个测试，跑步时PPG心率跟胸带ECG对比，误差能到±15 bpm。所以算法里一定要加运动补偿。
我的经验：PPG心率算法里，最关键的三个参数是采样率（建议25Hz以上）、窗口长度（建议8-10秒）、以及运动噪声检测阈值。这三个调好了，准确率能提升一大截。
2.1.2 步数（Step Count）
步数可能是最“简单”的指标，也是最容易出错的。你想想看，用户甩一下手算不算一步？坐车颠簸算不算？
步数检测的核心逻辑其实就三步：
- 检测加速度峰值——走路时脚落地会产生一个明显的加速度冲击。
- 判断步态周期——正常走路时，加速度波形有规律的高低起伏。
- 过滤伪步——把抖动、颠簸等非步行信号剔除。
我曾经踩过一个坑——把加速度计放在裤兜里和拿在手里，步数检测结果能差30%。后来我加了一个设备姿态识别模块，根据加速度的静态分量判断设备是水平还是垂直，再调整检测阈值。效果立竿见影。
避坑指南：步数算法里最常见的错误是“过零检测法”——就是数加速度波形穿过零点的次数。这个方法在走路时还行，但遇到跑步、上下楼梯就完全失效了。我建议用峰值检测+周期约束，效果稳定得多。
2.1.3 卡路里（Calorie）
卡路里计算，说实话，是所有指标里最“虚”的一个。为什么？因为卡路里消耗跟人的体重、年龄、性别、心率、运动强度、甚至当天的代谢状态都有关系。你不可能用一个公式算准所有人的卡路里。
常见的卡路里估算公式：
| 方法 | 公式 | 精度 | 适用场景 |
|---|---|---|---|
| 基于步数 | 卡路里 = 步数 × 步长 × 系数 | 低（±30%） | 日常步行 |
| 基于心率 | 卡路里 = (心率 - 静息心率) × 体重 × 时间 × 系数 | 中（±20%） | 有氧运动 |
| 基于加速度 | 卡路里 = ∫(加速度幅值) dt × 系数 | 中低（±25%） | 通用 |
| 组合模型 | 融合心率+加速度+个人信息 | 较高（±15%） | 专业运动 |
我个人习惯用心率+加速度融合模型。心率反映代谢强度，加速度反映运动幅度，两者互补。但要注意——心率滞后于运动强度约30-60秒，所以做实时卡路里计算时，一定要做时间对齐。
2.2 传感器原理
2.2.1 加速度计（Accelerometer）
加速度计，说白了就是测量物体加速度的传感器。在运动健康设备里，它是最核心的传感器之一。
工作原理其实不复杂——内部有一个微小的质量块，当设备加速时，质量块会偏移，通过检测这个偏移量就能算出加速度。常见的加速度计有MEMS（微机电系统）类型，体积小、功耗低，非常适合嵌入式设备。
关键参数：
- 量程：常见±2g、±4g、±8g、±16g。走路用±2g就够了，跑步建议±4g以上。
- 采样率：步数检测25-50Hz，活动识别50-100Hz。
- 噪声密度：越低越好，一般要求< 200 μg/√Hz。
我在项目中遇到过一个问题——加速度计输出的原始数据里，有一个重力分量。也就是说，即使设备静止不动，Z轴也会输出1g（约9.8 m/s²）。这个分量在做步数检测时必须滤掉，否则算法会误判。
实用技巧：用高通滤波器（截止频率0.5-1Hz）可以去掉重力分量。我常用的是一阶IIR高通滤波器，计算量小，效果也不错。
2.2.2 陀螺仪（Gyroscope）
陀螺仪测量的是角速度，也就是设备转动的快慢。单位是°/s（度每秒）。
跟加速度计配合使用，可以判断设备的姿态。比如：
- 加速度计告诉你设备是水平还是垂直
- 陀螺仪告诉你设备在旋转
- 两者融合，就能知道设备在空间中的完整姿态
嗯，这里有个坑——陀螺仪有零偏漂移。也就是说，即使设备静止不动，陀螺仪输出也不是0，而是一个缓慢变化的小值。如果不做校准，积分出来的角度会越偏越远。
我曾经做过一个实验：把设备放在桌上静止10分钟，陀螺仪积分出来的角度漂移了30多度。所以，陀螺仪数据一定要做零偏校准，而且最好在算法里加一个静止检测逻辑，检测到静止时就自动归零。
2.2.3 PPG（光电容积描记法）
PPG，全称Photoplethysmography，中文叫光电容积描记法。它是目前可穿戴设备测心率的主流方案。
原理其实很简单——用LED发出绿光或红光照射皮肤，然后用光电传感器检测反射回来的光强。心脏跳动时，血管里的血液容积会周期性变化，导致反射光强也跟着变化。这个变化信号就是PPG信号。
关键点：
- 波长选择：绿光（520-560nm）穿透力适中，对血液吸收好，是运动场景的首选。红光（660nm）和红外光（940nm）穿透力更强，适合血氧检测。
- 采样率：心率检测建议25-50Hz，心率变异性（HRV）分析建议100Hz以上。
- LED驱动：要注意电流不能太大，否则会烫伤皮肤。一般控制在10-50mA。
避坑指南：PPG信号最怕两样东西——环境光干扰和运动伪迹。环境光可以用差分检测或屏蔽设计来解决。运动伪迹就比较棘手了，我建议用加速度计信号做参考，通过自适应滤波把运动噪声去掉。这个方法我在一个手环项目里用过，心率检测准确率从70%提升到了92%。
2.3 传感器融合：1+1 > 2
单独用加速度计、陀螺仪或PPG，都有各自的局限性。但把它们融合起来，效果就完全不一样了。
举个例子：
- 加速度计可以检测运动强度，但分不清是走路还是骑车
- 陀螺仪可以检测姿态变化，但分不清是主动运动还是被动颠簸
- PPG可以检测心率，但运动时噪声大
三者融合后：
- 用加速度计+陀螺仪判断运动类型（走路、跑步、骑车、静止）
- 根据运动类型调整PPG的滤波参数
- 用加速度计信号做运动噪声参考，从PPG信号中去除运动伪迹
我做过一个对比测试：单独用PPG测运动心率，误差±15 bpm；加上加速度计辅助后，误差降到了±5 bpm以内。这就是融合的魅力。
总结一下：运动健康算法的核心，不是把传感器数据读出来就完事了。你得理解每个传感器的物理特性、噪声来源、以及它们之间的互补关系。只有把传感器当成一个整体系统来设计，才能做出真正好用的运动健康产品。
下一章，我会聊聊这些传感器数据在嵌入式端怎么处理——包括滤波、特征提取、以及如何在资源受限的MCU上跑算法。到时候我会分享一些具体的代码实现和性能优化技巧。