制作一款无需摄像头的独立健身可穿戴设备，采用STM32和TinyML技术，通过智能触觉反馈实时纠正运动姿势

一切始于一个我不断在身边发现的常见问题——无论是亲密的朋友，还是我在健身训练的健身房圈子中。经过数周高强度的锻炼后，很多人都在问同一个问题：“我想要增肌的肌肉为什么没有增长，而那些我本意没想练的肌肉却反而变得酸痛?”

这个问题通常由不良的运动姿势引起，也就是健身爱好者常说的“动作不规范”。它是健身领域中一个隐形的敌人。只要姿势或动作角度出现细微偏差，就可能导致锻炼效果大打折扣，因为负荷会转移到错误的肌肉上。

更重要的是，后果可能非常严重。反复使用不正确的姿势举重会给身体造成不均匀的压力，并增加长期受伤的风险，从韧带撕裂到椎间盘突出(HNP)和神经受压等更严重的问题都可能发生。

不当操作背后的统计数据

这一担忧有坚实的科学证据支持。体育科学和公共卫生领域的研究强调了不良运动技术可能带来的严重后果：

•高受伤率：根据美国国立卫生研究院(NIH)发表的研究，超过50%的健身房相关伤害与过度用力和不正确的举重姿势有关。

•训练效率降低：生物力学研究表明，即使在侧举等孤立性练习中出现10至15度的轻微偏差，也可能使高达40%的机械负荷从目标肌肉(三角肌)转移至补偿肌肉，例如上斜方肌。

•专业指导可及性有限：根据ABC Fitness和Insurance Canopy的数据，约70%至80%的健身房会员选择不聘请私人教练进行训练，主要原因在于额外的费用。

解决方案

为了避免受伤和训练效果不佳的风险，理想的做法是聘请专业的私人教练(PT)。然而实际上，并非每个人都能负担每月定期接受指导的费用。

另一方面，基于计算机视觉的摄像头运动分析系统则带来了不同的挑战。对许多人来说，在公共健身房里架设三脚架并录制视频可能会感到尴尬和不适。此外，这还可能打扰到其他健身房成员，并引发隐私方面的担忧，尤其是女性用户，她们可能不希望被摄像头拍摄。

看到安全训练的需求、许多健身爱好者面临的经济限制，以及隐私日益重要之间的差距，我萌生了开发新解决方案的想法。

运动追踪设备并非全新概念。已有多个开发者探索过这一想法，但许多现有解决方案仍未能真正解决实际问题。有些系统只有在整个锻炼过程结束后才提供反馈，而无法在出现错误动作的瞬间即刻响应;还有一些系统仍依赖智能手机连接或网络接入才能正常运行。

在这个项目中，我采用了持续改进的方法：从现有概念出发，不断优化以更好地满足现实需求。目标是开发一个独立运行的智能助手，无需依赖摄像头或网络连接。该原型的主要重点在于评估系统检测异常行为模式并实时提供纠正反馈的能力。

通过将TinyML的高效性与精准目标监测方法相结合，本项目成为一项概念验证(PoC)。它证明了轻量级人工智能可以嵌入到一款紧凑、经济且隐私保护的设备中，为每个人提供更安全、更便捷的自主学习训练环境。

VibeCoach的功能与设计目标

作为概念验证(PoC)阶段开发的早期原型，VibeCoach围绕以下几个关键功能目标进行设计：

1. 设备端边缘推理(TinyML框架)

•测试目标：该系统旨在直接在设备上分析运动数据，无需依赖外部计算资源。

•技术方案：使用 Edge Impulse 训练并编译的轻量级神经网络模型被部署到 STM32 微控制器上。现阶段的主要目标是验证该模型在本地区分正确与错误运动模式的能力。

2. 实验性触觉反馈协议

•测试目的：该原型采用小型振动电机，可向用户即时反馈信息，无需外部显示屏。

•预设振动模式：固件设计支持两种响应场景：

•短时间断振动：用于表示与节奏相关的问题，例如重复动作执行过快。

•长时间持续振动：用于提示传感器检测到的关键姿态偏差。

3. 硬件级隐私架构

•已验证的功能：这是项目中最成熟的部分，代表了一个完全实现的设计决策，而非夸大其词。

•技术基础：该设备仅依赖MPU-9250，仅采集数值方向和运动数据。由于未使用摄像头或成像组件，系统从根本上保护隐私，非常适合在健身房等公共场所使用。

4. 离线独立架构

•测试目标：固件完全在微控制器的主循环中运行，无需Wi-Fi、互联网或云服务。

•预期效益：通过消除网络依赖，系统可降低延迟，并使性能完全取决于微控制器内部资源的优化。

5. 模块化设备布局概念

•实用设计：该设备设计紧凑便携，可连接弹性穿戴式表带。

•使用场景：根据所监测的运动，原型可以放置在不同的身体部位。例如：

•用于在深蹲时监测躯干倾斜情况的胸部传感器。

•在上臂处监测侧平举时的肩部位置。

•让我们先来一睹VibeCoach生态系统的系统架构。

项目概述

项目范围与重点(当前阶段)：在本原型开发阶段，TinyML运动分类模型被专门训练和优化，用于追踪侧平举动作，重点关注三角肌的正确动作执行。聚焦于这一特定复合动作，为VibeCoach框架提供了扎实的概念验证，确保在后续迭代中将训练数据扩展至其他健身动作时，仍能实现高精度的错误检测。

硬件选择理由

VibeCoach所使用的硬件经过精心挑选，以在处理性能、运动感应精度、便携性以及用户舒适度之间取得平衡。每个组件都承担着特定功能，共同支持项目目标——通过一款紧凑的独立设备提供实时的运动反馈。

• STM32F411CEU6(黑芯)——核心处理单元

STM32F411CEU6 被选为主要处理器，因为它在计算性能和能效之间提供了出色的平衡。该处理器基于 ARM Cortex-M4 架构，最高运行频率可达 100 MHz，并配备硬件浮点运算单元(FPU)，可显著加速 TinyML 推理所需的矩阵运算。

该微控制器配备512 KB的闪存和128 KB的SRAM，可提供足够的资源来存储AI模型运行时代码及支持库，包括ST7735图形驱动程序，且不会造成内存过度受限。

• MPU-9250 9轴IMU – 精密运动追踪

选择MPU-9250是因为力量训练涉及复杂的三维身体运动。与标准的6轴惯性测量单元不同，MPU-9250内置了磁力计，可提高姿态估计精度，并有助于减少随时间推移产生的漂移。

这使得固件能够将原始传感器数据转换为稳定的四元数表示(如 q0, q1, q2, q3)，从而更准确地检测运动过程中细微的体态偏差。

• ST7735 LCD 和 1×4 膜片键盘 – 独立式用户界面

为了支持独立设计目标，VibeCoach 采用基于 ST7735 的 1.8 英寸 TFT LCD 屏幕，并配备一个 1×4 膜片键盘。

这种组合使用户能够直接在设备上浏览菜单、选择运动模式(如深蹲或侧抬)并进行传感器校准，无需使用智能手机或电脑。

• RGB LED 和微型振动电机——多模态反馈系统

健身房通常环境嘈杂，因此系统采用视觉和触觉反馈，以确保提醒信息能够被注意到。

RGB LED遵循一个简单的交通灯概念：

•绿色：正确形式

•黄色：轻微偏差

•红色：显著的表单错误

•3–5伏的微型振动马达可提供即时触觉反馈，让用户在不离开锻炼动作的情况下纠正姿势。

• 250 mAh 锂电电池和 TP4056 USB-C 充电器——紧凑型电源管理

对于可穿戴设备而言，尺寸和重量至关重要。因此选择了3.7 V 250 mAh的锂聚合物电池，因为它在保持轻巧紧凑的同时提供了高能量密度。

充电由TP4056管理，可实现安全充电，并使设备符合现代USB-C充电标准。

系统架构与运营流程

软件与固件开发工作流程

引脚配置

为确保数字信号的稳定切换，并防止硬件噪声导致误触发，GPIO参数已在STM32CubeMX中进行了充分定制。对于用户输入接口，分配给1x4膜片键盘的输入引脚配置了内部上拉电阻。该设计无需在PCB上使用外部上拉电阻，从而在保持最小硬件占用面积的同时，确保引脚在未被按下时默认处于稳定的高电平状态。另一方面，驱动RGB LED通知通道和外设控制线的输出引脚设置为推挽模式，并采用中等输出速度特性。这种配置在主动运动提醒的快速、低延迟信号切换与可穿戴设备外壳内电磁干扰(EMI)最小化之间实现了最佳平衡。

为实现无数据瓶颈的完美实时手势追踪，I2C1外设被明确配置为快速模式，时钟频率为400 kHz。由于MPU-9250惯性测量单元持续流式传输9轴运动数据(加速度计、陀螺仪和磁力计)，使用标准I2C模式(100 kHz)会导致较高的延迟，从而影响TinyML引擎所需的时间序列窗口。通过将频率提升至400 kHz，并将占空比设置为平衡的2:1比例，STM32F411能够快速轮询传感器寄存器。这确保了供给Madgwick融合滤波器的数据流具有高度响应性，为边缘推理提供干净且连续的朝向四元数样本。

由于ST7735 LCD仅需MCU提供单向数据，SPI1外设被配置为只发送主模式。数据大小设置为8位，采用最高有效位在前的格式。使用8倍分频器时，波特率可达6.25 Mbps，可实现稳定的刷新率，确保实时菜单显示无画面撕裂现象。CPOL设置为低电平，CPHA设置为1个边沿(SPI模式0)，以匹配LCD驱动器的规格要求。

三个内部硬件定时器被配置为PWM生成模式，用于驱动VibeCoach的多模态反馈系统：

•TIM1 以 PWM 模式配置，用于控制触觉反馈振动电机。当 MCU 时钟为 50 MHz 时，将预分频器设置为 49，计数周期设为 999，可产生稳定的频率，从而根据形状误差的严重程度动态调节振动强度。

•TIM2 和 TIM3 用于驱动 RGB LED 指示灯的通道。通过在这些定时器上使用 PWM 输出，系统可以平滑地混合和调制红、绿、蓝三种颜色的亮度，从而在锻炼过程中提供即时的视觉提示。

USART外设主要用于开发阶段的调试和数据采集。它通过串行通信将STM32连接到Edge Impulse CLI数据转发器，从而可实时将原始IMU数据直接传输至Edge Impulse平台，用于数据集采样和模型训练。波特率已配置为能够处理连续的高频传感器数据流，避免数据包丢失。

时钟配置

为了在实时处理与功耗效率之间实现可持续的平衡，STM32F411 的系统时钟被有意设置为 50 MHz。由于 VibeCoach 是一款独立式可穿戴设备，由一块紧凑型 250 mAh 锂电池供电，若将微控制器运行在最大 100 MHz 频率下，将大幅缩短其工作时间。通过使用高速外部(HSE)晶振并精确调节相位锁定环(PLL)，50 MHz 的 SYSCLK 提供了最佳性能点。该频率为 ARM Cortex-M4 核心提供了充足的计算能力，使其能够流畅执行 Edge Impulse TinyML 推理循环，同时最大限度延长电池续航时间。与此同时，APB 前置分频器也被调整，以确保 I2C1 总线(配置为 400 kHz 快速模式，用于高频率 IMU 数据采集)和 SPI1 总线(用于 LCD 接口)获得稳定的时钟信号。SPI1 外设被配置为仅发送主模式，因为 ST7735 LCD 仅需 MCU 发送单向数据。数据大小设定为 8 位，采用最高有效位优先(MSB First)格式。使用8倍分频系数时，波特率设定为6.25 Mbps，可确保实时菜单渲染的刷新率稳定，避免画面撕裂。CPOL设置为低电平，CPHA设置为1个边沿(SPI模式0)，以匹配LCD驱动器的规格要求。由于ST7735 LCD仅需MCU提供单向数据，SPI1外设被配置为仅发送主模式。数据大小设置为8位，采用最高有效位优先格式。使用8倍分频系数时，波特率达到6.25 Mbps，可实现稳定的实时菜单渲染刷新率，避免画面撕裂。CPOL设置为低电平，CPHA设置为1个边沿(SPI模式0)，以符合LCD驱动器的具体规格要求。

项目经理

在生成初始化代码之前，已配置项目管理器设置，以优化STM32CubeMX与STM32CubeIDE之间的工作流程。工具链/IDE设置为使用最新固件包的STM32CubeIDE。关键的是，在代码生成器设置中，“重新生成时保留用户代码”选项已启用。这确保了每当外设配置被更新并重新生成时，用户在USER CODE BEGIN和END标签内编写的任何自定义代码都将保持不变。

STM32CubeIDE中的固件开发

在STM32CubeMX生成初始化代码后，将项目打开至STM32CubeIDE。编写主应用逻辑前的首要步骤是将所需的外部库集成到项目目录中，包括ST7735 LCD显示屏驱动、MPU-9250库以及Madgwick AHB融合滤波器的源文件。

•来自 GitHub 的 LCD ST7735 库

•来自 GitHub 的 MPU-9250 库

•Madgwick融合滤波器库，来自GitHub

为什么选择Madgwick滤波器?(算法原理)

像 MPU-9250 这样的 IMU 传感器在时间推移过程中，加速度计容易产生高频噪声，陀螺仪则会出现低频漂移。为了获得准确的朝向数据(四元数)，需要使用传感器融合算法。VibeCoach 采用 Madgwick 滤波器替代传统的卡尔曼滤波器，主要有以下两个原因：

•计算效率：卡尔曼滤波器需要进行复杂的矩阵乘法运算，会消耗大量CPU周期和内存。而马德吉克滤波器采用基于梯度下降的算法，并经过数学优化，因此在运行频率为50 MHz的ARM Cortex-M4微控制器上极为轻量。

•高精度低采样率：Madgwick算法即使在较低的采样频率下也能提供精确的方向估计。这种高效性有助于在250mAh锂聚合物电池上最大限度地降低耗电，同时仍可实现平滑、实时的运动姿势评估追踪。

校准功能

集成库之后，下一步是开发“参考姿态标定”程序，以对传感器数据进行归一化处理。

顺序数据流水线的运行方式如下：

原始IMU数据 > 马德吉夫滤波器 > 校准引擎(invQ)> 最终归一化数据

选择此校准方法是为了确保包容性。由于每位用户的体态和体型各不相同，硬编码的校准基准将无法适用。这种自适应方法可确保任何人使用VibeCoach时都能获得同等水平的准确度。

固件工作流程通过以下步骤进行：

•准备阶段：LCD 显示“准备就绪”2秒，以稳定马德吉克滤波器寄存器，同时允许用户进入初始位置。

•倒计时阶段：系统从3倒数到1。为了保持用户专注而不必看屏幕，一个非阻塞的触觉状态机会在每一秒倒数时触发一次短暂的200毫秒振动脉冲。

•采样与变换阶段：在倒计时期间，MCU 采集 300 个样本，以计算用户的平均正常方向基准线(q_base)。完成后，逆四元数函数(invQ)会持续将该基准线的共轭值与实时运动数据相乘。

这会将三维坐标系在数学上进行平移，以用户独特的起始姿势作为真正的原点(0°)。生成的干净输出即可直接输入Edge Impulse TinyML模型。

机器学习(Edge Impulse)

在STM32CubeIDE中完成IMU数据管道的搭建后，下一阶段将重点进行数据采集以及使用Edge Impulse进行机器学习开发。

Edge Impulse 主要因其在快速原型开发方面的高效性而被选中。该平台具备快速上手、直观的工作流程和无缝的工具链，能显著缩短在硬件受限环境下构建和部署 TinyML 模型的开发时间。

通过命令行和代码安装 Edge Impulse 并发送数据至 Edge Impulse

使用 Edge Impulse 开始数据收集的第一步是设置开发环境。由于我的工作站运行的是 Linux Mint，因此通过终端使用 Node.js 和 NPM 安装了 Edge Impulse 命令行工具。

确保已安装 node 和 npm

然后我们就可以安装边缘脉冲了

一旦配置好命令行工具后，STM32微控制器便通过USB转UART模块连接到电脑。执行以下操作：

通过在 Linux 终端执行命令，最终的定向数据会直接流式传输到 Edge Impulse Studio 的仪表板。一旦成功建立串行连接，我们就可以开始采集数据集以训练我们的 TinyML 模型。为此，在 MCU 端实现了特定的 UART 传输代码，用于将实时数据包转发至桌面电脑。

数据集获取与TinyML模型训练

一旦MCU成功连接到Edge Impulse Studio，数据采集过程便开始了。为了确保数据集的质量和有效性，我还从一位经验丰富的健身教练同事处采集了运动样本。

采用这种方法，使TinyML模型能够客观地从实际正确的形态中学习运动模式，同时增加数据的多样性，构建出训练类别高度鲁棒的数据集。

一旦数据集足够用于原型开发，下一步便是使用 Edge Impulse 构建脉冲设计，以最大限度地提高 TinyML 模型的效率。配置参数根据训练时人体生物力学的物理特性进行了精心选择：

•窗口大小(1000毫秒)与窗口增加量(100毫秒)：一个1秒的时间窗口非常适合捕捉训练动作重复中的单个阶段或动作转换。通过将短时间窗口增加量(步幅)设置为100毫秒，实现了高密度、连续的时间序列重叠。这确保了近乎即时的实时推断，使触觉反馈系统能够及时提醒用户，且无明显延迟。

•频谱分析(处理模块)：锻炼动作会产生周期性且重复的运动信号。频谱分析模块用于从四元数数据中提取频率和功率特征(通过FFT)。该模块在滤除原始信号噪声方面效果显著，能够有效区分稳定、受控的重复动作(正确姿势)与不稳、不规则的动作(肌肉疲劳或姿势错误)。

•分类(学习模块)：选择使用神经网络(Keras)分类模块，因为VibeCoach的最终目标是进行离散决策，将输入的归一化运动向量映射到不同的类别状态：空闲、错误动作或正确动作。

在完成脉冲设计中的超参数调整并优化神经网络训练配置后，TinyML模型的训练已成功完成。根据Edge Impulse Studio的评估结果，该模型达到了90.1%的较高准确率。

值得注意的是，这些结果是在一个早期原型阶段、使用相对较小的数据集获得的。然而，在此阶段实现超过90%的准确率表明，从Madgwick滤波器到逆四元数标定框架变换的信号处理流程，能够成功提供具有高度区分性的特征。这使得模型能够在实时情况下有效地区分不同的训练动作质量。

上图展示了 TinyML 模型在 Edge Impulse Studio 中的最终性能表现。该模型实现了 90.1% 的验证准确率和 0.27 的低损失，其性能指标如下：

•休眠状态检测(IDLE)：IDLE类在96.7%的准确率和0.97的F1分数下表现最优，确保系统在休眠期间保持稳定且无噪音。

•动作质量指标(正确动作 vs 错误动作)：正确动作姿势的识别准确率达到91.6%。与此同时，18.2%的错误动作数据集仍被错误地归类为正确动作。这种重叠在数据探索器的聚类图中清晰可见，其中一些红色标记(错误分类)与主要的青绿色簇相互混杂。

这一透明的评估突出了我们未来迭代的主要重点：通过增加更多种类的错误姿势样本来扩充数据集，以帮助神经网络建立更清晰的决策边界。

边缘AI部署与STM32集成

在达到满意的模型准确率后，最后一步是将人工智能模型直接部署到硬件上，实现设备端推理。TinyML 模型从 Edge Impulse 导出为一个 **C++ 库**(或 CMSIS-Pack)，然后将其集成回 STM32CubeIDE 项目中，使微控制器能够独立运行，无需依赖互联网连接或外部电脑即可完成离线运动分类。

通过 STM32CubeMX CMSIS-Pack 集成 TinyML 模型

在 Edge Impulse Studio 中完成模型训练后，最关键的一步是将人工智能模型部署到物理微控制器上，实现100%的离线运行。本项目中，我使用了从 Edge Impulse 导出并通过 STM32CubeMX 和 STM32CubeIDE 集成的 CMSIS-Pack(.pack)部署方式。相比传统的通用 C++ 库部署，选择 CMSIS-Pack 的主要优势在于其提供的无缝软件管理功能。CMSIS-Pack 是一个官方的软件扩展组件，可直接集成到意法半导体的代码生成环境中，从而极大简化了头文件路径配置，并自动解决硬件特定的库依赖问题。

设备端推理部署的工作流分为以下战术步骤：

从 Edge Impulse 导出 CMSIS-Pack：在 Edge Impulse Studio 的部署选项卡中，选择了 STM32 Cube.MX CMSIS-Pack 选项。该过程会将整个神经网络架构、频谱特征提取模块以及针对 ARM Cortex-M 架构优化的数学运算编译成一个统一的 .pack 分发文件。

在 STM32CubeMX 中安装软件包：打开 STM32CubeMX 软件，进入“软件包管理器”菜单 → 从本地...，以加载已下载的 .pack 文件。成功导入后，通过“选择组件”菜单激活 Edge Impulse 组件，并配置其在目标 MCU 硬件堆栈下运行。

自动生成代码：在CubeMX中勾选了组件包后，我点击“生成代码”按钮。STM32CubeMX会自动将全部AI推理库、文件头和数学依赖项注入到STM32CubeIDE的项目目录树中。这些库会被整齐地管理在外部组件文件夹下，同时不会影响主代码结构。

项目迁移至原生C++(main.cpp)：默认情况下，STM32CubeMX会以原生C语言(main.c)生成主应用程序入口点。但由于Edge Impulse推理SDK完全基于C++构建，我手动将main文件转换为main.cpp。这种直接迁移使得所有Edge Impulse类、结构体和数学函数都能在主循环中原生调用，彻底消除了对复杂外部封装文件的依赖。为确保基于标准C的STMicroelectronics硬件抽象驱动程序在G++编译器下能够完美编译，主要的硬件头文件被置于extern "C"链接块内。在该main.cpp架构中，invQ()引擎输出的校准后的3D姿态数据直接加载到信号缓冲区，并由run_classifier()函数处理，从而在检测到错误动作(wrong_move)时立即触发触觉电机实时反馈。

实时触觉与视觉反馈实现

为了在举重过程中实现即时姿势矫正，同时不干扰用户的专注力，tinyML.cpp 中的反馈架构基于两个先进的嵌入式核心：分数累积逻辑和非阻塞振动状态机。

控制逻辑通过以下系统工作流程运行：

1. 自适应得分累积系统：该系统避免了基于单个推理帧立即触发触觉反馈(这种机制极易受到瞬时信号噪声的影响)，而是引入了一个惩罚积分累加器(s_wrong_score)。当TinyML模型以置信度≥70%的分数标记出错误动作(wrong_move)时，得分将增加2分;反之，当用户纠正动作(correct_move)或切换至空闲状态时，得分则会优雅地减少1分，逐渐回归至零的基础水平。

2. 渐进式触觉反馈(PWM)：

触觉提示通过定时器1采用脉宽调制(PWM)进行调节，使振动的物理强度与用户操作错误的严重程度相匹配：得分4–7分(信息提示)时，会触发一次短脉冲，占空比较低(300/999)，作为温和的通知。

得分 8–11(中等警告)：释放两次独立的中等强度脉冲(550/999)，每次脉冲后有1.5秒的锁定/冷却时间。

得分 >= 12(强力修正)：强制进行3次强劲的振动冲击(820/999)，并严格设置3秒绝对冷却时间，以防止用户在放下或重新摆放重量时持续产生令人不适的振动。

3. 非阻塞架构执行：所有脉冲定时延迟和触觉冷却轨迹均通过tick评估函数(HAL_GetTick())处理，而非使用阻塞式延迟钩子。这种异步状态机模型确保在add_sensor_data()中后台的TinyML推理帧和连续数据采集每10毫秒保持活跃，彻底避免了CPU卡顿，并保障了采样频率的一致性。

4. 交互式视觉RGB反馈：教练或训练伙伴可通过视觉方式进行验证。计时器2和计时器3的外设通道驱动内置的RGB LED灯。在空闲状态下，LED保持熄灭;执行完美无误时(得分=0)，LED显示为纯绿色;当动作姿势出现轻微偏差并累积叠加时，LED变为蓝色作为警示提示;当错误达到高风险、易造成严重伤害的程度时，LED则变为纯红色。

整个数据处理生命周期都在主函数 add_sensor_data() 中进行协调管理。该函数在主循环中以精确的 10 毫秒间隔(HAL_Delay(10))持续执行。此时间窗口经过精心调整，以匹配我们 IMU 传感器的 78Hz 采样频率(每帧数据约 12.8 毫秒)。

通过引入这一次要限制，MCU 保持了高度稳定的处理开销，确保 TinyML 推理帧在时间范围内顺利完成，避免了串行缓冲区溢出或运动采样抖动的风险。

电源管理系统与可穿戴安全设备

为确保作为专用可穿戴设备的真正移动性，VibeCoach 采用紧凑型 3.7V 250mAh 锂聚合物电池供电，并通过通用 USB Type-C 接口，借助 TP4056 线性充电 IC 进行管理。锂化学体系的核心挑战在于其动态电压范围(从完全放电的 3.0V 到峰值充电时的 4.2V)，这超过了 STM32F411 ADC 引脚最大 3.3V 的模拟容差。

为解决这一硬件限制，我采用两个平衡的10kΩ电阻构建了一个分压网络。该配置在将电池工作电压传输至PA0(ADC1_IN0)引脚前，精确地将其电压降半，从而保护MCU免受过压削波的影响。

在软件架构方面，bsp_battery.cpp 模块经过严格优化，以保障整体系统性能，特别是防止 SPI 驱动的 ST7735 LCD 布局出现延迟问题：

•防阻塞缓存系统与预热：完整的原始ADC读取需要160毫秒的阻塞开销(32个样本乘以5毫秒延迟执行)。若直接在显示渲染流水线中运行，将导致严重的视觉闪烁。为解决此问题，引入了bsp_battery_force_init机制，在启动时通过main.cpp一次性预热数据缓存。主循环随后可直接从该非阻塞缓存内存中采样电池指标。

•频谱噪声抑制(平均值与EMA滤波)：主动式LCD SPI线路产生的高频电平纹波会污染原始ADC遥测数据。驱动器通过批量平均32个硬件采样来抑制该噪声。将此平均后的向量输入一个α值为0.15的EMA(指数加权移动平均)滤波器，从而生成一条极为平滑、无漂移的容量趋势线。

•双层滞后稳定：为防止屏幕显示指标在突发高电流下出现抖动或跳动，强制实施了双层软件滞后机制：对原始电压跟踪施加0.05V的限制，并对有源电池图形更新施加2%的门限。

原理图硬件集成

尽管VibeCoach框架目前仍处于原型设计阶段，但其组件间的连接已采用模块化和系统化的方式构建，在现阶段无需定制PCB即可实现高可靠性运行。所有硬件拓扑均以STM32F411微控制器为核心处理单元，负责传感器数据采集、TinyML模型推理、电源管理以及实时显示渲染任务。

结论

VibeCoach项目成功证明，边缘人工智能(Edge AI)和小型机器学习(TinyML)可以无缝集成到STM32F411等低功耗微控制器中，实现实时、完全离线的健身动作纠正。通过构建从自适应姿态校准到光谱特征提取的完整数据流水线，训练好的神经网络实现了高达90.1%的验证准确率。系统依托异步非阻塞的触觉状态机和优化的电池管理引擎，能够提供安全、即时的物理与视觉反馈，同时不会造成处理抖动或中断用户的锻炼流程。

本文编译自hackster.io