当前位置：首页 > news >正文

基于STM32与MPU6050的智能跌倒预警系统设计与实现

news 2026/9/1 8:18:59

1. 项目缘起：为什么我们需要一个智能跌倒预警系统？

大家好，我是老王，一个在嵌入式领域摸爬滚打了十多年的老工程师。这些年，我经手过不少智能硬件的项目，但让我感触最深的，还是那些能切实解决生活痛点、守护家人安全的设计。今天想和大家深入聊聊的，就是这个基于STM32和MPU6050的智能跌倒预警系统。

不知道大家有没有类似的经历？家里的长辈年纪大了，腿脚不那么利索，我们做子女的在外工作，心里总是悬着一块石头，生怕他们在家不小心摔倒，没人知道，错过了最佳的救助时间。我父亲前两年就有过一次在卫生间滑倒的经历，幸好当时家里有人，但那次之后，我就下定决心，要自己动手做一个靠谱的、能实时预警的装置。市面上虽然有一些成品，但要么价格昂贵，要么功能花哨不实用，要么就是报警延迟高、误报多。

所以，我的目标很明确：做一个成本可控、识别准确、报警及时，并且我自己能完全掌控从硬件到软件所有环节的系统。核心就是用STM32单片机做大脑，用MPU6050这个六轴传感器当“眼睛”来感知姿态变化，再通过ESP8266这样的WiFi模块把警报第一时间送到家人的手机上。这不仅仅是一个技术项目，更是一份给家人的安心保障。接下来，我就把自己从方案选型、硬件焊接、算法调试到云端联调的全过程经验，毫无保留地分享给大家，希望能给有同样想法的朋友一些实实在在的参考。

2. 核心方案选型：为什么是STM32+MPU6050+ESP8266这个组合？

做硬件项目，第一步也是最重要的一步就是定方案。方案选对了，后面开发能省一半的力气。当时我主要对比了市面上几种常见的组合，最终拍板用了STM32F103C8T6 + MPU6050 + ESP8266这个“黄金搭档”。下面我详细说说为什么这么选，以及我踩过的一些坑。

2.1 主控芯片：STM32F103C8T6，性价比之王

主控芯片是系统的心脏。我当时主要考虑了两个方向：一是Arduino这类开发板，二是更专业的STM32单片机。

Arduino UNO用起来确实简单，上手快，生态丰富。但我实测下来发现两个问题：一是处理复杂传感器数据（比如MPU6050的原始数据滤波、姿态解算）时，它的8位AVR内核有点力不从心，计算速度跟不上；二是它的外设和内存资源相对有限，我想同时跑跌倒检测算法、驱动OLED显示、还要处理WiFi通信，后期可能还要加其他传感器，Arduino就显得捉襟见肘了。

所以，我把目光投向了STM32。在STM32家族里，F103C8T6，也就是大家常说的“蓝莓派”或者“最小系统板”，绝对是性价比的代名词。基于ARM Cortex-M3内核，主频72MHz，拥有64KB Flash和20KB RAM，性能对于我们这个项目绰绰有余。更重要的是，它外设接口丰富，有多个I2C、SPI、UART接口，可以轻松连接MPU6050（I2C）、ESP8266（UART）和OLED屏幕（I2C）。而且，STM32的功耗控制得非常好，配合休眠模式，用一块小容量锂电池就能让设备待机很久，非常适合需要长期佩戴或放置的应用场景。

我最初也考虑过更高端的F4系列，带浮点运算单元（FPU），做数学运算更快。但仔细核算了成本和实际需求后，我发现F103C8T6完全够用。跌倒检测的阈值判断和简单滤波运算，用整型或者软件浮点就能搞定，没必要为了用不上的一点点性能提升而增加成本。对于个人DIY或者小批量产品来说，F103C8T6是不二之选。

2.2 姿态传感器：MPU6050，六轴数据一个都不少

跌倒检测的核心在于精准感知人体的姿态变化。这里的关键就是运动传感器。我主要对比了MPU6050和更简单的三轴加速度计（如ADXL345）。

ADXL345只能测量三个方向的加速度，价格更便宜。但它的局限性也很明显：无法感知旋转。想象一下，老人可能是缓慢坐下、弯腰捡东西，这些动作也可能产生较大的加速度变化，如果只用加速度计，很容易误判为跌倒。而MPU6050集成了三轴加速度计和三轴陀螺仪，能同时测量加速度和角速度。通过融合这两类数据，我们可以更准确地判断出人体是“有控制的动作”还是“失控的跌倒”。比如，跌倒时通常伴随着快速的姿态翻转（角速度突变）和着地时的冲击（加速度突变），而坐下则主要是垂直方向的缓慢变化。

MPU6050通过I2C接口通信，使用非常方便。市面上有大量现成的模块，价格也就十几块钱，还自带DMP（数字运动处理器）功能。DMP可以帮我们在传感器内部完成姿态解算，直接输出四元数或欧拉角，大大减轻了单片机的运算负担。不过，我这次为了把原理讲透，采用的是读取原始数据后在STM32里进行软件滤波和算法判断的方式，这样大家更能理解数据处理的整个过程。

2.3 通信模块：ESP8266，让报警插上网络的翅膀

检测到跌倒了，怎么把消息传出去？这是报警系统的“最后一公里”。我考察了三种方案：GSM短信模块（如SIM800C）、蓝牙模块（如HC-05/06）和WiFi模块（ESP8266/ESP32）。

GSM模块的优势是无需依赖本地网络，有手机信号就能发短信，适合户外或无WiFi环境。但它需要插SIM卡，产生持续的资费，而且发送短信有延迟，在信号不好的地方更慢。蓝牙模块传输距离短（通常10米内），需要手机一直在附近并保持连接，实用性打折扣。

ESP8266完美地解决了这些问题。首先，它成本极低，一个NodeMCU开发板或者ESP-01s模块不到十块钱。其次，它通过WiFi接入互联网，可以直接将报警信息推送到手机APP、微信、或者我常用的物联网平台（比如OneNet、阿里云IoT、或者自己搭建的服务器）。这种方式几乎是实时的，而且可以通过物联网平台的历史记录功能，查看设备状态和报警历史。最后，ESP8266本身就是一个功能强大的MCU，我甚至见过有人直接用ESP8266做主控，但为了系统稳定性和功能专一性，我还是选择让STM32做核心处理，ESP8266专心负责网络通信，两者通过串口（UART）交互，架构清晰可靠。

3. 硬件设计与焊接：从原理图到实物的关键一步

方案定下来，就要动手画图、打板、焊接了。这部分是硬功夫，细节决定成败。我结合自己画的原理图和PCB布局，给大家讲讲几个容易出问题的地方。

3.1 核心电路：电源是稳定性的基石

整个系统的供电设计是重中之重。我的设计是兼容USB 5V供电和3.7V锂电池供电。USB口进来是5V，而STM32和大部分传感器（如MPU6050、OLED）需要3.3V工作电压。这里就需要一个LDO（低压差线性稳压器），我选用的是经典的AMS1117-3.3。

这里有个坑要特别注意：AMS1117的输入输出端一定要接足够大的滤波电容。我在原理图中，在5V输入端并联了一个10uF的钽电容和一个0.1uF的陶瓷电容，在3.3V输出端同样并联了10uF和0.1uF的电容。别小看这些电容，它们能有效滤除电源纹波，防止MPU6050因为电源噪声导致数据跳动，也能让ESP8266在发射WiFi信号瞬间拉低电压时，系统不至于复位。我最初版本只用了0.1uF的小电容，结果ESP8266一联网，STM32就重启，折腾了好久才发现是电源问题。

对于MPU6050模块，它本身有内部稳压，模块的VCC引脚接3.3V或5V都可以。但为了统一和降低噪声，我建议直接接到STM32的3.3V电源上。它的I2C引脚（SDA, SCL）需要接上拉电阻，通常模块上已经集成，如果没有，自己需要在STM32这端接两个4.7kΩ到10kΩ的上拉电阻到3.3V。

3.2 传感器布局与焊接：位置影响数据准确性

焊接实物时，MPU6050模块的安装位置和方向很有讲究。这个模块应该牢固地固定在设备外壳内部，并且其坐标系需要与佩戴者身体坐标系对齐。通常的约定是：模块平放时，X轴指向右侧，Y轴指向前方，Z轴指向上方。如果设备是佩戴在腰间或胸前，就要确保模块的Z轴与人体垂直方向（重力方向）大致对齐，这样采集到的加速度数据才便于分析和设定阈值。

焊接MPU6050这类贴片封装的模块时，一定要用尖头烙铁，温度控制在350°C左右，使用质量好的焊锡丝。引脚间要避免连锡，焊完后最好用放大镜检查一下。STM32最小系统板如果是自己焊接，要特别注意晶振部分（通常8MHz），两个负载电容（一般是20pF）要尽量靠近晶振引脚，走线要短，这样可以保证时钟稳定。

ESP8266模块（比如ESP-01s）的焊接相对简单，主要是VCC、GND、TX、RX四个引脚。这里的关键是电平匹配：ESP8266模块的IO口是3.3V电平，而它的RX/TX引脚可以直接与STM32的3.3V UART引脚（PA9/PA10）连接。但要注意，STM32的UART在初始化时，也要配置成3.3V电平标准。如果使用5V电平的Arduino，中间就必须加电平转换电路，否则可能烧坏ESP8266。

4. 软件架构与核心算法：让单片机“看懂”跌倒

硬件是躯体，软件才是灵魂。这套系统的软件逻辑并不复杂，但要做到稳定、准确，需要在几个关键算法上下功夫。我的软件整体框架是基于裸机（无操作系统）的前后台系统，结构清晰，便于理解。

4.1 主程序流程：一个高效运转的循环

系统上电后，首先进行一系列的初始化：初始化系统时钟、GPIO、I2C（用于MPU6050和OLED）、UART（用于ESP8266）、ADC等。然后，初始化各个传感器，并尝试连接WiFi网络。之后，程序就进入一个无限循环的主循环。

在主循环中，程序以固定的频率（比如50Hz，即20ms一次）执行以下任务：

读取MPU6050数据：通过I2C读取加速度计和陀螺仪的原始数据。
数据预处理：对原始数据进行校准、滤波（例如使用简单的滑动平均滤波或一阶低通滤波），去除噪声。
执行跌倒检测算法：这是核心，后面会详细讲。
更新OLED显示：显示当前状态（如“正常”、“跌倒！”）、电池电量等。
检查报警状态：如果触发了跌倒报警，则启动蜂鸣器、闪烁LED，并通过串口向ESP8266发送指令，让其上报报警信息。
处理ESP8266的反馈：检查串口是否有ESP8266返回的网络连接状态或服务器应答信息。

此外，还需要利用定时器中断来实现精准的定时采样，确保数据采集的周期是稳定的。

4.2 跌倒检测算法：从简单阈值到状态机判断

最基础的跌倒检测算法就是合加速度阈值法。人体静止或正常活动时，三轴加速度的矢量和（即合加速度）约等于1g（重力加速度）。当发生跌倒时，身体会与地面或其他物体发生碰撞，产生一个远大于1g的冲击加速度。

// 读取三轴加速度，MPU6050的加速度计量程设为±2g时，转换公式 ax = AccX / 16384.0; // 单位：g ay = AccY / 16384.0; az = AccZ / 16384.0; // 计算合加速度 total_acc = sqrt(ax*ax + ay*ay + az*az); // 简单阈值判断 if (total_acc > FALL_THRESHOLD) { // FALL_THRESHOLD 通常设为 2.0g - 3.0g // 疑似跌倒 }

但单纯用这个阈值，误报率会非常高。比如快速挥手、拍打设备、甚至走路时的震动都可能超过阈值。所以必须引入更多判断条件。

我采用的是一个多条件状态机算法，大大提高了准确性：

冲击检测：合加速度超过一个较高的阈值（如2.5g），标记为“冲击状态”。
姿态判断：冲击发生后，立即检测设备当前的姿态。通过计算加速度在Z轴的分量（az）与合加速度的夹角（即与重力方向的夹角），可以估算出身体的倾斜角度。如果跌倒后身体平躺，这个角度会接近90度。
```
// 计算与重力方向的夹角（近似） angle = acos(fabs(az) / total_acc) * 180 / 3.14159; // 转换为角度 if (angle > 60) { // 如果倾斜角度大于60度 // 姿态符合跌倒特征 }
```
静止判断：在冲击和姿态变化之后，如果检测到身体在一段时间内（如2秒）几乎静止（合加速度接近1g，且角速度很小），则判定为跌倒后无法起身。
计时与确认：将以上条件按时间顺序组合起来。例如，在1秒内检测到“冲击” -> “姿态大幅变化” -> “持续静止”，则最终确认为跌倒事件，触发报警。

这个状态机算法能有效区分“跌倒”和“坐下”、“弯腰”等动作。坐下虽然也有姿态变化，但缺乏高速冲击；而剧烈运动虽有冲击，但后续没有长时间的静止状态。

4.3 数据滤波：给原始数据“降降噪”

MPU6050出来的原始数据是带有噪声的，直接使用会跳变得很厉害。必须进行滤波。对于嵌入式系统，计算资源有限，我推荐两种简单有效的滤波方法：

滑动平均滤波：取最近N个采样值的平均值作为输出。N越大，滤波效果越平滑，但延迟也越大。对于50Hz的采样率，N取5-10比较合适。

#define FILTER_NUM 5 float acc_buffer[FILTER_NUM] = {0}; int buffer_index = 0; float moving_average_filter(float new_value) { acc_buffer[buffer_index] = new_value; buffer_index = (buffer_index + 1) % FILTER_NUM; float sum = 0; for(int i=0; i<FILTER_NUM; i++) { sum += acc_buffer[i]; } return sum / FILTER_NUM; }

一阶低通滤波：这种滤波更“智能”，它更相信上一次的输出值，只按一定比例吸收新的采样值。参数α（0<α<1）决定了平滑程度，α越小越平滑，但响应越慢。

float filtered_data = 0; // 上一次滤波输出 float alpha = 0.2; // 滤波系数 float low_pass_filter(float new_sample) { filtered_data = filtered_data + alpha * (new_sample - filtered_data); return filtered_data; }

在实际项目中，我通常对加速度和角速度数据分别进行低通滤波，效果非常不错。

5. 网络通信与报警实现：从设备到手机的“一键呼叫”

跌倒事件被确认后，如何把“救命信息”送出去？这就是ESP8266大显身手的时候了。我的设计是，STM32通过串口给ESP8266发送指令，ESP8266负责连接WiFi，并将报警信息打包成HTTP请求或者MQTT消息，发送到云平台。

5.1 ESP8266的配置与AT指令

ESP8266模块一般有两种用法：一是直接用SDK开发，把它当主控；二是使用AT指令模式，把它当做一个WiFi透传模块。为了简化STM32端的逻辑，我选择了AT指令模式。上电后，STM32需要发送一系列AT指令来配置ESP8266：

测试通信：AT，期待返回OK。
设置模式：AT+CWMODE=1，设置为Station模式（连接路由器）。
连接WiFi：AT+CWJAP="你的WiFi名","密码"，返回WIFI CONNECTED和WIFI GOT IP才算成功。
连接服务器：这里以HTTP POST到OneNet平台为例。AT+CIPSTART="TCP","api.heclouds.com",80，建立TCP连接。
发送数据：先发送AT+CIPSEND=长度，告诉模块要发送的数据长度，然后等待模块返回>提示符，再发送实际的HTTP报文。

这些AT指令的发送和响应解析，需要在STM32上用串口中断小心翼翼地实现。一个常见的坑是指令响应等待超时。网络状况不好时，CWJAP连接可能需要好几秒，STM32发送指令后必须设置足够的等待时间，并做好重试机制。我的做法是，在主循环初始化阶段完成WiFi连接，连接成功后就不再断开，一直保持TCP长连接，这样报警时发送数据速度最快。

5.2 云端平台与手机端展示

云端平台我选择的是中国移动OneNet，因为它对个人开发者比较友好，有免费的额度，文档也齐全。在OneNet上创建一个产品和一个设备，拿到设备的API Key和设备ID。

当跌倒报警触发时，STM32会组织一个JSON格式的数据包，比如：

{"fall_detected": 1, "timestamp": "2023-10-27 14:30:05"}

然后通过ESP8266以HTTP POST请求发送到OneNet提供的API地址。OneNet平台接收到数据后，可以触发“数据流”事件。

更关键的一步是告警推送。OneNet平台支持“触发器”功能，可以设置当fall_detected这个数据流的值变为1时，自动向指定的URL发送一个HTTP请求。这个URL可以是一个第三方推送服务，比如“Server酱”（发送微信消息）、“Bark”（发送iOS通知），或者你自己搭建的一个简单的短信网关接口。

以Server酱为例，你可以在触发器里配置Webhook，将报警事件转发到Server酱的API。Server酱就会给你的微信发送一条模板消息，内容可以是：“警告：家中老人可能发生跌倒！时间：2023-10-27 14:30:05”。这样，家人无论在何处，只要微信在线，就能立刻收到提醒。

6. 系统调试与优化：让系统从“能用”到“好用”

代码写完、硬件焊好，只是万里长征第一步。接下来的调试才是真正考验耐心和细心的环节。我把自己调试过程中遇到的几个典型问题和优化方法分享出来。

6.1 MPU6050数据校准与阈值标定

MPU6050传感器存在零偏误差，也就是说，即使静止平放，读出来的加速度和角速度也不完全是零。这会导致计算出的姿态角有漂移。因此，上电后的校准步骤必不可少。

我的校准方法是：设备通电后，在启动后的前5秒内，要求设备必须保持绝对静止且水平放置。在这段时间里，程序连续采样加速度和陀螺仪数据各几百次，分别求平均值，这个平均值就是零偏误差。之后的所有采样值，都要先减去这个零偏值，再进行后续计算。

// 简易校准示例 for(int i=0; i<500; i++) { MPU6050_ReadRawData(&ax_raw, &ay_raw, &az_raw, &gx_raw, &gy_raw, &gz_raw); ax_bias += ax_raw; // ... 累加其他轴 delay(10); } ax_bias /= 500; // 得到加速度零偏 // 陀螺仪零偏同理

阈值的标定则需要真人测试。没有绝对通用的阈值。你需要让测试者（模拟老人）佩戴设备，进行一系列日常活动（慢走、快走、坐下、起立、弯腰）和模拟跌倒动作。用串口打印出合加速度、姿态角等关键数据，观察这些动作对应的数据范围。最终，将跌倒检测的冲击阈值设定在能涵盖所有跌倒测试数据，同时又远高于日常活动数据的一个安全值上。这个过程可能需要反复调整。

6.2 降低误报与功耗优化

误报是这类系统最头疼的问题。除了优化算法，还可以从硬件和逻辑上增加防误报机制：

增加手动取消按钮：设备上设一个按键，报警触发后，如果老人意识清醒，可以长按此键取消报警，避免误报打扰家人。
两级报警机制：首次检测到疑似跌倒，先启动本地蜂鸣器温和提醒（比如“嘀嘀”声），持续10秒。如果在这期间没有按键操作确认安全，则判定为确认跌倒，启动尖锐警报并发送网络报警。
环境信息辅助判断：如果条件允许，可以增加一个毫米波雷达传感器或红外传感器，用来检测人体微动。在MPU6050触发报警后，再用雷达确认人体是否真的长时间静止倒地，可以极大降低误报。

功耗优化对于电池供电的设备至关重要。STM32F103有丰富的低功耗模式。在正常监测状态，我们可以让系统以较低频率运行（比如10Hz采样）。当长时间没有检测到大幅运动时，可以让STM32进入睡眠模式，由MPU6050的中断引脚来唤醒。MPU6050本身可以配置为运动中断模式，当加速度超过某个阈值时，其INT引脚会产生一个上升沿，这个信号可以连接到STM32的外部中断引脚，从而把STM32从睡眠中唤醒，进入全速检测状态。这样一来，在老人静止休息时，系统耗电极低，可以大幅延长续航。