基于Arduino与BioAmp传感器的心电信号采集与可视化系统搭建指南

1. 项目概述：从零构建你的个人心电图仪

如果你对生物电信号、可穿戴健康设备或者开源硬件感兴趣，但又觉得医疗级的ECG设备昂贵且封闭，那么这个项目就是为你准备的。我将带你一步步使用一块比糖果还小的传感器——Heart BioAmp Candy，配合几乎人手一块的Arduino开发板，搭建一套属于你自己的、能够采集并可视化心电信号的系统。这不仅仅是简单的连线，我会深入拆解背后的原理，比如为什么需要仪器放大器，如何对抗无处不在的50Hz工频干扰，以及如何从嘈杂的原始信号中提取出清晰的心跳R波。无论你是生物医学工程的学生、创客，还是对生理信号监测有好奇心的开发者，这套方案都能让你亲手触摸到心脏跳动的电信号，并将其转化为屏幕上直观的波形。整个过程成本可控，代码开源，最重要的是，你能透彻理解每一个环节“为什么”要这么做。

2. 核心硬件解析与选型逻辑

2.1 Heart BioAmp Candy：不只是个传感器

Heart BioAmp Candy的核心，是一个高度集成的生物电信号调理前端。把它简单理解成一个“传感器”是低估了它。实际上，它内部完成了最棘手的三件事：差分放大、带通滤波和右腿驱动。

首先，人体体表的ECG信号极其微弱，幅度通常在0.5到5毫伏之间，而且淹没在比它强大得多的噪声里（比如肌电信号、运动伪影）。差分放大是第一步，它通过测量IN+和IN-两个输入电极之间的电位差，同时抑制两个电极上共有的噪声（共模噪声），比如来自电源的50Hz干扰。BioAmp Candy内部使用的仪器放大器，其共模抑制比（CMRR）是关键指标，值越高，抗干扰能力越强。

其次，心电信号的有效频率范围大致在0.05Hz到150Hz之间，其中包含诊断信息的主要能量集中在0.5Hz到40Hz。BioAmp Candy内置的主动带通滤波器，会无情地将这个频带之外的信号衰减掉。高通滤波（比如0.5Hz）用于去除因呼吸、电极缓慢极化产生的基线漂移；低通滤波（比如40Hz或更高）则用于滤除高频肌电噪声。这个设计决定了你最终看到波形的“干净”程度。

最后，右腿驱动电路是一个精妙的主动降噪技术。它通过REF（参考）电极，向人体注入一个与检测到的共模噪声相位相反的信号，从而主动抵消噪声，而不是被动抵抗。这能进一步提升信号质量。所以，当你连接那三根线（IN+, IN-, REF）时，实际上是在构建一个完整的、专业的生物电测量系统。

注意：务必区分VCC和GND。Heart BioAmp Candy的工作电压是5V，接反或接错可能会永久损坏这块精致的板子。在接通电源前，花十秒钟再次确认连线，这个习惯能为你省下不少时间和金钱。

2.2 Arduino的选型：为什么是Uno R4？

原文推荐了Arduino Uno R4，这里我详细解释一下背后的考量，以及如果你手头有其他板子该如何抉择。

核心需求是ADC（模数转换器）。BioAmp Candy输出的是模拟电压信号，需要ADC将其转换为数字量。Uno R4的ADC分辨率是14位。这是什么概念？对于5V的参考电压，14位ADC能分辨的最小电压变化是 5V / 2^14 ≈ 0.305毫伏。而我们的ECG信号幅度在毫伏级，这个分辨率足以捕捉到波形的细微变化。相比之下，经典的Uno R3是10位ADC，最小分辨率约4.9毫伏，对于ECG来说就粗糙了很多，可能会丢失细节。

其次是兼容性与生态。Uno R4保持了经典的接口布局和5V逻辑电平，与大量扩展板和教程兼容。其采用的RA4M1处理器性能也更强，为未来可能增加的更复杂的实时滤波算法留出了余地。

如果你没有Uno R4怎么办？

1. 其他5V/3.3V的Arduino板：如Arduino Nano、Leonardo等，只要ADC位数在12位或以上（如Arduino Due的12位ADC），都可以使用。但需注意，3.3V系统的板子（如大多数ESP32、Arduino Zero）需要确认BioAmp Candy的输出信号幅度是否在0-3.3V范围内，避免饱和。通常，传感器输出会设计为兼容两种电压。
2. ESP32系列：这是一个强大的替代品。它内置蓝牙和Wi-Fi，可以直接无线传输数据到手机或电脑，摆脱线缆束缚。但你需要自己编写数据传输和可视化端的代码，例如通过WebSocket发送到网页。对于想深入物联网整合的开发者，这是绝佳选择。

关于“必须用笔记本”的深层原因：文中强调必须使用笔记本电脑而非台式机，核心在于接地与隔离。台式机通常使用三芯电源线，其机箱地与大地直接相连，容易形成地环路，引入强大的50Hz工频干扰。笔记本电脑由电池供电，与交流电源是隔离的，极大地减少了这种干扰。这是生物电测量中一个非常经典且重要的实践经验。

3. 皮肤准备与电极放置：信号质量的基石

3.1 皮肤准备：被忽视的关键步骤

很多人会迫不及待地贴上电极，但糟糕的皮肤接触是信号噪声的主要来源。皮肤最外层的角质层是死细胞，电阻很高，有时可达几百千欧姆。我们的目标是降低这个皮肤-电极阻抗。

Nuprep凝胶的原理与正确用法：Nuprep是一种温和的磨砂导电凝胶。里面的磨料（通常是极细的硅或氧化铝颗粒）在轻轻摩擦时，能物理性地去除部分角质层。同时，凝胶中的电解质提供了离子通道。正确做法是：在电极放置点（通常是腕部、脚踝）用Nuprep凝胶画圈摩擦约20-30秒，直到皮肤微微发红（表明角质层被去除，真皮层微循环增加），然后用湿巾彻底擦净并晾干。这一步能将阻抗降低一个数量级，从几百千欧降到几十千欧甚至更低。

如果没有专业凝胶？可以用酒精棉片反复擦拭，也能去除油脂，但降低阻抗的效果不如Nuprep。切记不要用水，水蒸发后可能留下杂质，反而增加噪声。

3.2 电极放置方案详解与对比

文中给出了两种方案：湿电极（凝胶电极）和干电极（BioAmp Band）。我根据实测经验来详细对比。

方案一：标准湿电极（凝胶电极）这是临床金标准，信号质量通常最好。

• 导联方式：这里采用的是简化版的爱因托芬三角肢体导联。将两个测量电极（IN+, IN-）分别置于左右手腕，参考电极（REF）置于右脚踝。这构成了一个近似的一号导联（I），主要反映心脏水平面的电活动。
• 实操要点：
  1. 毛发处理：如果放置点有毛发，最好剃除，否则电极无法与皮肤充分接触。
  2. 电极粘贴：撕开背胶后，将电极中心导电凝胶部分对准准备好的皮肤区域，从一侧向另一侧抚平粘贴，避免留下气泡。
  3. 线缆管理：将电极线顺着手臂方向用胶布或绑带稍作固定，避免突然的拉扯导致电极移位产生运动伪影。

方案二：干电极与BioAmp Band这种方式更便捷，适合快速演示或可穿戴设备原型。

• 工作原理：BioAmp Band是一个腕带，上面集成了三个金属干电极。干电极直接与皮肤接触，无需导电凝胶。但其接触阻抗较高，且对压力、汗液敏感。
• 电极凝胶的作用：文中提到在干电极上滴一滴电极凝胶，这实际上是将干电极临时变成了湿电极！这能显著改善接触，是提升信号质量的实用技巧。
• 放置位置：将腕带戴在左手腕，确保三个电极片（对应IN-, IN+, REF）与皮肤接触良好。这种单臂放置方式信号幅度可能比双腕方案小，但足以检测出清晰的R波。

如何选择？

• 追求最佳信号质量、进行定量分析：选方案一（湿电极）。
• 追求便捷、快速演示、或进行心率变异性（HRV）的R波检测：方案二（干电极+凝胶）完全够用。
• 一个常见误区：认为REF电极不重要。REF是右腿驱动电路的回路，也是整个测量系统的参考地。它的接触不良会直接导致整个系统噪声激增，必须确保其粘贴牢固。

4. 固件上传与CHORDS可视化平台实战

4.1 Arduino固件深度解析

从Upside Down Labs的GitHub仓库获取的固件，其核心任务非常简单：以稳定的速率读取A0引脚的模拟值，并通过串口发送出去。但魔鬼在细节中。

// 示例代码核心逻辑（非完整代码） void setup() { Serial.begin(115200); // 初始化串口，高速率以减少数据传输延迟 } void loop() { int sensorValue = analogRead(A0); // 读取14位ADC值（0-16383） Serial.println(sensorValue); // 以文本形式发送，末尾换行 delay(2); // 控制采样间隔，约500Hz采样率 }

关键参数解析：

• 串口波特率115200：这是速度和稳定性的平衡。太低会导致数据拥堵，可视化滞后；太高在某些老电脑上可能不稳定。
• 采样率：通过delay(2)粗略控制，加上代码执行时间，采样率大约在500Hz左右。根据奈奎斯特采样定理，这足以无失真地采集最高250Hz的信号，完全覆盖ECG的主要频率成分。你可以调整这个延迟来改变采样率，但需要与CHORDS的接收端匹配。
• 数据格式：固件通常发送纯数字加换行符。这种格式简单，易于任何串口绘图工具或自定义程序解析。

上传注意事项：

1. 在Arduino IDE中，务必在工具 -> 开发板中选择正确的型号“Arduino Uno R4”。
2. 在工具 -> 端口中选择识别到的COM口（Windows）或/dev/cu.usbmodemXXX（Mac）。
3. 如果使用其他板子，可能需要修改固件中的引脚定义或采样逻辑。

4.2 CHORDS平台全功能指南

CHORDS是一个为生物信号量身定制的Web工具，比通用的串口绘图仪强大得多。

连接与基础可视化：

1. 打开https://chords.upsidedownlabs.tech。
2. 点击“Visualize Now”，然后点击“Connect”。
3. 在弹出的串口连接对话框中，选择你的Arduino对应的端口，波特率通常会自动匹配（115200）。
4. 连接成功后，你应该立即看到波形滚动出现。初始可能噪声很大，保持身体静止，观察几秒钟。

高级功能实战应用：

1. 冻结与测量：点击“Freeze Stream”，波形会静止。你可以用鼠标拖动选择一段波形，CHORDS会显示该区域的最大值、最小值、平均值和峰峰值。这是测量R波幅度（从基线到R波峰顶）和RR间期（相邻R波峰值的时间差）的利器。
2. 数据记录：点击“Record”开始录制，进行一段时间的测量（如1分钟静息心率）后点击“Stop”，然后可以“Save”为CSV文件。这个文件可以用Excel、Python（Pandas, Matplotlib）或MATLAB进行更深入的分析，比如计算平均心率、绘制RR间期散点图（Poincaré plot）用于心率变异性分析。
3. 缩放与滚动：使用鼠标滚轮可以缩放时间轴，拖拽可以平移。这对于仔细观察单个心跳的波形构成（P波、QRS波群、T波）非常有用。
4. 滤波器调节（如果CHORDS版本支持）：有些版本提供了软件滤波选项，你可以尝试启用50Hz陷波滤波器来进一步抑制工频干扰。

信号解读：一个正常的心电波形在CHORDS上应该能看到周期性的、尖锐向上的“R波”（QRS波群中最突出的部分），前面可能有一个小的“P波”，后面跟着一个更宽的“T波”。如果R波清晰、节律整齐，说明你的系统工作良好。

5. 信号优化与高级故障排除

即使按照步骤操作，最初看到的信号也可能像一团乱麻。别急，生物电测量就是与噪声斗争的过程。下面是我从无数次失败中总结出的排查清单。

5.1 四级噪声排查法

按照从易到难的顺序，系统地检查：

第一级：环境与身体状态

• 症状：波形基线缓慢上下漂移或大幅跳动。
• 排查：确保测试者静坐放松，避免说话、吞咽或身体移动。远离电脑风扇、电源适配器、手机等潜在干扰源。确保笔记本电脑使用电池供电，并拔掉充电器。
• 技巧：让测试者将手肘放在桌面，前臂放松，可以有效减少肌电噪声。

第二级：电极与皮肤接触

• 症状：信号中充满不规则的高频毛刺（肌电噪声）或持续的50Hz正弦波。
• 排查：
  1. 重新检查电极：按压每个电极，确认是否粘贴牢固，凝胶是否充分接触皮肤。老旧或干燥的电极需更换。
  2. 检查导线：轻轻晃动每根电极线，观察波形是否有同步变化，排查接触不良的导线。
  3. 阻抗测试（进阶）：用万用表测量两个测量电极（IN+和IN-）之间的电阻（在断开与传感器连接时进行）。在良好皮肤准备后，阻抗应低于50kΩ。如果过高，重新进行皮肤准备。

第三级：硬件连接与电源

• 症状：完全无信号、信号饱和（一条直线在顶部或底部）、或规律的剧烈干扰。
• 排查：
  1. 电源：用万用表测量Arduino的5V和GND之间电压是否稳定在5V左右。
  2. 传感器输出：在断开与Arduino连接的情况下，用万用表直流电压档测量BioAmp Candy的OUT引脚和GND之间的电压。在身体静止时，它应该是一个相对稳定的值（例如2.5V左右，即供电电压的中点）。轻微波动是正常的。如果为0或接近5V，则传感器可能未正常工作或损坏。
  3. 短路检查：仔细检查所有杜邦线连接，确保没有裸露的金属部分相互触碰。

第四级：软件与接地环路

• 症状：强烈的、稳定的50Hz或60Hz正弦波干扰（在中国是50Hz）。
• 排查：这是最难解决的干扰，通常由接地环路引起。
  1. 断开所有不必要的USB设备：只保留Arduino连接到笔记本电脑。
  2. 尝试不同的USB端口。
  3. 使用USB隔离器（终极方案）：如果以上无效，可以考虑购买一个USB隔离模块，它能物理上切断电脑和Arduino之间的地线连接，彻底消除接地环路噪声。这对于生物电测量是专业级的解决方案。

5.2 从采集到分析：下一步可以做什么？

当你能稳定采集到清晰的ECG信号后，这个项目的大门才刚刚打开。这里有几个方向供你深入探索：

1. 在Arduino端实现实时心率计算：不要只做数据的“搬运工”。你可以在Arduino固件中增加算法，实时检测R波峰值，计算瞬时心率和平均心率，然后将结果通过串口发送。这涉及到数字信号处理（DSP）的入门知识，如移动平均滤波、阈值检测等。

   // 简化的伪代码思路 1. 对读取的ADC值进行软件低通滤波，平滑波形。 2. 设置一个动态阈值，当滤波后的信号超过阈值时，标记为一个可能的R波。 3. 使用“ refractory period ”（不应期）概念，防止在一个R波宽度内重复检测。 4. 记录两次检测到的时间戳，差值即为RR间期，换算成心率（BPM = 60 / RR间期(秒)）。

2. 使用Python进行离线高级分析：将CHORDS记录的CSV数据导入Jupyter Notebook。

   • 使用scipy.signal库进行更精细的滤波（如巴特沃斯带通滤波）。
   • 使用neurokit2或heartpy等专业生理信号分析库，它们内置了成熟的R波检测、心率变异性（HRV）指标计算（SDNN, RMSSD, LF/HF等）功能，只需几行代码就能完成专业分析。
   • 数据可视化：用Matplotlib绘制出带标注（P, QRS, T）的心跳波形，或者绘制心率趋势图。

3. 构建无线可穿戴原型：将Arduino Uno R4替换为ESP32。利用其蓝牙功能，编写一个简单的BLE服务，将ECG数据广播出去。然后在手机上用一个MIT App Inventor或React Native开发的App来接收并显示实时心率和波形。这就向一个真正的可穿戴设备迈进了一大步。

这个项目的魅力在于，它用一个具体的硬件，打通了从模拟信号感知、模拟前端处理、数字转换、数据传输到软件可视化的全链路。每一个环节的调优，都会直接反映在最终的波形上。当你第一次看到自己心脏跳动产生的电信号清晰地出现在屏幕上，并且通过自己的代码计算出实时心率时，那种连接了硬件与生命科学的成就感，是无与伦比的。动手去试，耐心调试，你会发现生物电的世界既严谨又充满乐趣。