Pulse Oximeter พร้อมความแม่นยำที่ดีขึ้นมาก: 6 ขั้นตอน (พร้อมรูปภาพ)

2024 ผู้เขียน: John Day | [email protected]. แก้ไขล่าสุด: 2024-01-30 13:05

หากคุณเพิ่งไปพบแพทย์ มีโอกาสที่สัญญาณชีพพื้นฐานของคุณจะได้รับการตรวจโดยพยาบาล น้ำหนัก ส่วนสูง ความดันโลหิต ตลอดจนอัตราการเต้นของหัวใจ (HR) และความอิ่มตัวของออกซิเจนในเลือดส่วนปลาย (SpO₂). บางทีสองอันสุดท้ายได้มาจากโพรบอิเล็กทรอนิกส์ที่เรืองแสงสีแดงซึ่งแสดงตัวเลขที่เกี่ยวข้องบนหน้าจอขนาดเล็กในเวลาไม่กี่นาที โพรบนั้นเรียกว่า pulse oximeter และคุณสามารถค้นหาข้อมูลพื้นฐานทั้งหมดเกี่ยวกับมันได้ที่นี่

คุณสามารถซื้อเครื่องวัดความอิ่มตัวของออกซิเจนในเลือดอย่างง่าย ๆ ได้ แต่ความสนุกมันอยู่ตรงไหน? ฉันได้ตัดสินใจที่จะสร้างด้วยตัวเองก่อนอื่น แต่ที่สำคัญกว่านั้นคือเมื่อคำนึงถึงการใช้งานเฉพาะ: การวัดค่าออกซิเจนในเวลากลางคืนที่ทั้ง HR และ SpO₂ ข้อมูลจะถูกเก็บรวบรวมอย่างต่อเนื่องในชั่วข้ามคืนและบันทึกลงในการ์ด micro SD Instructables มีโปรเจ็กต์ประเภทนี้อยู่แล้วหลายโปรเจ็กต์ เช่น สองโปรเจ็กต์ที่เกี่ยวข้องกับ Arduino ที่นี่และที่นี่ และอีกโปรเจ็กต์ที่ใช้ Raspberry Pi Mine ใช้เซ็นเซอร์ MAX30102 ที่ใหม่กว่าเล็กน้อยจาก MAXIM Integrated และ Feather M0 Adalogger ของ Adafruit สำหรับการควบคุมและการบันทึกข้อมูล

โปรเจ็กต์ของเราจึงไม่ใช่นวัตกรรมเฉพาะในแง่ของฮาร์ดแวร์ ดังนั้นจึงไม่คุ้มที่จะเขียนคำแนะนำนี้ แต่ในกระบวนการสร้าง ฉันได้พัฒนาซอฟต์แวร์ที่ก้าวหน้าอย่างมากซึ่งทำให้ฉันสามารถดึงข้อมูลจาก MAX30102 ด้วยความสอดคล้องที่สูงกว่าและมาก เสียงรบกวนน้อยกว่าซอฟต์แวร์ที่เขียนโดย MAXIM สำหรับเซ็นเซอร์นี้ ประสิทธิภาพของอัลกอริธึมการประมวลผลสัญญาณของเราแสดงไว้ในแผนภูมิด้านบน โดยที่กราฟด้านบนสองกราฟด้านบนมีอัตราการเต้นของหัวใจข้ามคืนและความอิ่มตัวของออกซิเจนที่คำนวณจากสัญญาณดิบโดยวิธีการของเรา (ระบุโดย "RF") ในขณะที่กราฟสองกราฟด้านล่างแสดงผลลัพธ์ของ MAXIM ที่สร้างจาก เหมือนกันทุกประการกับสัญญาณ ค่าเบี่ยงเบนมาตรฐานสำหรับ HR คือ 4.7 bpm และ 18.1 bpm และสำหรับ SpO₂ 0.9% และ 4.4% สำหรับ RF และ MAXIM ตามลำดับ

(กราฟ RF ทั้งสองสอดคล้องกับเกณฑ์ความสัมพันธ์อัตโนมัติขั้นต่ำที่ 0.25 และไม่จำกัดความสัมพันธ์ R / IR ดูขั้นตอนที่ 4 และ 5 สำหรับคำอธิบายของข้อกำหนดเหล่านี้)

ขั้นตอนที่ 1: ฮาร์ดแวร์

1. เครื่องวัดออกซิเจนในเลือดและเซ็นเซอร์วัดอัตราการเต้นของหัวใจ MAX30102 แผงระบบจาก MAXIM Integrated, Inc.
2. Feather M0 Adalogger จาก Adafruit, Inc.
3. แบตเตอรี่ลิเธียมไอออนจาก Adafruit, Inc.

การเชื่อมต่อ:

• Adalogger ตรึง SCL และ SDA เข้ากับหมุด SCL และ SDA ที่สอดคล้องกันบนบอร์ด MAX30102
• Adalogger พิน 10 เพื่อตรึง INT บนบอร์ด MAX30102
• Adalogger GND ถึง MAX30102 บอร์ด GND
• Adalogger 3V ถึง MAX30102 VIN

ขั้นตอนที่ 2: สัญญาณดิจิตอลที่ส่งคืนโดย MAX30102

หลักการทำงานของเซนเซอร์นั้นง่ายมาก: ไฟ LED สองดวง ไฟสีแดงหนึ่งดวง (660 นาโนเมตร) และอินฟราเรดหนึ่งดวง (880 นาโนเมตร, IR) ส่องสว่างผ่านผิวหนังของมนุษย์ แสงถูกดูดซับบางส่วนโดยเนื้อเยื่อข้างใต้ รวมทั้งเลือดส่วนปลาย photodetector ของเซนเซอร์รวบรวมแสงสะท้อนที่ความยาวคลื่นทั้งสองและส่งคืนความเข้มสัมพัทธ์สองระดับที่สอดคล้องกันโดยใช้โปรโตคอล I2C เนื่องจากสเปกตรัมการดูดกลืนของฮีโมโกลบินที่เติมออกซิเจนและออกซิเจนจะแตกต่างกันไปตามความยาวคลื่นทั้งสอง แสงสะท้อนจึงมีองค์ประกอบแปรผันตามปริมาณของเลือดแดงที่อยู่ใต้ผิวหนังขณะเต้น การหาอัตราการเต้นของหัวใจและความอิ่มตัวของออกซิเจนนั้นขึ้นอยู่กับซอฟต์แวร์ประมวลผลสัญญาณ

ตัวอย่างของสัญญาณดิบ (ช่อง IR เท่านั้น) แสดงไว้ในภาพด้านบน เราสามารถสังเกตเห็นองค์ประกอบตามระยะที่ซ้อนทับบนเส้นฐานของตัวแปรที่เปลี่ยนแปลงไปเนื่องจากปัจจัยหลายอย่างที่กล่าวถึงในหน้าวิกิพีเดีย สิ่งประดิษฐ์ที่กระตุ้นการเคลื่อนไหวนั้นน่ารำคาญเป็นพิเศษ เนื่องจากอาจปิดบังสัญญาณ HR ที่มีประโยชน์และทำให้เกิดผลลัพธ์ที่หลอกลวง ดังนั้น oximeters เชิงพาณิชย์ขั้นสูงจึงมีมาตรความเร่งที่ช่วยลบล้างสิ่งประดิษฐ์เหล่านี้

ฉันอาจเพิ่มมาตรความเร่งใน oximeter เวอร์ชันถัดไป แต่สำหรับ HR/SpO ตอนกลางคืน₂ การบันทึก เมื่อเซ็นเซอร์ไม่เคลื่อนไหวเกือบตลอดเวลา ก็เพียงพอที่จะตรวจจับและละเว้นสัญญาณที่บิดเบี้ยว

เซ็นเซอร์ MAX30102 มาในแพ็คเกจขนาดเล็กที่ติดตั้งบนพื้นผิว แต่ MAXIM ขอเสนอบอร์ดฝ่าวงล้อม (System Board 6300) พร้อมซอฟต์แวร์ประมวลผลสัญญาณสำหรับ Arduino และ mbed อย่างสง่างาม - ทั้งหมดในแพ็คเกจการออกแบบอ้างอิง MAXREFDES117# ฉันซื้อมันอย่างมีความสุขโดยคาดหวังว่าจะบัดกรีสายไฟระหว่างเซ็นเซอร์กับ Adalogger และมี oximeter ที่ใช้งานได้ดีในวันเดียว ฉันปรับซอฟต์แวร์ของ MAXIM เวอร์ชัน RD117_ARDUINO ให้ทำงานบนโปรเซสเซอร์ ARM Cortex M0 ของ Adalogger โดยพื้นฐานแล้ว ทั้งหมดที่ฉันต้องทำคือแทนที่ฟังก์ชัน SofI2C ที่เข้ากันไม่ได้ใน max30102.cpp โดยการเรียกไลบรารี Wire ที่เกี่ยวข้อง รหัสได้รับการคอมไพล์ได้ดีใน Arduino IDE v1.8.5 และทำงานบน M0 โดยไม่มีข้อผิดพลาด ผลสุทธิอย่างไรก็ตามน่าผิดหวัง ในขั้นตอนบทนำ ฉันได้แสดงความแปรปรวนของทั้ง HR และ SpO. ที่สูงมากแล้ว₂. แน่นอน บางคนอาจอ้างว่าฉันทำอะไรผิด และนี่ก็เป็นความคิดดั้งเดิมของฉันด้วย อย่างไรก็ตาม ในวิดีโอแนะนำของ MAXIM คุณยังสามารถสังเกตค่า HR ที่แสดงบนหน้าจอได้ นอกจากนี้ ความคิดเห็นด้านล่างวิดีโอยืนยันว่าคนอื่นสังเกตเห็นปรากฏการณ์ที่คล้ายกันเช่นกัน

เพื่อให้เป็นเรื่องสั้น หลังจากการทดลองบางอย่าง ฉันได้พิจารณาแล้วว่าเซ็นเซอร์ทำงานเป็นปกติ และวิธีอื่นในการประมวลผลสัญญาณดิจิทัลทำให้ความเสถียรดีขึ้นมาก วิธีการใหม่นี้ ซึ่งระบุโดย "RF" ได้อธิบายไว้ในขั้นตอนต่อไป

ขั้นตอนที่ 3: การประมวลผลสัญญาณล่วงหน้า

ในการใช้งานของเรา สัญญาณดิบจะถูกรวบรวมที่อัตรา 25 Hz (เหมือนกับของ MAXIM) เป็นเวลา 4 วินาทีเต็ม (ซอฟต์แวร์ของ MAXIM รวบรวมมูลค่าเพียง 1 วินาที) ส่งผลให้มีจุดเวลาดิจิทัล 100 จุดต่อจุดข้อมูลปลายทาง แต่ละลำดับ 100 จุดต้องได้รับการประมวลผลล่วงหน้าด้วยวิธีต่อไปนี้:

1. Mean-centering (a.k.a. "การกำจัดส่วนประกอบ DC" ให้กับวิศวกรไฟฟ้า) ข้อมูลดิบที่มาจากเซ็นเซอร์คืออนุกรมเวลาของจำนวนเต็มใน 10⁵ พิสัย. แต่สัญญาณที่มีประโยชน์นี้เป็นเพียงส่วนหนึ่งของแสงที่สะท้อนจากเลือดแดงซึ่งแตกต่างกันไปตามลําดับเพียง 10² - รูปแรก สำหรับการประมวลผลสัญญาณที่มีความหมาย ดังนั้นจึงควรลบค่าเฉลี่ยออกจากแต่ละจุดอนุกรม ส่วนนี้ไม่แตกต่างจากซอฟต์แวร์ MAXIM ที่ทำอยู่แล้ว อย่างไรก็ตาม สิ่งที่แตกต่างคือการเพิ่มค่าเฉลี่ยศูนย์กลางของดัชนีเวลาเอง กล่าวอีกนัยหนึ่ง แทนที่จะสร้างดัชนีอนุกรมจุดด้วยตัวเลขตั้งแต่ 0 ถึง 99 ดัชนีใหม่ตอนนี้เป็นตัวเลข -49.5, -48.5, …, 49.5 อาจดูแปลกในตอนแรก แต่ด้วยขั้นตอนนี้ "จุดศูนย์ถ่วง" ของเส้นโค้งสัญญาณจึงตรงกับที่มาของระบบพิกัด (รูปที่สอง) ข้อเท็จจริงนี้จะมีประโยชน์มากในขั้นตอนต่อไป
2. การปรับระดับพื้นฐาน อีกรูปหนึ่งที่รูปคลื่นที่แสดงในขั้นตอนที่ 2 แสดงให้เห็นว่าเส้นฐานของสัญญาณออกซิเจนจริงอยู่ไกลจากการแบนราบในแนวนอน แต่จะแตกต่างกันไปตามความชันที่ต่างกัน รูปที่สามแสดงสัญญาณ IR ที่มีค่าเฉลี่ยอยู่ตรงกลาง (เส้นโค้งสีน้ำเงิน) และเส้นฐาน (เส้นตรงสีน้ำเงิน) ในกรณีนี้ ความชันของเส้นฐานเป็นลบ วิธีการประมวลผลสัญญาณที่อธิบายไว้ข้างหน้ากำหนดให้เส้นฐานเป็นแนวนอน สิ่งนี้สามารถทำได้โดยเพียงแค่ลบเส้นฐานออกจากสัญญาณกึ่งกลาง ต้องขอบคุณค่ากลางของพิกัดทั้ง Y และ X การสกัดกั้นของเส้นฐานจึงเป็นศูนย์และสมการความชันนั้นง่ายมาก ดังแสดงในรูปที่สี่ สัญญาณที่ระดับเส้นฐานแสดงด้วยเส้นโค้งสีส้มในรูปที่ 3

ดังนั้นสัญญาณที่ประมวลผลล่วงหน้าจึงพร้อมสำหรับขั้นตอนต่อไป

ขั้นตอนที่ 4: The Workhorse: ฟังก์ชัน Autocorrelation

ย้อนกลับไปที่ 1, …, n การสร้างดัชนี ตัวเลขแรกแสดงคำจำกัดความของฟังก์ชันความสัมพันธ์อัตโนมัติ r_NS - ปริมาณที่พบว่ามีประโยชน์มากในการตรวจจับความสม่ำเสมอของสัญญาณตลอดจนคุณภาพ มันเป็นเพียงผลคูณสเกลาร์ที่ทำให้เป็นมาตรฐานของอนุกรมเวลาของสัญญาณโดยเปลี่ยนตัวเองด้วย lag m อย่างไรก็ตาม ในแอปพลิเคชันของเรา จะสะดวกต่อการปรับขนาดแต่ละค่าความสัมพันธ์อัตโนมัติโดยเทียบกับค่าที่ล่าช้า = 0 กล่าวคือ ใช้ความสัมพันธ์อัตโนมัติแบบสัมพัทธ์ที่กำหนดโดย r_NS / NS₀.

พล็อตความสัมพันธ์อัตโนมัติแบบสัมพัทธ์ของสัญญาณ IR คุณภาพดีโดยทั่วไปจะแสดงในรูปที่สอง ตามที่คาดไว้ ค่าที่ lag = 0 อยู่ที่ค่าสูงสุดทั่วโลกเท่ากับ 1 ค่าสูงสุดถัดไป (ในเครื่อง) จะเกิดขึ้นที่ lag = 23 และเท่ากับ 0.79 การมีอยู่ของค่าต่ำสุดและค่าสูงสุดของท้องถิ่นในแผนภาพความสัมพันธ์อัตโนมัตินั้นง่ายต่อการเข้าใจ: เนื่องจากสัญญาณเลื่อนไปทางขวา จุดสูงสุดของสัญญาณจะรบกวนกันอย่างทำลายล้างในตอนแรก แต่ ณ จุดหนึ่ง การรบกวนจะกลายเป็นเชิงสร้างสรรค์และบรรลุค่าสูงสุดที่เวลาหน่วงเท่ากับค่าเฉลี่ย ระยะเวลาของสัญญาณ

วลีสุดท้ายมีความสำคัญอย่างยิ่ง: เพื่อกำหนดช่วงเวลาเฉลี่ยระหว่างพีค ซึ่งเราสามารถคำนวณความถี่ของสัญญาณ (เช่น อัตราการเต้นของหัวใจ) ก็เพียงพอแล้วที่จะหาค่าสูงสุดของฟังก์ชันความสัมพันธ์อัตโนมัติในพื้นที่แรก! โดยค่าเริ่มต้น MAX30102 จะสุ่มตัวอย่างอินพุตแบบอะนาล็อกที่อัตรา 25 จุดต่อวินาที ดังนั้น เมื่อ m ช่วงเวลาในหน่วยวินาทีจะเท่ากับ m / 25 ซึ่งนำไปสู่อัตราการเต้นของหัวใจที่แสดงเป็นจังหวะต่อนาที (bpm) โดย:

HR = 60*25 / m = 1500 / m

แน่นอนว่าไม่จำเป็นต้องคำนวณ r. ราคาแพง_NS ที่ค่าความล่าช้าทั้งหมด อัลกอริธึมของเราคาดคะเนอัตราการเต้นของหัวใจครั้งแรก = 60 bpm ซึ่งสอดคล้องกับ m = 25 ฟังก์ชันความสัมพันธ์อัตโนมัติจะถูกประเมิน ณ จุดนั้นและเปรียบเทียบกับค่าที่เพื่อนบ้านด้านซ้าย m = 24 หากค่าเพื่อนบ้านสูงกว่า เดินขบวนไปทางซ้ายจนกระทั่ง r_ม-1 < r_NS. ดังนั้น m สุดท้ายที่กำหนดจึงจะถูกส่งกลับเป็นความล่าช้าสูงสุด การวนซ้ำครั้งต่อไปเริ่มจากค่านั้นแทนที่จะเป็น 25 และกระบวนการทั้งหมดจะทำซ้ำ หากเพื่อนบ้านซ้ายคนแรกอยู่ต่ำกว่า การเดินขบวนข้างต้นจะชี้ไปทางขวาในลักษณะเดียวกัน ส่วนใหญ่แล้ว ความล่าช้าสูงสุดต้องการการประเมินฟังก์ชันความสัมพันธ์อัตโนมัติเพียงเล็กน้อย นอกจากนี้ ค่าหน่วงเวลาสูงสุดและต่ำสุดที่ยอมรับได้ (ซึ่งสัมพันธ์กับอัตราการเต้นของหัวใจต่ำสุดและสูงสุดตามลำดับ) จะถูกใช้เป็นค่าจำกัด

ด้านบนทำงานได้ดีมากสำหรับสัญญาณคุณภาพดี แต่โลกแห่งความเป็นจริงนั้นยังห่างไกลจากอุดมคติ สัญญาณบางอย่างออกมาบิดเบี้ยว ส่วนใหญ่เกิดจากวัตถุเคลื่อนไหว สัญญาณดังกล่าวจะแสดงในรูปที่สาม ค่าความเป็นคาบต่ำจะแสดงในรูปของฟังก์ชันความสัมพันธ์อัตโนมัติ เช่นเดียวกับค่าต่ำสุด 0.28 ของค่าสูงสุดในพื้นที่แรกที่ m = 11 เปรียบเทียบกับค่าสูงสุด 0.79 ที่กำหนดสำหรับสัญญาณคุณภาพดี พร้อมกับค่าจำกัดความล่าช้า ดังนั้น ค่าของ r_NS / NS₀ สูงสุดเป็นตัวบ่งชี้ที่ดีของคุณภาพสัญญาณ และอาจใช้ข้อกำหนดเพื่อให้เกินเกณฑ์ที่กำหนดเพื่อกรองสิ่งแปลกปลอมในการเคลื่อนไหว กราฟ "RF" ที่แสดงในบทนำเป็นผลมาจากเกณฑ์ดังกล่าวเท่ากับ 0.25

ขั้นตอนที่ 5: การกำหนดความอิ่มตัวของออกซิเจน

ขั้นตอนก่อนหน้านี้เพียงพอสำหรับกำหนดอัตราการเต้นของหัวใจ SpO₂ ต้องการการทำงานมากขึ้น ก่อนอื่นต้องคำนึงถึงสัญญาณที่ถูกละเลยจนถึงช่องสีแดง (R) ต่อไปจะคำนวณอัตราส่วนของสัญญาณสีแดงต่ออินฟราเรด Z = R/IR ซึ่งสะท้อนจากเลือดแดงทั้งคู่ ส่วน "เลือดแดง" มีความสำคัญ เนื่องจากแสงส่วนใหญ่สะท้อนจากเนื้อเยื่อและเลือดดำจริงๆ จะเลือกส่วนของสัญญาณที่สัมพันธ์กับเลือดแดงได้อย่างไร? นี่คือองค์ประกอบที่กระตุ้นได้ซึ่งแตกต่างกันไปตามการเต้นของหัวใจแต่ละครั้ง ในคำพูดของวิศวกรไฟฟ้า มันคือ "ส่วน AC" ในขณะที่แสงสะท้อนที่เหลือคือ "ส่วน DC" เนื่องจากความเข้มสัมบูรณ์ของแสง R และ IR ไม่เท่ากัน อัตราส่วน Z จึงคำนวณจากความเข้มสัมพัทธ์ ดังแสดงในรูปแรก ในแง่ของปริมาณที่คำนวณได้จริง ฉันใช้ root-mean-square (RMS) ของสัญญาณระดับ baseline-mean-centered y กับค่าเฉลี่ยที่ทราบอยู่แล้วของสัญญาณดิบ < Y >; ดูรูปที่สอง อย่างไรก็ตามอัตราส่วน Z เป็นเพียงครึ่งหนึ่งของงานเท่านั้น การตอบสนองของเซ็นเซอร์ไม่เชิงเส้นต้องมีการสอบเทียบเชิงประจักษ์ระหว่าง Z และ SpO. สุดท้าย₂ ค่า ฉันเอาสมการการสอบเทียบจากรหัสของ MAXIM:

SpO₂ = (-45.06*Z + 30.354)*Z + 94.845

โปรดทราบว่าสมการนี้ใช้ได้กับบอร์ดออกแบบ MAX30102 ที่ซื้อในปี 2560 เท่านั้น! มีแนวโน้มว่า MAXIM อาจปรับเทียบเซ็นเซอร์ใหม่ในภายหลัง

ขั้นตอนข้างต้นยังคงสร้าง SpO. เท็จจำนวนมาก₂ การอ่าน ช่องสีแดงทนทุกข์ทรมานจากสิ่งประดิษฐ์มากมายเช่นเดียวกับ IR มีเหตุผลที่จะสมมติว่าสัญญาณทั้งสองควรมีความสัมพันธ์กันอย่างแน่นหนา อันที่จริง สัญญาณคุณภาพดี เช่นตัวอย่างในรูปที่สาม มีความสัมพันธ์กันเป็นอย่างดี ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สันในกรณีนี้จะสูงถึง 0.99 ซึ่งไม่ได้เป็นเช่นนั้นเสมอไป ดังที่แสดงในรูปที่สี่ แม้ว่าสัญญาณ IR จะผ่านตัวกรองคุณภาพอัตราการเต้นของหัวใจด้วย r_NS / NS₀ = 0.76 สัญญาณ R ที่บิดเบี้ยวส่งผลให้ค่าสัมประสิทธิ์สหสัมพันธ์ที่ไม่ดีระหว่างทั้งสองมีค่าเท่ากับ 0.42 เท่านั้น การสังเกตนี้เสนอตัวกรองคุณภาพที่สอง: มีค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างแชนเนลมากกว่าเกณฑ์ที่กำหนด

สองตัวเลขสุดท้ายเป็นตัวอย่างผลกระทบสุทธิของการกรองคุณภาพดังกล่าว อย่างแรก ความอิ่มตัวของออกซิเจนที่วัดได้จะถูกพล็อตด้วยเกณฑ์คุณภาพ HR ที่ 0.25 แต่ไม่มี SpO₂ กรอง. พล็อตถัดไปเป็นผลมาจากการกรอง HR และ SpO. ที่ไม่ดี₂ ผลลัพธ์ที่ 0.5 r_NS / NS₀ และ 0.8 เกณฑ์สัมประสิทธิ์สหสัมพันธ์ โดยรวมแล้ว จุดข้อมูลที่ไม่ดีซึ่งคิดเป็น 12% ของทั้งหมดถูกกรองออกโดยระบอบการปกครองที่เข้มงวดกว่า

ในโค้ดของเรา ค่าสัมประสิทธิ์สหสัมพันธ์ cc คำนวณตามสูตรในรูปที่ห้า โดยที่ y แทนสัญญาณระดับพื้นฐานที่มีค่าเฉลี่ยอยู่ตรงกลาง ในขณะที่ r₀ กำหนดไว้ในขั้นตอนที่แล้ว

ขั้นตอนที่ 6: รหัสที่มา

ซอร์สโค้ด C สำหรับโปรเจ็กต์นี้ ซึ่งจัดรูปแบบสำหรับ Arduino IDE มีให้จากบัญชี Github ของเราที่ลิงก์ต่อไปนี้:

github.com/aromring/MAX30102_by_RF

หน้า Readme อธิบายส่วนประกอบแต่ละส่วน

ฉันต้องการใช้เวลาสักครู่เพื่อยกย่อง Adafruit สำหรับการสร้างผลิตภัณฑ์ที่ยอดเยี่ยมเช่น Adalogger ที่ใช้ M0 โปรเซสเซอร์ ARM Cortex M0 ความเร็ว 48 MHz ที่มี RAM จำนวนมาก ช่วยให้โปรเจ็กต์นี้ทำงานได้ ในขณะที่เครื่องอ่านการ์ด SD ที่เชื่อมต่อโดยตรง (รวมถึงไลบรารี SD ของ Adafruit) ขจัดความเจ็บปวดจากงานอดิเรกทั้งหมดที่เกี่ยวข้องกับการจัดเก็บข้อมูลจำนวนมากแบบเรียลไทม์