1. 加速度计数据采集与预处理
任务说明
本案例完成MPU6050三轴加速度数据的采集与预处理，输出滤波后的加速度幅值序列，作为后续步数计数算法的输入。预处理链路包含：原始数据读取→零漂移除→低通滤波→合成幅值。代码在PC端模拟I2C读取逻辑，可直接对接真实硬件或使用内置仿真数据验证。
硬件连接与数据格式
代码实现
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
# ========== 1. 模拟MPU6050 I2C读取 ==========
class MPU6050Sim:
"""模拟真实传感器：生成含噪声和零漂的加速度数据"""
def __init__(self, fs=50, duration=10.0, seed=42):
self.fs = fs
self.n = int(fs * duration)
self.rng = np.random.default_rng(seed)
# 真实加速度：模拟步行时约1Hz的周期性摆动
t = np.arange(self.n) / fs
self.true_acc = np.column_stack([
0.3 * np.sin(2*np.pi*1.0*t) + 0.05 * self.rng.standard_normal(self.n), # X轴
0.2 * np.cos(2*np.pi*1.0*t) + 0.05 * self.rng.standard_normal(self.n), # Y轴
1.0 + 0.4 * np.sin(2*np.pi*2.0*t) + 0.08 * self.rng.standard_normal(self.n) # Z轴含重力
])
# 加入零漂和量化噪声
self.bias = np.array([0.15, -0.10, 0.20])
self.raw = self.true_acc + self.bias + \
0.02 * self.rng.standard_normal((self.n, 3))
def read_accel(self):
"""模拟I2C读取原始寄存器值（返回g单位）"""
return self.raw.copy()
# ========== 2. 预处理核心函数 ==========
def remove_bias(data, axis=0):
"""零漂移除：减去每个轴的平均值"""
return data - np.mean(data, axis=axis)
def lowpass_filter(data, fs, cutoff=5.0, order=4):
"""Butterworth低通滤波器，保留步行频率(0.5~3Hz)"""
nyq = 0.5 * fs
normal_cutoff = cutoff / nyq
b, a = signal.butter(order, normal_cutoff, btype='low')
return signal.filtfilt(b, a, data, axis=0)
def compute_magnitude(acc):
"""合成三轴幅值：sqrt(x^2 + y^2 + z^2)"""
return np.sqrt(np.sum(acc**2, axis=1))
# ========== 3. 主流程 ==========
def main():
# 初始化传感器（实际使用时替换为真实I2C读取）
mpu = MPU6050Sim(fs=50, duration=10.0)
raw_data = mpu.read_accel()
fs = 50.0
# 预处理链路
debiased = remove_bias(raw_data) # 步骤1：零漂移除
filtered = lowpass_filter(debiased, fs) # 步骤2：低通滤波
magnitude = compute_magnitude(filtered) # 步骤3：合成幅值
# 输出结果（供步数计数模块使用）
print(f"原始数据形状: {raw_data.shape}")
print(f"滤波后幅值范围: [{magnitude.min():.3f}, {magnitude.max():.3f}] g")
print(f"幅值均值: {magnitude.mean():.3f} g (应接近1.0g重力加速度)")
# 可视化对比（可选）
t = np.arange(len(raw_data)) / fs
fig, axes = plt.subplots(2, 1, figsize=(10, 6))
axes[0].plot(t, raw_data[:, 2], alpha=0.5, label='原始Z轴')
axes[0].plot(t, filtered[:, 2], 'r-', label='滤波后Z轴')
axes[0].set_ylabel('加速度 (g)')
axes[0].legend()
axes[1].plot(t, magnitude, 'g-', label='合成幅值')
axes[1].set_xlabel('时间 (s)')
axes[1].set_ylabel('幅值 (g)')
axes[1].legend()
plt.tight_layout()
plt.savefig('preprocessing_result.png', dpi=100)
print("已保存预处理结果图: preprocessing_result.png")
if __name__ == "__main__":
main()
运行与验证
依赖安装：
pip install numpy scipy matplotlib
运行方式：
python mpu6050_preprocess.py
验证方法：
- 程序正常结束且无异常报错；
- 输出幅值均值在0.95~1.05g之间（因包含重力分量）；
- 生成preprocessing_result.png，图中滤波后曲线明显比原始曲线平滑，毛刺减少；
- 幅值曲线呈现周期性波动（对应步行频率约1~2Hz），证明有效保留了步态特征。
判定标准：满足上述4条即视为预处理链路工作正常，输出数据可直接用于后续步数计数算法。
真实硬件替换说明
若使用真实MPU6050，将MPU6050Sim.read_accel()替换为通过smbus2读取寄存器0x3B~0x40的代码，并配置量程为±2g（寄存器0x1C设为0x00），其余预处理逻辑完全不变。仿真数据已包含零漂、噪声和重力分量，与真实传感器特性一致。