1. 项目概述一双能“看懂”老人状态的智能拖鞋给家里的长辈买过智能手环或者跌倒报警器吗我试过结果往往是吃灰。手环戴不习惯报警器按钮忘了按或者觉得“不吉利”而拒绝佩戴。这大概是很多关心长辈安全的朋友共同的烦恼。直到有一次我看到母亲在屋里走动时拖鞋发出的轻微声响突然有了一个想法为什么不把传感器做进他们每天必穿的拖鞋里呢这就是“SmartSlippers”项目的起点——一双能通过识别步态和姿态来无感守护长辈安全的智能拖鞋。这个项目的核心是让拖鞋变得“聪明”。它内置传感器可以实时监测老人的行走、静坐、久卧甚至疑似跌倒的状态并通过蓝牙将警报发送到子女的手机App上。整个过程老人无需任何额外操作就像穿普通拖鞋一样自然。这背后融合了嵌入式开发Arduino/ESP32、蓝牙通信、手机App开发Android以及最关键的边缘AI模型训练Edge Impulse这几项技术。我花了大概两个月的时间从零到一完成了原型机的制作和基础功能的验证实测下来对于室内常见的活动状态识别准确率能达到一个比较可靠的水平。如果你是一位电子爱好者、创客或者是一名正在寻找有温度、有实用价值的毕业设计/课程设计题目的学生这个项目会非常合适。它不涉及过于高深的算法但完整覆盖了从硬件选型、传感器数据采集、AI模型训练与部署到移动端应用开发的全链路是一个绝佳的“软硬结合”实战项目。接下来我就把这几个月踩过的坑和积累的经验毫无保留地分享给你。2. 核心设计思路为什么是拖鞋边缘AI在动手之前我们需要想清楚方案。市面上已经有基于摄像头、毫米波雷达甚至地板压力传感器的跌倒监测方案为什么还要做一双拖鞋我的设计思路主要基于以下几点考量2.1 无感化与用户接受度是最高原则任何给长辈用的产品“无感”和“不打扰”是第一位的。摄像头有隐私顾虑雷达设备需要安装且可能让老人觉得被监视压力地毯铺设麻烦且成本高。而拖鞋是老人居家必备、每天高频使用的物品将传感器集成进去几乎不改变他们的使用习惯心理接受度最高。这是本项目相比其他方案最核心的优势。2.2 传感器选型与数据维度的权衡要识别动作我们需要获取拖鞋的运动和姿态数据。常见的传感器有加速度计Accelerometer测量三个轴X, Y, Z的加速度是检测运动、震动、姿态的核心。走路、跑步、跌倒都会产生独特的加速度波形。陀螺仪Gyroscope测量三个轴的角速度能很好地捕捉旋转动作比如转身、坐下起身时的身体扭动。压力传感器Pressure Sensor可以分布在鞋底前掌和后跟用于检测步态周期、重心转移以及是否“脚着地”。我的选择是MPU6050六轴传感器包含三轴加速度计三轴陀螺仪。原因很简单成本低、数据丰富、易于获取。在项目初期仅靠加速度计和陀螺仪的融合数据已经足够区分“行走”、“静止”、“坐下”、“跌倒”等大类的动作。压力传感器固然能提供更精细的步态信息但会增加布线和鞋内集成的复杂度可以作为后续功能升级的方向。2.3 边缘计算的必要性实时、隐私与低功耗所有传感器数据是在拖鞋终端上产生的。一种方案是把原始数据全部通过蓝牙实时发送到手机由手机App里的模型进行判断。但这样做的弊端很明显蓝牙数据流压力大六轴数据以50Hz甚至100Hz的频率发送对蓝牙连接稳定性和手机功耗都是挑战。隐私风险原始运动数据持续外传存在理论上的泄露风险。手机依赖性强手机必须常驻后台且保持连接一旦断开就失去保护。因此我采用了“边缘AI”方案。即在拖鞋的微控制器如ESP32上直接运行一个轻量化的AI模型实时分析传感器数据并做出“正常行走”、“疑似跌倒”等分类判断。只有发生异常事件如跌倒时才通过蓝牙向手机发送一条简单的警报指令。这极大地减少了数据传输量保护了隐私也降低了对手机的依赖。Edge Impulse这个平台正是为了简化“采集数据 - 训练模型 - 部署到嵌入式设备”这一流程而生的它是本项目的技术基石。2.4 系统架构总览整个系统的运行流程可以概括为以下几步数据采集与预处理拖鞋上的MPU6050持续采集数据ESP32进行初步滤波和格式化。边缘AI推理ESP32调用已部署的TinyML模型对当前时间窗口例如2秒内的传感器数据进行实时分类。本地决策与警报如果模型输出“跌倒”等高风险类别的置信度超过阈值ESP32会触发本地警报如鞋内震动马达并同时通过蓝牙向已配对的手机App发送警报信息。手机端通知与处理Android App收到警报后会发出强提醒响铃、震动、弹窗并可以一键拨打预设的联系人电话或发送预设的求助短信。这个架构实现了从感知、分析、决策到告警的完整闭环且重心在边缘侧。3. 硬件搭建与核心电路解析理论清晰了接下来就是动手把硬件搭起来。这部分我会详细说明元器件选型、电路连接以及几个关键的避坑点。3.1 硬件清单与选型理由主控芯片ESP32-DevKitC 或 NodeMCU-32S为什么是ESP32这是本项目几乎唯一的选择。它集成了双核处理器、Wi-Fi和蓝牙4.2BR/EDR BLE性能足以运行轻量级AI模型且开发环境Arduino IDE成熟社区资源丰富。相比Arduino Uno蓝牙模块的组合它集成度高更省空间和功耗。运动传感器MPU6050模块成本约10元通过I2C接口与ESP32通信提供三轴加速度和三轴陀螺仪数据。务必购买带电平转换的模块通常支持3.3V/5V以便与3.3V的ESP32直接连接。电源3.7V 锂电池500mAh以上与充电管理模块拖鞋需要无线工作充电是刚需。我选用一块扁平的软包锂电池搭配一个TP4056充电/升压一体模块。这个模块能通过Micro USB口给电池充电并能将电池电压升压到稳定的5V输出给ESP32供电。注意计算功耗ESP32全速运行传感器工作电流约100-150mA一块500mAh的电池理论上可支撑3-5小时对于原型验证足够产品化需选用更大容量电池并优化功耗如使用深度睡眠。警报器微型震动马达扁平转子马达用于本地提醒。当检测到老人可能坐下太久需起身活动或系统自检低电量时可以温和震动提示。选择工作电压3V左右、直径10mm以内的扁平马达便于嵌入鞋底。其他杜邦线、开关、洞洞板或定制PCB原型阶段用洞洞板和杜邦线飞线。如果想做得更精致、可靠建议设计一块简单的PCB将TP4056、ESP32的常用接口集成在一起能极大简化组装。3.2 电路连接详解与注意事项连接原理很简单但细节决定成败。以下是接线表元件引脚连接至 ESP32 引脚说明MPU6050VCC3.3V绝对不要接5V会烧坏传感器。MPU6050GNDGND共地。MPU6050SCLGPIO22I2C时钟线。MPU6050SDAGPIO21I2C数据线。TP4056模块BAT锂电池正极TP4056模块BAT-锂电池负极TP4056模块OUTESP32 Vin 或 5V pin提供5V电源。TP4056模块OUT-ESP32 GND电源共地。震动马达一端通过一个NPN三极管如8050控制直接接IO口驱动能力不足。震动马达另一端接电源正极5V注意1电平匹配。务必确认你买的MPU6050模块是否支持3.3V逻辑电平。大多数廉价模块通过一个跳帽选择连接前请仔细查看确保跳接到3.3V一侧。注意2I2C上拉电阻。ESP32的内部上拉电阻可能较弱如果MPU6050数据读取不稳定常表现为读取全0或全255请在SDA和SCL线上各外接一个4.7kΩ的上拉电阻到3.3V。注意3电机驱动。ESP32的GPIO口最大输出电流约40mA而震动马达启动瞬间电流可能更大。切勿直接将马达接在IO口上正确的做法是使用一个NPN三极管如S8050或一个MOS管如SI2302来驱动。将ESP32的GPIO例如GPIO23通过一个1kΩ电阻连接到三极管的基极马达接在集电极和电源正极之间发射极接地。这样GPIO只需提供很小的基极电流就能控制马达的通断。3.3 结构设计与组装心得把一堆电子元件塞进拖鞋并且要保证舒适和耐用是个不小的挑战。鞋底开槽选择一双鞋底较厚、有缓冲层的EVA拖鞋。用美工刀或电烙铁在鞋底中部足弓下方非承重区小心挖出一个足够容纳PCB和电池的槽。注意深度不要挖穿。元件布局将ESP32、TP4056模块和电池用双面胶或热熔胶固定在槽内。MPU6050的摆放至关重要必须用胶水牢固地粘贴在鞋底并且其芯片平面即XYZ轴方向需要与拖鞋的走向严格对齐。通常定义X轴指向脚尖方向Y轴指向左侧Z轴垂直向上。如果贴歪了后续的数据和模型就全乱了。我建议先用胶带临时固定穿在脚上走几步通过串口读取数据观察加速度计在静止时的Z轴值是否接近重力加速度9.8 m/s²来微调其水平。密封与防水这是原型机最容易忽略的一步。用硅橡胶如704硅胶将开槽处和所有元件仔细密封覆盖形成一个保护层。它能防潮、防短路且有一定弹性不影响穿着。务必等待硅胶完全固化通常24小时后再测试。开关与充电口将TP4056模块的Micro USB充电口和一个小型拨动开关引到拖鞋侧面或后跟处方便操作。4. 软件核心从数据采集到模型部署硬件是躯体软件才是灵魂。这部分是整个项目最核心也最具挑战性的环节我们将使用Edge Impulse平台来完成AI模型的训练和部署。4.1 数据采集如何获取高质量的“动作样本”模型的好坏七分靠数据。我们需要为每一个想要识别的动作称为“标签”采集足够多的传感器数据样本。编写数据采集固件在Arduino IDE中编写一个简单的程序读取MPU6050的加速度和陀螺仪数据并通过串口打印出来。格式可以设为 CSVtimestamp, accX, accY, accZ, gyroX, gyroY, gyroZ。// 示例代码片段 #include Wire.h #include MPU6050.h MPU6050 mpu; void setup() { Serial.begin(115200); Wire.begin(); mpu.initialize(); // 可选进行传感器校准 } void loop() { int16_t ax, ay, az, gx, gy, gz; mpu.getMotion6(ax, ay, az, gx, gy, gz); // 读取原始数据 // 将原始数据转换为实际单位如g和°/s此处简化处理 Serial.print(millis()); Serial.print(,); Serial.print(ax); Serial.print(,); Serial.print(ay); Serial.print(,); Serial.print(az); Serial.print(,); Serial.print(gx); Serial.print(,); Serial.print(gy); Serial.print(,); Serial.println(gz); delay(20); // 50Hz采样率 }连接Edge Impulse数据转发工具在电脑上安装Edge Impulse CLI工具使用edge-impulse-data-forwarder命令它会创建一个本地串口到Edge Impulse云平台的桥梁。执行动作并采集穿上智能拖鞋原型机。在Edge Impulse的“数据采集”页面创建一个新标签例如“walking”。点击“开始采样”然后在10秒内默认采样长度正常行走。结束后一段10秒的“行走”数据就上传到云端了。重复这个动作至少20-30次最好在不同地面地板、地毯、不同速度下进行以增加数据的多样性。用同样的方法采集其他动作的数据样本standing静止站立sitting_down从站立到坐下的过程sitting静坐falling这是关键且敏感的数据为了安全请在床垫或软垫上进行模拟模仿侧向、前向等不同姿势的缓慢跌倒。绝对不要让老人参与此类危险数据的采集至少需要50个以上的样本。可选running,upstairs等。实操心得数据采集的黄金法则样本均衡尽量让每个标签的样本数量接近避免“跌倒”样本过少导致模型不认识跌倒。时长一致Edge Impulse默认以固定时间窗口如2秒切片分析。确保你的每个动作都能在2秒内完成其典型特征。对于“跌倒”2秒窗口足以捕捉到失重和撞击的完整波形。人员多样性如果条件允许让不同体型、不同年龄的人模拟老人步态来采集“行走”数据能让模型泛化能力更强。4.2 在Edge Impulse中创建与训练模型数据准备好后就可以在Edge Impulse的网页工作室进行模型设计了。创建脉冲Impulse这是数据处理流水线。输入块时间序列数据长度设为2000ms2秒。采样率与你采集时一致如50Hz这样每个样本就是100个数据点。处理块选择“频谱分析”。它会将六轴时序数据转换成一张频谱图这个图像包含了动作的频率和强度特征非常适合作为神经网络特别是CNN的输入。这是Edge Impulse的“魔法”之一能极大提升分类效果。学习块选择“神经网络分类器”。我们将用卷积神经网络CNN来识别频谱图。生成特征点击“频谱分析”块右侧的“保存参数”并生成特征。你会看到所有样本被转换成了二维的频谱图像。设计并训练神经网络在“神经网络分类器”页面保持默认的CNN架构如MobileNetV2的变种即可这对于嵌入式设备已经足够轻量。你可以调整训练周期Epochs如30次、学习率等。然后点击“开始训练”。评估模型训练完成后平台会给出在验证集上的准确率。务必点击“混淆矩阵”这是比单纯看准确率更重要的指标。你需要特别关注“跌倒”被错误识别为“站立”或“坐下”的概率漏报非常危险。“行走”被错误识别为“跌倒”的概率误报会造成骚扰。 如果漏报率高你需要增加“跌倒”样本的数量和多样性。如果误报率高可能需要检查“行走”数据的质量或者调整模型输出置信度的阈值。4.3 模型测试与部署到ESP32训练出满意的模型后就要把它放到拖鞋里运行了。现场测试在Edge Impulse的“现场测试”页面你可以连接设备实时查看模型对当前动作的分类结果和置信度。这是快速验证模型在实际环境中表现的最佳方式。部署为Arduino库在“部署”页面选择“Arduino库”。Edge Impulse会打包生成一个.zip文件里面包含了模型参数和你所有数据处理、推理的C代码。集成到主程序在Arduino IDE中通过“项目” - “加载库” - “添加.ZIP库”来安装这个库。然后你主程序的核心就变成了调用这个库。#include SmartSlippers_inferencing.h // Edge Impulse生成的库 // ... 其他头文件和定义 ... void loop() { // 1. 读取传感器数据填充到Edge Impulse提供的输入缓冲区 ei::signal_t signal; // ... 将ax, ay, az, gx, gy, gz数据填入signal... // 2. 运行推理 ei_impulse_result_t result { 0 }; EI_IMPULSE_ERROR res run_classifier(signal, result, false); // 3. 处理结果 if (res EI_IMPULSE_OK) { float fall_score result.classification[“falling”].value; // 获取“跌倒”类别的置信度 if (fall_score 0.7) { // 设置一个阈值例如0.7 triggerAlarm(); // 触发本地震动和蓝牙警报 } } delay(10); // 控制推理频率 }你需要将数据采集、模型推理、蓝牙通信、马达控制等逻辑整合到一个完整的固件中。5. Android应用开发警报接收与处理手机App是警报的最终呈现端核心需求是稳定连接、后台运行、强提醒。开发环境使用Android Studio语言推荐Kotlin它比Java更简洁现代。核心功能与实现蓝牙扫描与配对使用Android的Bluetooth API对于旧版或更推荐的Bluetooth GATT API用于BLE功耗更低。在App启动时扫描并连接名为“SmartSlippers”的ESP32设备。后台服务创建一个ForegroundService前台服务。这是最关键的一步普通的Service在手机休眠后很容易被系统杀死而前台服务会显示一个常驻通知极大提高了保活能力。在服务中维持蓝牙连接并监听特征值Characteristic通知。警报处理当ESP32发送特定的警报指令例如通过蓝牙特征值写入一个字节0xFF时服务需要触发最高优先级的通知全屏弹窗Activity、最大音量响铃、强烈震动。这需要申请相应的权限如POST_NOTIFICATIONS,VIBRATE。一键求助警报界面应提供大而醒目的按钮用于“拨打紧急联系人”和“发送位置短信”。可以利用Intent.ACTION_CALL和SMS Manager来实现。避坑指南蓝牙连接稳定性Android不同厂商对蓝牙后台管理策略不同容易断连。除了使用前台服务还可以在代码中实现断线重连机制并引导用户在手机设置中为App开启“自启动”、“省电无限制”等权限。权限管理从Android 6.0API 23开始危险权限需要动态申请。务必在运行时检查并申请电话、短信、位置等权限否则功能会失效。界面简洁给长辈用的界面字体要大按钮要少逻辑要直白。主界面可能只需要显示“已连接”状态和电量信息即可。6. 系统联调与优化实录当硬件、嵌入式固件、手机App都初步完成后真正的挑战——系统联调——就开始了。我遇到了不少问题这里把典型的几个和解决思路记录下来。6.1 蓝牙连接不稳定经常无故断开现象App显示已连接但几分钟后状态丢失收不到警报。排查首先用串口监控ESP32的日志发现蓝牙连接事件正常但一段时间后手机主动断开了连接。检查Android App日志发现当手机屏幕熄灭进入Doze模式后蓝牙GATT操作有时会超时。解决方案ESP32端启用蓝牙连接参数更新。在建立连接后主动向手机请求更短的连接间隔Connection Interval以减少延迟和功耗但更重要的是保持连接活跃。可以使用BLEDevice::setPower()增加发射功率需注意法规限制和功耗。Android端这是主战场。确保蓝牙操作扫描、连接、读写都在前台服务的独立线程中进行避免主线程阻塞。定期例如每30秒向ESP32发送一个小的“心跳”数据包或者读取一个特征值以保持连接活跃防止被系统清理。在onConnectionStateChange回调中实现健壮的重连逻辑断开后等待几秒自动重连。编写详细的用户指引告知用户需要在手机设置中允许App“后台弹出界面”、“常驻通知”、“电池优化-不优化”。6.2 跌倒误报率过高坐下或弯腰也被判定为跌倒现象老人在沙发坐下时手机App偶尔收到跌倒警报。排查回传数据到电脑分析发现“缓慢坐下”过程中加速度计Z轴的变化与“缓慢侧向跌倒”有相似之处。检查Edge Impulse混淆矩阵发现“sitting_down”和“falling”两类之间存在一定混淆。解决方案数据层面补充采集更多“缓慢坐下”、“快速坐下”、“弯腰捡东西”等动作的样本特别是动作起始和结束阶段姿态多样的样本让模型学习更精细的区别。算法层面采用多级判断策略而非单一模型输出。第一级Edge Impulse模型给出初步分类和置信度。第二级在嵌入式端增加简单的规则过滤器。例如如果模型判断为“跌倒”但同时检测到在动作发生后2秒内姿态恢复了稳定通过陀螺仪数据计算出的角度变化平缓则可能是一次“坐下”或“弯腰”予以过滤。第三级在手机App端可以设置一个短时间内的重复确认机制。例如在10秒内连续收到2次“跌倒”警报才最终触发强提醒。单次警报可能只触发鞋内震动进行本地提醒。参数调整提高模型触发警报的置信度阈值如从0.7提升到0.85。6.3 电池续航时间远短于预期现象标称500mAh的电池实际只能工作不到2小时。排查使用USB电流表串联测量发现工作电流持续在120mA左右。解决方案嵌入式设备的功耗优化是一门大学问。最有效的一招让ESP32睡眠。我们的监测不需要100%的实时性。可以设计这样的工作循环唤醒 - 快速采集1秒数据 - 运行模型推理 - 如果结果正常立即进入深度睡眠Deep Sleep5秒 - 定时器唤醒进入下一个循环。在深度睡眠下ESP32的电流可以降到10μA级别蓝牙和CPU大部分关闭仅由RTC定时器维持。这能将续航从小时级提升到天级。实现方法使用esp_deep_sleep_start()函数并通过esp_sleep_enable_timer_wakeup()设置唤醒时间。外设管理在睡眠前通过代码将MPU6050的电源引脚拉低如果单独可控或者将其设置为低功耗模式。断开震动马达的驱动电路。降低工作频率在不影响模型性能的前提下尝试降低CPU主频。6.4 模型在ESP32上运行速度慢导致检测延迟大现象从做出动作到出结果感觉有超过1秒的延迟。排查在代码中打印推理函数run_classifier()的执行时间。解决方案优化Edge Impulse模型在Edge Impulse设计脉冲时尝试使用更轻量的神经网络架构如选择“MobileNetV1”或“Simple NN”或者减少输入特征图的大小。启用ESP32的硬件加速ESP32具有双核确保推理任务运行在一个核心上不影响数据采集和通信。此外对于某些运算可以尝试使用ESP32的硬件DSP指令进行优化Edge Impulse生成的库可能已包含部分优化。调整采样与推理节奏不必每次采集新数据就全量推理一次。可以采用“滑动窗口”法每采集50ms的新数据就与之前1950ms的旧数据组成一个2秒窗口进行推理这样响应会更及时。7. 项目总结与未来展望经过几个月的折腾这双看起来有点笨拙的“智能拖鞋”原型终于能比较可靠地工作了。它可能离一个成熟的产品还有很远但作为一个原型它成功地验证了“无感化监测”这个核心概念的可行性。回顾整个过程最大的体会是一个物联网AI项目最难的不是某一项技术而是如何让硬件、嵌入式软件、AI模型和移动端应用这四个部分稳定、协同地工作。联调阶段花费的时间远超过单个部分的开发。如果想让这个项目更进一步可以从这些方向深入多传感器融合加入足底压力传感器矩阵可以更精确地分析步态稳定性甚至提前预警步态异常这比事后检测跌倒更有意义。离线语音提醒在拖鞋内集成一个简单的语音模块当检测到久坐时可以用语音温和提醒老人起身活动。数据同步与分析通过Wi-FiESP32也支持将日常的活动数据行走步数、久坐次数同步到云端子女可以通过App查看长辈长期的活动趋势报告。低功耗极致优化设计更精细的电源管理策略使用更低功耗的MCU如ESP32-C3配合更大容量电池目标是实现一周以上的续航。这个项目带给我的不仅仅是一双会“思考”的拖鞋更是一次将技术善意转化为实际关怀的完整实践。它让我深刻理解到技术真正的价值在于它如何悄无声息地融入生活去守护那些我们最在意的人。希望我的这些经验和踩过的坑能为你点亮一点灵感做出更有趣、更有用的东西。