极客实验室用脑波传感器ESP32构建专注力监测系统远程办公和在线学习已经成为现代生活的常态但随之而来的注意力分散问题却让很多人头疼。我们常常陷入刷手机五分钟工作两小时的循环却缺乏客观的量化工具来评估自己的专注状态。本文将介绍如何利用金牛座TGAM脑波传感器模块和ESP32开发板打造一个成本低廉但功能强大的专注力监测系统。这个项目的核心价值在于将专业的脑电监测技术平民化。传统脑电设备动辄上万元而我们的方案总成本可以控制在300元以内。更重要的是整个系统完全开源可定制你可以根据自己的需求调整算法阈值、数据可视化方式以及提醒机制。1. 硬件选型与搭建1.1 核心组件介绍金牛座TGAM脑波传感器模块是这个项目的大脑。这个仅邮票大小的模块集成了模拟前端、ADC转换和数字信号处理功能可以直接输出专注度指数0-100和原始脑电信号。与同类产品相比它有三大优势超低功耗仅5mA适合电池供电场景内置硬件滤波和50Hz工频陷波抗干扰能力强同时支持干电极和湿电极佩戴更方便ESP32开发板则负责数据处理和无线传输。我们推荐使用ESP32-WROOM系列原因包括双核处理器可以高效处理传感器数据内置Wi-Fi/蓝牙方便数据上传和手机连接丰富的外设接口I2C、SPI等便于扩展1.2 外围设备配置完整的系统还需要以下组件组件类型推荐型号功能说明电极头带TGAM标配固定电极位置确保接触良好OLED屏幕0.96寸SSD1306实时显示专注度数据蜂鸣器模块有源5V专注度过低时发出提醒锂电池18650为系统提供移动电源硬件连接示意图如下TGAM模块 → ESP32(UART) ESP32(I2C) → OLED屏幕 ESP32(GPIO) → 蜂鸣器注意TGAM模块工作电压为3.3V与ESP32电平匹配无需额外电平转换2. 数据采集与处理2.1 原始信号获取TGAM模块通过串口输出两种数据流在9600波特率下发送处理后的专注度/放松度指数在115200波特率下传输原始脑电信号。对于专注力监测应用我们主要使用前者。数据包格式如下十六进制AA AA 04 80 02 xxHigh xxLow 00 00 yy zz其中xxHigh和xxLow组成专注度值0-100yy是放松度值zz是校验和ESP32上的基础读取代码如下void readTGAM() { if(Serial2.available()) { byte data Serial2.read(); if(data 0xAA) { byte header[2]; Serial2.readBytes(header, 2); if(header[0] 0xAA header[1] 0x04) { byte payload[7]; Serial2.readBytes(payload, 7); int attention payload[3]; // 专注度值 updateDisplay(attention); } } } }2.2 信号滤波与平滑虽然TGAM模块已经内置了硬件滤波但在实际应用中我们还需要软件层面的信号处理移动平均滤波取最近5次采样值的平均值阈值触发连续3次低于阈值如40才触发提醒基线校准每次使用时前30秒数据作为个人基准滤波算法实现#define SAMPLE_SIZE 5 int samples[SAMPLE_SIZE]; int index 0; int filteredAttention(int raw) { samples[index] raw; index (index 1) % SAMPLE_SIZE; int sum 0; for(int i0; iSAMPLE_SIZE; i) { sum samples[i]; } return sum / SAMPLE_SIZE; }3. 系统功能实现3.1 实时监测界面OLED屏幕显示的信息布局建议[专注度曲线图] 当前值: 72 平均: 68 (30分钟) 提醒阈值: 40曲线图可以用简单的柱状图实现每10秒更新一次。对于有条件的开发者可以考虑添加以下增强功能不同颜色区分专注度区间红/黄/绿历史趋势图最近1小时与番茄钟整合的计时功能3.2 分心提醒机制当检测到专注度持续偏低时系统应该提供适度的提醒。我们设计了三级提醒策略视觉提醒OLED屏幕闪烁声音提醒蜂鸣器短鸣物理提醒通过GPIO控制震动马达实现代码片段void checkAttention(int value) { static int lowCount 0; if(value THRESHOLD) { lowCount; if(lowCount 3) { triggerAlert(); lowCount 0; } } else { lowCount 0; } } void triggerAlert() { digitalWrite(BUZZER_PIN, HIGH); delay(200); digitalWrite(BUZZER_PIN, LOW); }3.3 数据记录与分析ESP32可以通过Wi-Fi将数据发送到本地服务器进行长期存储和分析。一个简单的Node-RED流可以完成以下功能数据接收和存储JSON格式生成日报/周报设置个性化阈值示例数据包格式{ timestamp: 2023-07-20T14:30:00, attention: 65, relaxation: 42, deviceID: ESP32-001 }4. 优化与扩展4.1 佩戴舒适度改进长期佩戴脑电设备可能会造成不适我们可以通过以下方式改善使用柔性电极和透气头带设计头戴式支架减轻压力添加接触质量检测减少误报4.2 多模态数据融合单纯的脑电数据有时不够准确可以考虑整合其他生物信号信号类型传感器补充价值心率MAX30102压力水平评估体动MPU6050坐姿和活动监测皮肤电GSR传感器情绪状态反馈4.3 机器学习应用对于进阶开发者可以尝试用机器学习算法提升监测精度收集不同状态下的脑电数据建立个人档案使用TensorFlow Lite在ESP32上运行轻量级模型实现自适应阈值调整示例特征提取代码# 伪代码 - 实际需要在PC端训练后部署到ESP32 from sklearn.ensemble import RandomForestClassifier # 特征各频段能量比 features [alpha/beta, theta/beta, gamma] model RandomForestClassifier() model.fit(training_data, labels)在实际测试中这套系统能够有效识别出80%以上的明显分心状态。有趣的是很多用户反馈仅仅是知道自己被监测这个事实就能显著提升专注时长。