基于行空板与Python的肺活量数据采集与可视化实战

1. 项目概述与核心价值

最近在带几个刚接触硬件编程的学生做项目，发现一个挺普遍的现象：很多孩子会用行空板上的传感器采集数据，比如用声音传感器测个分贝，用光线传感器读个亮度值，但数据采集完，往往就停留在串口打印或者屏幕显示几个数字的阶段。问他们“这组数据说明了什么变化趋势？”或者“哪个时间点的数值最高？”，他们就有点懵了。这让我想起我们这行常说的“数据不会说谎，但需要被看见”。恰好，手头有个结合行空板和Python图形化编程做“肺活量数据可视化”的项目，我觉得这是个绝佳的切入点，能把“采集-处理-呈现”这个完整的数据科学小闭环给跑通。

这个项目标题里的“肺活量数据可视化”，听起来像是个体育或健康监测应用，但其核心价值远不止于此。它本质上是一个

基于开源硬件平台（行空板）的实时数据采集与可视化教学案例

。通过它，新手可以直观地理解如何将物理世界中的模拟量（比如吹气压力）转化为数字信号，再通过Python代码处理，最终用折线图、柱状图这些生动的图形呈现出来。这对于学习物联网、数据分析甚至是一些科学实验的入门来说，都非常有帮助。无论你是教育工作者想设计一堂生动的STEM课程，还是编程爱好者想给自己的智能硬件项目加个酷炫的数据面板，这个教程都能提供清晰的路径。

2. 行空板与Python图形化环境搭建

2.1 为什么选择行空板作为数据采集终端

在开始动手之前，得先聊聊为什么用行空板。市面上能做Python编程的单板计算机不少，比如树莓派（Raspberry Pi）。行空板可以看作是为国内教育场景深度优化的一款产品。它最大的优势就是

开箱即用

和

软硬一体

。板子自带一块触摸屏，这就省去了外接显示器的麻烦；预装了完整的Python环境和丰富的图形化编程库（如Pinpong库，用于驱动各种传感器），你拿到手连上Wi-Fi就能开始编程，不用再折腾系统烧录、环境配置这些令人头疼的步骤。对于教学和快速原型开发来说，效率提升不是一点半点。

对于我们的肺活量测量项目，行空板上的模拟输入引脚（GPIO）是关键。我们需要一个传感器将“吹气力度”这个物理量转换成电压信号。通常，我们会选用

模拟气压传感器

或

风速传感器

。行空板的模拟引脚可以读取0-3.3V的电压值，并将其映射为0-4095的数字量（12位ADC精度）。这个“数字量”就是我们后续处理和分析的原始数据。选择行空板，意味着我们无需额外配置复杂的ADC（模数转换）模块，其硬件和软件库已经为我们做好了底层封装。

注意

：在选择传感器时，务必确认其输出信号类型和电压范围。常见的模拟传感器输出一般是0-5V或0-3.3V。行空板的GPIO引脚耐受电压是3.3V，如果传感器输出5V，必须使用分压电路进行降压，否则有损坏板子的风险。这是硬件连接的第一条安全准则。

2.2 Python图形化编程环境Mind+的配置要点

行空板支持多种编程方式，但对于入门者，尤其是青少年或编程零基础的爱好者，我强烈推荐使用**Mind+**这款图形化编程软件。它把复杂的Python代码封装成了积木块，通过拖拽就能完成逻辑搭建，大大降低了入门门槛。更重要的是，Mind+对行空板有非常好的原生支持。

配置环境其实很简单，但有几个细节容易踩坑：

完成这些步骤后，你应该能在Mind+中看到行空板的模拟输入积木块，比如“读取引脚A0的模拟值”。这就是我们获取肺活量传感器数据的起点。

3. 肺活量数据采集的硬件连接与原理

3.1 传感器选型与电路连接实操

假设我们选用一款常见的

模拟输出型气压传感器模块

（如MPXV7002DP）。这类传感器能将气压差（吹气产生的压力）线性地转换为电压输出。连接电路非常简单：

• 传感器的

  VCC

  引脚接行空板的

  3.3V

  输出引脚。

• 传感器的

  GND

  引脚接行空板的

  GND

  引脚。

• 传感器的

  OUT

  （信号输出）引脚接行空板的

  A0

  （或其他任意模拟输入引脚）。

连接好后，用一个简单的测试程序读取A0引脚的值。在Mind+中，你可以拖拽出如下逻辑的积木：

当 绿色旗帜 被点击
重复执行
变量 [原始数据] 设为 (读取引脚 A0 模拟值)
在控制台打印 (原始数据)
等待 0.1 秒

运行程序，对着传感器吹气，观察控制台打印的数字变化。不吹气时，应该是一个相对稳定的基线值（可能是几百）；吹气时，这个值会显著增大。这个变化过程，就是我们的有效数据。

3.2 数据校准与单位转换的逻辑

从传感器读到的“原始数据”是一个0到4095之间的整数，它只代表电压的相对大小，并不是真正的压强值（单位通常是帕斯卡Pa）或肺活量估值（单位毫升mL）。因此，

数据校准

是必不可少的一步。

校准分为两步：

在程序中，转换公式大致如下：

校准后数据 = (原始读数 – 基准值) * 比例系数

如果比例系数是基于肺活量毫升数校准的，那么“校准后数据”的单位就可以近似认为是mL。这里必须强调，由于传感器精度、吹气方式（爆发力vs持续力）等因素，

这种方法得到的肺活量数值是估算值，不能作为严格的医学诊断依据

。它的核心教学目的是展示数据从模拟信号到物理意义的转换过程。

4. 数据可视化核心：Matplotlib在行空板上的应用

4.1 为何选择Matplotlib及性能考量

数据拿到了，也校准了，接下来就是让数据“说话”——可视化。Python世界里最强大的绘图库非

Matplotlib

莫属。它功能全面，能绘制从简单的折线图到复杂的3D图形在内的几乎所有静态图表。行空板预装的Python环境通常已经包含了Matplotlib，这为我们提供了极大的便利。

但是，在行空板这类资源有限的嵌入式设备上使用Matplotlib，必须考虑

性能优化

。Matplotlib默认的渲染后端（如TkAgg）在PC上很流畅，但在行空板的ARM处理器和有限内存上，绘制复杂图表或频繁刷新时可能会卡顿。因此，我们的策略是：

• 绘制静态图或低频更新图

  ：比如，一次测试结束后，绘制整个过程的趋势图。

• 简化图表元素

  ：去掉不必要的网格、背景装饰，使用简单的线条和颜色。

• 使用

  plt.pause(0.01)

  替代

  plt.show(block=True)

  ：在需要动态更新图表时（如实时折线图），使用

  plt.pause(0.01)

  可以让图表短暂刷新并继续执行后续代码，实现动画效果，同时避免界面卡死。

4.2 折线统计图：绘制吹气过程动态曲线

折线图最适合展示数据随时间变化的趋势，比如吹气过程中，肺活量估算值从零上升到峰值再回落的过程。

在Mind+的Python模式下，我们可以直接编写代码。核心思路是创建两个列表，分别存储时间点（或采样次数）和对应的肺活量数据。

import matplotlib.pyplot as plt
import time

# 初始化数据和图表
time_list = [] # 时间序列
value_list = [] # 肺活量值序列
plt.ion() # 打开交互模式
fig, ax = plt.subplots()
line, = ax.plot([], [], '-o') # 创建线对象
ax.set_xlabel('时间 (秒)')
ax.set_ylabel('肺活量估算值 (mL)')
ax.set_title('肺活量测试实时曲线')

start_time = time.time()
while True: # 主循环，假设测试持续10秒
current_time = time.time() – start_time
# 1. 读取并校准传感器数据 (假设已封装成函数 get_calibrated_value())
current_value = get_calibrated_value()

# 2. 更新数据列表
time_list.append(current_time)
value_list.append(current_value)

# 3. 更新图表
line.set_xdata(time_list)
line.set_ydata(value_list)
ax.relim() # 重新计算坐标轴范围
ax.autoscale_view() # 自动缩放视图
fig.canvas.draw()
fig.canvas.flush_events() # 刷新画布

# 4. 等待一小段时间，控制采样率（例如每秒10次）
time.sleep(0.1)

if current_time > 10: # 测试10秒后结束
break

plt.ioff() # 关闭交互模式
# 测试结束后，可以保存图表
plt.savefig('/home/pi/lung_capacity_line.png')
plt.show()

这段代码创建了一个实时更新的折线图。

plt.ion()

和

plt.ioff()

是控制交互模式的关键。在行空板的屏幕上，你就能看到一条随着你吹气而动态上升的曲线。

4.3 柱状统计图：多人数据对比分析

当有多人依次进行测试后，我们自然想对比大家的成绩。这时，柱状图就比折线图更直观。假设我们已经将三个人（张三、李四、王五）的肺活量峰值数据存储在了字典里。

import matplotlib.pyplot as plt

# 模拟数据
data = {'张三': 3200, '李四': 2850, '王五': 3500}
names = list(data.keys())
values = list(data.values())

plt.figure(figsize=(8, 5)) # 设置图表大小
bars = plt.bar(names, values, color=['skyblue', 'lightgreen', 'salmon'])

# 在柱子上方添加数值标签
for bar, value in zip(bars, values):
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 50,
f'{value} mL', ha='center', va='bottom')

plt.xlabel('测试者')
plt.ylabel('肺活量 (mL)')
plt.title('肺活量测试结果对比')
plt.ylim(0, max(values) * 1.2) # 设置Y轴范围，留出一些空间显示标签
plt.grid(axis='y', linestyle='–', alpha=0.7) # 添加水平网格线，更易读

# 保存并显示
plt.tight_layout() # 自动调整布局，防止标签被截断
plt.savefig('/home/pi/lung_capacity_bar.png')
plt.show()

与折线图强调趋势不同，柱状图的要点在于

清晰对比

。这里有几个细节：

5. 项目程序架构设计与优化

5.1 状态机模式：管理测试流程

一个完整的肺活量测试程序，不会只有数据采集和绘图。它应该包含“准备就绪”、“正在测试”、“测试结束”、“结果显示”等多个状态。用一堆全局变量和复杂的

if-else

语句来控制这些状态，代码会很快变得混乱不堪。这里我推荐使用**状态机（State Machine）**的设计模式。

我们可以定义一个全局变量

current_state

，其值可以是

'READY'

,

'TESTING'

,

'FINISHED'

等。程序的逻辑（主循环）根据当前状态来决定执行什么操作。

import time

# 状态定义
STATE_READY = 'ready'
STATE_TESTING = 'testing'
STATE_FINISHED = 'finished'

current_state = STATE_READY
test_start_time = 0
data_points = [] # 存储测试数据

def state_ready():
"""就绪状态：显示提示，等待开始信号（如按钮按下）"""
global current_state
print("请准备，按下按键开始测试…")
# 这里可以控制屏幕显示提示文字
if button_is_pressed(): # 假设有一个检测按键的函数
current_state = STATE_TESTING
global test_start_time
test_start_time = time.time()
data_points.clear() # 清空旧数据

def state_testing():
"""测试状态：采集数据，实时绘图，判断是否结束"""
global current_state
elapsed = time.time() – test_start_time
if elapsed > 10: # 测试持续10秒
current_state = STATE_FINISHED
return

# 采集并处理数据
value = get_calibrated_value()
data_points.append((elapsed, value))

# 更新实时图表（略）
update_realtime_plot(elapsed, value)

def state_finished():
"""结束状态：计算峰值，绘制最终图表，保存结果"""
global current_state
if not data_points:
print("无有效数据")
current_state = STATE_READY
return

# 计算峰值
peak_value = max([v for t, v in data_points])
print(f"测试结束！峰值肺活量估算值：{peak_value:.0f} mL")

# 绘制并保存最终折线图、柱状图（略）
draw_final_charts(data_points, peak_value)

# 等待一段时间后，回到就绪状态
time.sleep(5)
current_state = STATE_READY

# 主循环
while True:
if current_state == STATE_READY:
state_ready()
elif current_state == STATE_TESTING:
state_testing()
elif current_state == STATE_FINISHED:
state_finished()
time.sleep(0.05) # 主循环控制频率

这种设计让程序逻辑变得非常清晰，每个状态只关心自己的任务，易于调试和扩展。比如，未来你想增加一个“校准状态”，只需要新增一个

STATE_CALIBRATING

和对应的处理函数即可。

5.2 数据持久化：保存历史记录

测试数据如果关掉程序就没了，那就太可惜了。我们需要将每次测试的结果（测试者姓名、时间、峰值等）保存下来。最简单的方式是使用

CSV（逗号分隔值）文件

。Python内置的

csv

模块让这个操作非常简单。

import csv
import os
from datetime import datetime

DATA_FILE = '/home/pi/lung_capacity_records.csv'

def save_record(name, peak_value):
"""保存一条测试记录到CSV文件"""
# 如果文件不存在，先写入表头
file_exists = os.path.isfile(DATA_FILE)
with open(DATA_FILE, 'a', newline='') as f:
writer = csv.writer(f)
if not file_exists:
writer.writerow(['姓名', '测试时间', '峰值肺活量(mL)'])
# 写入数据
test_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
writer.writerow([name, test_time, f'{peak_value:.1f}'])

def load_records():
"""从CSV文件加载所有历史记录"""
records = []
if not os.path.isfile(DATA_FILE):
return records
with open(DATA_FILE, 'r') as f:
reader = csv.DictReader(f) # 使用DictReader，按列名访问
for row in reader:
records.append(row)
return records

在

state_finished()

函数中，调用

save_record(“测试者姓名”, peak_value)

即可保存。之后，我们可以编写一个“历史数据查看”功能，读取

load_records()

返回的数据，并用Matplotlib绘制成随时间变化的趋势图，或者生成一份多人成绩排行榜，项目的可玩性和实用性就大大增强了。

6. 界面交互与用户体验提升

6.1 利用行空板触摸屏构建简易GUI

行空板自带的屏幕不仅是输出设备，更是输入设备。我们可以用一些简单的图形元素来构建用户界面，替代纯命令行交互。虽然Mind+的图形化编程对复杂GUI支持有限，但我们可以借助

pygame

或

tkinter

的简易功能，或者利用行空板内置的

unihiker

库（如果预装的话）来显示图片和文字。

一个取巧且有效的方法是：

将Matplotlib绘制的图表保存为图片，然后在屏幕上全屏显示这张图片，并叠加一些文字提示和按钮区域

。我们可以用

PIL

（Python Imaging Library）库来处理图片和绘制简单的UI元素。

from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt
import numpy as np

# 1. 先用Matplotlib生成图表
plt.figure(figsize=(8, 4.8)) # 行空板屏幕分辨率通常是800×480
# … (绘制图表的代码，例如一个柱状图)
plt.savefig('temp_chart.png', dpi=100, bbox_inches='tight', pad_inches=0.1)
plt.close()

# 2. 用PIL打开图表，并添加UI元素
base_img = Image.open('temp_chart.png')
draw = ImageDraw.Draw(base_img)
# 尝试加载字体，如果失败则使用默认字体
try:
font = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans-Bold.ttf", 24)
except:
font = ImageFont.load_default()

# 在图片顶部添加标题
draw.text((10, 10), "肺活量测试报告", fill=(255, 0, 0), font=font)
# 在底部绘制一个“返回”按钮（用一个矩形框表示）
draw.rectangle([600, 400, 780, 460], outline=(0, 0, 255), width=3)
draw.text((630, 410), "返回", fill=(0, 0, 255), font=font)

# 3. 显示最终图片（这里需要根据行空板具体的显示库来操作）
# 例如，如果使用unihiker库：
# from unihiker import GUI
# gui = GUI()
# gui.show_image(base_img)
# 或者使用pygame（需安装）：
# import pygame
# pygame.init()
# screen = pygame.display.set_mode((800, 480))
# pygame_image = pygame.image.fromstring(base_img.tobytes(), base_img.size, base_img.mode)
# screen.blit(pygame_image, (0,0))
# pygame.display.flip()

这种方法将复杂的GUI绘制简化为“生成图表”+“图片合成”，逻辑清晰，且能充分利用Matplotlib强大的绘图能力。

6.2 声音与视觉反馈设计

良好的用户体验离不开及时的多重反馈。在测试过程中：

• 视觉反馈

  ：除了图表，可以在屏幕角落用大号字体实时显示当前读数。当数值超过某个阈值（如3000mL）时，改变数字颜色（如变绿或变红）。

• 声音反馈

  ：行空板有蜂鸣器或音频输出接口。可以在测试开始、结束、峰值产生时，用

  time

  模块控制GPIO输出不同频率的蜂鸣声，或者播放简短的提示音文件。

# 伪代码示例：控制蜂鸣器（假设连接在引脚D0）
def beep(frequency_hz, duration_ms):
"""发出指定频率和时长的声音（使用PWM模拟）"""
# 使用Pinpong库或RPi.GPIO库产生PWM信号
# 例如：pwm = GPIO.PWM(buzzer_pin, frequency_hz)
# pwm.start(50) # 占空比50%
# time.sleep(duration_ms / 1000.0)
# pwm.stop()
pass

# 在状态转换时调用
if current_state == STATE_READY and new_state == STATE_TESTING:
beep(1000, 200) # 开始测试，发出“嘀”一声
elif current_state == STATE_TESTING and new_state == STATE_FINISHED:
beep(800, 100) # 测试结束，短促提示
beep(1200, 100)

这些细微的反馈能极大提升程序的互动感和完成度，让它从一个冷冰冰的代码演示，变成一个真正可用的、有趣的小工具。

7. 常见问题排查与性能调优

7.1 传感器读数不稳定或漂移

这是硬件项目中最常见的问题。现象是：即使不吹气，读数值也在小范围跳动，或者基线缓慢变化。

• 排查电源干扰

  ：确保行空板和传感器供电稳定。可以尝试用独立的稳压模块为传感器供电，或者检查连接线是否松动。电源噪声是导致模拟信号波动的主要原因。

• 软件滤波

  ：在代码中加入滤波算法。最简单的是一阶低通滤波（也称指数加权平均），它能平滑掉高频噪声。
  filtered_value = 0
  alpha = 0.2 # 滤波系数，0~1之间，越小越平滑但响应越慢
  while True:
  raw = read_sensor()
  filtered_value = alpha * raw + (1 – alpha) * filtered_value
  # 使用 filtered_value 进行后续计算

• 多次采样取平均

  ：每次读取传感器时，不是读一次，而是快速连续读10-20次，然后取中位数或平均值，能有效抑制随机干扰。

• 检查接地

  ：确保所有设备的GND（地线）都良好地连接在一起，共地不良会引入很大的干扰。

7.2 图表绘制卡顿或刷新慢

在行空板上动态更新Matplotlib图表，如果数据点很快（比如每秒几十次），很容易感到卡顿。

• 降低刷新频率

  ：人眼对超过10-15Hz的刷新率感知变化就不明显了。没必要每个数据点都刷新图表。可以设置一个计数器，每采集5个或10个点才更新一次图表。

• 限制数据点数量

  ：对于实时滚动图表，不要无限制地增加数据点。可以固定只显示最近100个或200个点，当点数超过时，从列表头部移除旧数据。这能保证绘图的计算量不会随时间增长而无限增大。
  max_points = 100
  if len(time_list) > max_points:
  time_list.pop(0)
  value_list.pop(0)

• 使用更轻量的绘图库

  ：如果对图表美观度要求不高，可以尝试使用

  pygame

  直接绘制线段和矩形来模拟折线图和柱状图，性能会比Matplotlib好很多。但对于入门教学，Matplotlib的易用性和规范性优势更大，在数据量不大时，通过上述优化基本可以满足需求。

7.3 程序意外退出或内存不足

长时间运行或多次测试后，程序可能变慢甚至崩溃。

• 及时清理图形对象

  ：每次绘制完最终图表并保存后，使用

  plt.close('all')

  关闭所有图形窗口，释放内存。特别是在循环中创建图表时，必须在循环内关闭旧图表。

• 避免全局变量滥用

  ：将不同功能的数据封装在函数内或类属性中，减少全局变量的使用。全局变量过多不利于内存管理，也容易导致逻辑混乱。

• 监控内存使用

  ：可以在程序中加入简单的日志，打印关键时间点的内存使用情况（如使用

  psutil

  库，如果行空板支持安装）。如果发现内存持续增长，说明存在内存泄漏，需要检查是否有数据列表（如

  data_points

  ）在每次测试后没有正确清空。

这个项目从硬件连接到软件编程，从数据采集到可视化呈现，覆盖了一个微型物联网应用的核心流程。它最宝贵的不是最终那个显示数字和图表的屏幕，而是过程中对“数据流”的完整实践。当你成功看到自己吹气产生的曲线在屏幕上跃动时，你对编程、硬件和数据的理解，就已经跨过了那道从理论到实践的门槛。