zsn的作品集
作品 1：🏃♂️🚣 跑步划船二合一智能健身器材智能化研发
一、项目背景与目标
在家庭健身与康复场景中，传统单一器材难以满足多样化训练需求。
本项目研发了一款 集跑步机与划船机于一体的智能健身设备，通过 多模态感知 + 边缘 AI 识别 + 云端分析，实现：
运动状态实时监测
个性化健康评估
智能训练指导
📸 
二、系统整体架构
系统由 硬件层 → 嵌入式控制层 → AI 推理层 → 云端服务层 → 前端应用层 构成。
硬件层：ESP32-S3 控制器、传感器（IMU、麦克风、心率等）、电机驱动、显示模块
嵌入式控制层：FreeRTOS 多任务调度，负责传感器采集、运动模式控制、通信协议
AI 推理层：Edge Impulse 模型（动作识别）、Demucs+EfficientAT（呼吸分析）
通信层：BLE & MQTT，实现手机 / 云端交互与 OTA 升级
应用层：uni-app 移动端 + RuoYi 后台管理
三、关键技术点
FreeRTOS 多任务调度
任务划分：
传感器采集任务（IMU、麦克风）
通信任务（BLE、MQTT）
AI 推理任务（Edge Impulse / EfficientAT）
控制任务（跑步/划船电机）
低功耗与实时性优化：动态阻塞/恢复任务
BLE & MQTT 通信协议设计
BLE：与移动端交互，支持设备控制、状态反馈
MQTT：与云端交互，上传训练数据、接收训练计划
支持 OTA 升级
AI 模型部署
Edge Impulse：部署轻量化动作识别模型，自动切换跑步/划船模式
Demucs + EfficientAT：从环境音中分离呼吸声，提取呼吸频率
融合 IMU 数据：辅助心肺负荷评估
应用层开发
uni-app 移动端：训练计划展示、运动数据可视化
RuoYi 后端：设备管理、用户档案、数据分析
四、主要研发职责
主导系统整体架构设计、硬件选型、PCB 设计
基于 FreeRTOS 开发多任务系统，保障实时性与低功耗
制定 BLE 协议与 MQTT 接口，实现端云互通及 OTA 升级
部署 Edge Impulse 模型，实现运动动作识别与模式切换
基于 Demucs + EfficientAT 提取呼吸频率，结合 IMU 数据进行心肺状态评估
开发移动端 APP 与后台管理接口，实现数据可视化与训练计划分发
五、成果与影响
研发流程：从原型设计 → 功能验证 → 小批量量产 → 展会展示
成果：
设备已完成小批量量产并交付使用
在展会展示中获得多家企业合作意向
硬件稳定性、低功耗性能及一致性在量产环节得到验证与优化
价值：
支持个性化训练计划，提升家庭健身体验
在康复训练场景具备应用潜力
市场化前景良好，具备规模化推广价值
六、经验与反思
挑战：
OTA 升级过程中多任务干扰问题 → 通过 suspend/resume 网络任务优化
呼吸声信号弱、噪声大 → 采用音频分离 + AI 模型增强
经验：
硬件设计要考虑量产一致性
AI 模型轻量化是嵌入式部署的关键
展望：
后续可增加更多传感器（血氧、心电）
与健身 APP / 医疗健康平台进一步对接
七、结语
通过本项目，我们验证了 多模态感知 + 边缘 AI 推理 + 云端分析 在家庭健身设备中的可行性，并成功实现了从 实验室原型 → 商业化小批量落地 的全过程。
未来，随着算法和硬件的迭代，智能健身器材将进一步走向 个性化、智能化、规模化。
作品2：🚴♀️ 数字孪生场地自行车训练测评平台研发
一、项目背景与目标
传统场地自行车训练受 天气、场地限制，难以保障稳定训练环境。
本项目研发了一套 虚实结合的数字孪生训练测评平台，通过 传感器数据采集 + 虚拟环境映射 + AI 数据分析，实现：
实时运动数据采集与反馈
虚拟场景中的沉浸式训练体验
运动表现智能评估与改进建议
二、系统整体架构
平台由 传感器采集层 → 数据处理层 → 虚拟交互层 → 数据存储与分析层 → 前端可视化层 构成。
硬件采集层：姿态/速度传感器、骑行台、嵌入式采集模块
数据处理层：串口/蓝牙通信，实时传输运动参数
虚拟交互层：NeRF 三维场景重建 + UE5 虚拟训练环境
存储与分析层：MySQL 数据库 + AI 分析模型
应用层：训练数据可视化，运动评估与建议
四、主要研发职责
三、关键技术点
传感器集成与嵌入式开发
姿态/速度传感器选型与电路设计
嵌入式数据采集模块开发（串口 & 蓝牙通信）
三维虚拟场景构建
基于 NeRF 与神经图形基元，快速还原真实场馆
使用 MAYA 3D 建模 对训练环境进行优化
虚拟交互开发
在 UE5 中搭建虚拟训练环境
使用蓝图逻辑实现“运动数据 → 骑行动画”映射
支持实时人机交互
数据存储与分析
MySQL 存储运动数据（速度、功率、姿态）
智能分析模块，生成训练评估与改进建议
支持数据可视化（曲线图 / 雷达图 / 热力图）
负责 骑行台传感器选型与集成，完成硬件电路设计及数据采集模块开发
基于 NeRF 技术 实现快速三维重建，构建虚拟场地训练场景
在 UE5 中开发虚拟训练环境，搭建交互逻辑
搭建 数据库与智能分析模块，支持数据可视化与训练评估
五、成果与影响
六、经验与反思
七、结语
该项目成功实现了 真实场地 → 数字孪生 → 商业应用 的完整链路，展示了 虚拟现实 + AI 分析 + 体育训练 的结合前景。
未来将进一步拓展至更多运动场景，推动智能体育训练走向普及与商业化。
实际落地：平台已在 十余个一二线城市商场落地应用，并实现盈利
用户反馈：通过创新的 虚实交互 + 数据分析，受到运动员与教练好评
挑战：
NeRF 重建精度与速度的权衡
UE5 场景实时渲染对硬件性能要求较高
经验：
结合传统建模（MAYA）与 AI 重建（NeRF），兼顾效率与真实感
数据分析可直接影响运动指导效果，算法解释性很重要
展望：
引入更多生理数据（心率、功率分布）提升分析深度
探索 VR/AR 融合，增强沉浸式体验
价值与潜力：
打破场地与天气限制
提供沉浸式训练体验
具备推广潜力与商业化前景