Analisador de ECG de Precisão com Edge Impulse e Arduino Nano 33 BLE Sense
Componentes e Materiais
| Arduino Nano 33 BLE Sense | 1 |
| Monitor de Frequência Cardíaca Single Lead AD8232 (SparkFun) | 1 |
| Display OLED 0,96" 64x128 (ElectroPeak) | 1 |
Ferramentas Necessárias
- Ferro de solda (genérico)
- Solda sem chumbo
- Kit 10 Jumpers 5cm
Aplicativos e Serviços Online
- Edge Impulse Studio
- MATLAB
- Arduino IDE
- Microsoft Visual Studio 2017
Sobre o Projeto
Ataque Cardíaco Súbito e Aumento de Fatalidade: Preocupação Crescente
Na última década, as mortes por ataque cardíaco súbito aumentaram tremendamente. Particularmente em nações em desenvolvimento como Índia, além de fatores genéticos e estilo de vida, a falta de recursos médicos em áreas rurais causa a maioria das fatalidades por ataque cardíaco.
Contribuição da Tecnologia para Resolver Este Problema Global
Trabalhei em uma aplicação TinyML alimentada pelo Edge Impulse para desenvolver um mini analisador de ECG de diagnóstico que cabe no bolso e pode diagnosticar doenças cardíacas independentemente, sem conectividade com nuvem.
Analisadores de ECG Atuais no Mercado e Suas Características
- Dispositivos IoT médicos atuais enviam dados brutos de ECG para celular/servidor e a análise é feita em processador de alto desempenho / App móvel.
- Aplicações baseadas em computador que recebem sinais do dispositivo ECG e analisam padrões.
- Todos os dispositivos de análise de ECG têm dependência de Internet ou computadores/celulares de alto processamento.
Resumo no gráfico abaixo:
Solução Principal
- Analisador de ECG alimentado pelo Edge Impulse analisa dados de ECG sem dependência de Internet.
- Latência mais baixa comparado a dispositivos IoT.
- Modelo TinyML de 15KB ROM para análise de ECG roda em qualquer microcontrolador compatível com TinyML.
- O dispositivo analisa padrões de ECG e classifica em: Normal, Fibrilação Atrial e Bloqueio AV de Primeiro Grau.
Arquitetura
O analisador de ECG envolve:
- Leitura de ECG usando AD8232
- Simulação de diferentes padrões de ECG de doenças cardíacas
- Abordagem inovadora para produzir datasets de qualidade
- Treinamento do Modelo
- Teste de precisão do modelo e Integração do código da aplicação com biblioteca deployada
Conheça o Gráfico de ECG
Antes do trabalho técnico, vamos aos básicos do gráfico de ECG. O gráfico é dividido em 5 ondas: P, Q, R, S e T.
Fibrilação Atrial
Bloqueio AV de Primeiro Grau
Vamos Construir o Analisador de ECG
1. Leitura de ECG usando AD8232
Conecte o sensor ECG AD8232 ao Arduino Nano 33 BLE Sense conforme diagrama de conexão abaixo. Carregue o código abaixo e pressione Ctrl+Shift+L para visualizar o streaming gráfico dos dados.
void setup() {
Serial.begin(115200);
pinMode(2, INPUT); // Detecção leads off LO +
pinMode(3, INPUT); // Detecção leads off LO -
}
void loop() {
if((digitalRead(2) == 1)||(digitalRead(3) == 1)){
Serial.println('!');
} else {
Serial.println(analogRead(A0));
}
delay(5);
}
1.1 Posicionamento dos Eletrodos de ECG
Os eletrodos são colocados em RA, LA e LL conforme diagrama acima e conecte o jack ao sensor AD8232 no Analisador de ECG.
2. Simulando Diferentes Padrões de ECG usando MATLAB Signal Builder
Passo 2.1: Salvar dados de ECG normal no Excel
Copie e salve os dados do monitor serial no Excel como template abaixo. O valor ECG deve estar na segunda coluna sob 'Y'. A primeira coluna é série temporal, deve incrementar em (* 0.005) 5ms.
Passo 2.2: Signal Builder no MATLAB
Crie novo modelo Simulink no MATLAB. Digite 'signal builder' no workspace e selecione. Insira também 'scope' para conectar ao signal builder.
Para carregar dados salvos no Excel, abra o signal builder e selecione 'import from file'.
Selecione as opções mencionadas para importar os dados.
Confirme a seleção e importe sem salvar o modelo, pois precisamos de mais passos.
2.3: Visualização de Dados ECG no Signal Builder
60 segundos de dados ECG aparecem assim. Para edição manual, dê zoom para 5 segundos e faça 'drag' para editar a onda ECG.
Após zoom, ao colocar ponteiro do mouse perto da onda ECG, pode selecionar qualquer ponto e arrastar conforme necessidade.
2.4: Editando Dados de Intervalo P-R no Signal Builder para Caso Bloqueio AV 1
Arrastei manualmente a onda P para baixo e desloquei a onda P bem antes da onda R, para que o intervalo P-R exceda 200ms. Repita em diferentes pontos na timeline do signal builder.
Após editar, exporte os dados para arquivo .mat. Encontrará esta opção no signal builder. Salvo o .mat, siga os passos abaixo.
Passos: clique duas vezes no arquivo .mat → clique duas vezes no Dataset 1x1 → verá dados modificados em Data:1. Copie e cole em novo arquivo Excel.
Passo 2.5: Exportar Dados Excel para Array
Escrevi um script .m que converte dados Excel em array. Rode no MATLAB, substituindo ExcelFilename pelo seu arquivo local e ExcelSheetName pela planilha correspondente.
data=xlsread('ExcelFilename.xlsx','ExcelSheetName');
ECGExtract=(data(1:end,1)); %%Coluna A data
fid=fopen('test.txt','wt');
fprintf(fid,'{');
FormatSpec=[repmat('%i ',1,size(ECGExtract,2)) ','];
fprintf(fid,FormatSpec, ECGExtract);
fprintf(fid,'}')
fclose(fid);
Arquivo texto será gerado no diretório atual.
Copie o conteúdo do array e cole no código ECGAnalyzer.c para simular Fibrilação Atrial e Bloqueio AV de Primeiro Grau.
3. Abordagem Inovadora para Produzir Datasets de Qualidade
Se olhar dados de ECG, é muito difícil distinguir diferentes condições cardíacas de ECG normal em janela de tempo menor (ex: 3 seg).
Quando treinei modelo apenas com Dados ECG Filtrados para fibrilação atrial, normal e bloqueio AV 1o grau, a precisão foi menor que 23%. A razão: na janela curta o modelo não consegue diferenciar. Janela maior aumentava tempo de processamento e RAM pico, mesmo sem ganho de precisão.
Fundamentação da Abordagem Inovadora: Quando médico ou pessoa treinada analisa ECG, conta as caixinhas entre onda R-R, intervalo P-R e anota contagens no gráfico ou memoriza para cálculo.
Criei formas de onda separadas a partir dos dados ECG filtrados.
Novas Formas de Onda:
- Intervalo R-R
- Intervalo PR
Datasets Gerados para Dados ECG Normal:
O intervalo R-R decodificado e PR interval data são sempre 100 e 50 para ECG normal.
Datasets Gerados para Fibrilação Atrial:
Sempre que há desvio entre intervalo R-R anterior e atual, o dado R-R interval cai para -100 por um ciclo.
Datasets Gerados para Bloqueio AV 1o Grau:
Sempre que intervalo P-R excede 200ms, o dado de Intervalo PR cai para -50 por um ciclo.
Esta abordagem melhorou a precisão do modelo para maior que 90%.
4. Treinamento do Modelo no Edge Impulse
Antes de treinar ML no Edge Impulse, configure parâmetros no arquivo de biblioteca para simulação e leitura real do sensor ECG.
Passo 4.1: Configure SIMULATION = 0 se aquisição de dados for de sensor ECG real; ou SIMULATION = 1 se for de dados simulados para fibrilação atrial e bloqueio AV1 (sessões MATLAB).
Passo 4.2: Comentar/descomentar buffer de dados necessário para simulação
Passo 4.3: Aquisição de Dados
Colete dados ECG sob três rótulos: Normal, Fibrilação Atrial e Bloqueio AV de Primeiro Grau.
Documentação Edge Impulse para Nano 33 BLE Sense
Selecione frequência 202Hz:
$ edge-impulse-daemon --frequency 202
Passo 4.4: Criar Impulso
Na seção Create Impulse, tamanho da janela 3000ms, aumento da janela 2999ms, selecione detecção de anomalia k-means.
Passo 4.5: Features Espectrais
Em Spectral Features, selecione tipo de filtro None.
Passo 4.6: Classificador NN
Defini 40 ciclos de treinamento e learning rate 0.005. Obtive 92,9% de precisão.
Para detecção de anomalia, selecionei PR interval RMS e RR interval RMS.
5. Precisão de Teste do Modelo e Integração
No teste de precisão do modelo, chegou a ~97% de acurácia.
5.1 Deploy: Selecione Arduino como deploy.
Adicione o arquivo EI deployado baixado à biblioteca Arduino.
Nota: Adicione também a biblioteca ECG_Analyzer do link GitHub à biblioteca Arduino. Isso ajuda a integrar meu algoritmo de decodificação ECG ao modelo gerado pelo EI.
5.2 Integrando Código da Aplicação ao Código Core EI Gerado
Mesclei o código da aplicação no EI deployado "nano_ble33_sense_accelerometer_continuous" e salvei como ECGAnalyzer.ino. Disponível no link GitHub anexo. Carregue o código com SIMULATION = 0 no ECG_Analyzer.c no dispositivo.
Hardware
Conecte conforme diagrama Fritzing:
Montagem:
Produto Final
Aqui o produto final e o nível de precisão nos dados de teste!!!
Créditos
ECG: https://geekymedics.com/how-to-read-an-ecg/
Código
Repositório GitHub: https://github.com/Manivannan-maker/ECGAnalyzer
Descompacte o ECGAnalyzer.zip. Código para gravar: EI_Deployed_Library\examples\ECGAnalyzer\ECGAnalyzer.ino. Biblioteca para editar simulação: ECGAnalyzer_lib\ecg_analyzer.c. Script MATLAB e modelo Signal Builder: Matlab_Simulation\Excel2Arrayconverter.m e Matlab_Simulation\signalbuilder.slx
Esquemáticos
Conecte conforme diagrama ecgdefault_SjMMcgW8jY.fzz
Processo de manufatura
- A Arte e Ofício das Tiaras: História, Materiais e Design Moderno
- Arame Farpado Explicado: História, Construção e Usos Modernos
- Monitor de Higiene de Vaso Sanitário com Walabot
- Machine Learning Prático com reTerminal: Guia de Demos Edge Impulse e ARM NN
- Transforme um Caminhão de Brinquedo Quebrado em Veículo RC Alimentado por Raspberry Pi
- Kit MOSMusic: MOSFET, Arduino e Mais - Iluminação Sincronizada com Música
- 6 Tipos de Organização Impulsionando Revolução do Edge Computing
- Máquina Premium de Tela Hexagonal para Agricultura e Avicultura
- Corte a Fio EDM: Guia Completo para Usinagem por Eletroerosão
- Corte a Fio CNC: Definição, Processo e Aplicações