Präziser ECG-Analyzer mit Edge Impulse & Arduino Nano 33 BLE Sense

Benötigte Hardware

Software & Tools

• Edge Impulse Studio (Web, kostenlos für Entwickler)
• Arduino IDE
• MATLAB + Simulink (Signal Builder für Datensynthese)
• Visual Studio 2017 (optional)

Medizinischer Hintergrund

Plötzlicher Herztod nimmt zu, besonders in ländlichen Gebieten Entwicklungsländer fehlen Ärzte & Geräte. Klassische ECG-Geräte brauchen Cloud/Server für Analyse – Latenz, Datenschutz, Abhängigkeit.

Lösung: TinyML auf Mikrocontroller

ECG-Klassifikation lokal auf dem Nano 33 BLE Sense (Cortex-M4, 64MHz, 256KB RAM). Modellgröße: ~15 KB Flash. Keine Internetverbindung nötig. Latenz minimal. Klassifiziert: Normal, Vorhofflimmern (AFib), AV-Block 1. Grades.

Architektur & Pipeline

1. ECG-Aufnahme: AD8232 → Analog-In A0, Leads-Off-Detektion an D2/D3. Sampling 202 Hz.
2. Datensynthese (MATLAB): Normales ECG aufnehmen → Signal Builder → manuell P-R-Strecke verlängern (AV-Block) / R-R-Abstand variieren (AFib) → Arrays exportieren.
3. Novel Feature Engineering: Roh-ECG schwer zu klassifizieren bei kurzem Fenster (3s). Stattdessen zwei abgeleitete Wellenformen berechnen:
   • R-R-Intervall: Zeit zwischen R-Peaks. Normal: konstant (~100). AFib: variabel → Marker -100 bei Abweichung.
   • P-R-Intervall: Zeit P→R. Normal: ~50. AV-Block: >200ms → Marker -50.
4. Training in Edge Impulse: 3 Klassen, Fenster 3000ms, Increase 2999ms, Spektral-Features (kein Filter), NN-Klassifikator (40 Epochen, LR 0,005) + K-Means Anomalie (R-R & P-R RMS).
5. Deployment: Arduino Library + eigener ECG_Analyzer Library (Dekodierung) → kombinierter Sketch.

Ergebnisse

• Trainings-Accuracy: 92,9%
• Test-Accuracy: ~97%
• Modell läuft in Echtzeit auf Nano 33 BLE Sense
• Anzeige auf OLED: Klasse + Konfidenz

Aufbau & Betrieb

1. AD8232 an Nano: A0 (Signal), D2/D3 (LO+/LO-), 3,3V/GND
2. OLED an I2C (A4/A5)
3. Elektroden: RA (rechter Arm), LA (linker Arm), LL (linkes Bein) – Standard-Einthoven
4. Sketch flashen (SIMULATION=0 in ecg_analyzer.c)
5. Gerät bootet, zeigt Live-Klassifikation

Quellcode & Ressourcen

GitHub: Manivannan-maker/ECGAnalyzer (Sketch, Library, MATLAB-Skripte, Signal-Builder-Modell, Fritzing-Schaltplan)

Ein Durchbruch für mobile, offline-fähige Herzdiagnostik – TinyML rettet Leben!