Edge ImpulseとArduino Nano 33 BLE Senseによる高精度ECGアナライザー

必要な部品と材料

部品	数量
Arduino Nano 33 BLE Sense	1
SparkFun シングルリード心拍モニター - AD8232	1
ElectroPeak 0.96インチ OLED 64x128 ディスプレイモジュール	1

必要な工具と機器

• はんだごて（汎用）
• 鉛フリーはんだ
• ジャンパーワイヤキット 10本（5cm）

使用するアプリとオンラインサービス

• Edge Impulse Studio
• MATLAB
• Arduino IDE
• Microsoft Visual Studio 2017

このプロジェクトについて

突然の心臓発作と死亡率の増大 - 深刻化する懸念

過去10年間で、突発的な心臓発作による死亡が著しく増加しています。

特にインドのような発展途上国では、遺伝的要因や生活習慣に加え、地方部の医療リソース不足が心臓発作の死亡率を押し上げています。

テクノロジーによるこの地球規模課題への貢献

私はEdge Impulseを活用したTinyMLアプリケーションとして、ポケットに入るサイズのミニ診断ECGアナライザーデバイスを開発しました。これはクラウド接続なしで、心疾患を独立して診断できます。

現在市場にあるECGアナライザーとその特徴

• 従来のIoT医療機器：大量のECGデータをモバイル/サーバーに送信し、高性能プロセッサやモバイルアプリで解析
• PCベースのアプリケーション：ECGデバイスから信号を受信し、PC上でパターン解析
• すべてのECG解析デバイスは、インターネットまたは高性能コンピュータ/モバイルアプリに依存している

これらを以下の図にまとめます：

本プロジェクトのキーソリューション

• Edge Impulse搭載のECGアナライザーは、インターネット依存なしでECGデータを解析
• IoTデバイスと比較してレイテンシが最小
• 15KBのROMで動作するTinyMLモデルは、TinyML対応マイコンならどこでも動作可能
• ECGパターンを解析し、「正常」「心房細動」「一次房室ブロック（第一度房室ブロック）」の3クラスに分類

アーキテクチャ

ECGアナライザーは以下の要素で構成されます：

1. AD8232によるECG取得
2. 様々な心疾患のECGパターンシミュレーション
3. 質の高いデータセットを生成する新規アプローチ
4. モデルの訓練
5. モデルのテスト精度評価と、デプロイ済みライブラリとアプリケーションコードの統合

ECG波形の基礎知識

技術的な作業に入る前に、ECG波形の基本を確認します。

ECG波形は5つの波（P、Q、R、S、T波）に分けられます。

心房細動

一次房室ブロック（第一度房室ブロック）

ECGアナライザーを作ろう

1. AD8232によるECG取得

以下の接続図に従って、ECGセンサーAD8232をArduino Nano 33 BLE Senseに接続します。

以下のコードを書き込み、Ctrl+Shift+Lでシリアルプロッタを開くと、グラフィカルなストリーミングデータが可視化されます。

void setup() {
  // シリアル通信初期化:
  Serial.begin(115200);
  pinMode(2, INPUT); // リードオフ検出 LO+
  pinMode(3, INPUT); // リードオフ検出 LO-
}

void loop() {
  if((digitalRead(2) == 1) || (digitalRead(3) == 1)){
    Serial.println('!');
  } else {
    // アナログ入力0の値を送信:
    Serial.println(analogRead(A0));
  }
  // シリアルデータ飽和防止のため少し待機
  delay(5);
}

1.1 ECG電極の配置

ECG電極は上図の通りRA（右腕）、LA（左腕）、LL（左脚）に配置し、ジャックをECGアナライザーのAD8232センサーに接続します。

2. MATLAB Signal Builderによる様々なECGパターンのシミュレーション

Step 2.1: 正常ECGデータをExcelに保存

まずシリアルモニタのデータをコピーし、以下のテンプレートでExcelファイルに保存します。ECG値は2列目の'Y'に、1列目はタイムシリーズで（* 0.005）つまり5ms刻みでインクリメントします。

Step 2.2: MATLAB Signal Builder

MATLABで新しいSimulinkモデルを作成します。

ワークスペースで'signal builder'と入力して選択し、'scope'も挿入してSignal Builderに接続します。スクリーンショットを参照してください。

保存したExcelデータを読み込むには、Signal Builderを開いて「ファイルからインポート」を選択します。

指定のオプションを選んでデータをインポートします。モデルは保存せずにインポートしてください（まだ手順が残っているため）。

2.3: Signal BuilderでのECGデータ可視化

60秒分のECGデータはSignal Builderで以下のように見えます。手動編集する場合は5秒分にズームし、ECG波形を「ドラッグ」して編集します。

ズーム後、マウスポインタをECG波形に近づけると、任意のポイントを選択してドラッグ編集できます。

2.4: Signal BuilderでP-R間隔データを編集（房室ブロック1度ケース）

P波を手動で下にドラッグし、R波より十分手前にシフトさせることで、P-R間隔が200msを超える状態を作ります。この操作をSignal Builderのデータ上で複数のタイムラインで繰り返します。

編集後、データを.matファイルとしてエクスポートします（Signal Builderにオプションあり）。保存後、以下の手順でデータを取り出します。

手順：.matファイルをダブルクリック → 1x1 Datasetをダブルクリック → Data:1の下に編集済みデータが見える → 新しいExcelファイルにコピペ。

Step 2.5: Excelデータを配列に変換

Excelデータを配列に変換する.mスクリプトを作成しました。

MATLABで実行前に、ExcelFilenameをローカルのファイル名に、ExcelSheetNameを対応するシート名に置き換えてください。

data = xlsread('ExcelFilename.xlsx', 'ExcelSheetName');
ECGExtract = (data(1:end, 1)); %% A列データ
fid = fopen('test.txt', 'wt'); % tフラグで\nを\r\nに自動変換(Windows)
fprintf(fid, '{');
FormatSpec = [repmat('%i ', 1, size(ECGExtract, 2)) ','];
fprintf(fid, FormatSpec, ECGExtract);
fprintf(fid, '}');
fclose(fid);

カレントディレクトリにテキストファイルが生成されます。

配列の内容をコピーし、ECGAnalyzer.cのコードにペーストして、心房細動と一次房室ブロックのシミュレーション用データとします。

3. 質の高いデータセットを生成する新規アプローチ

生のECGデータを見ると、短い時間窓（例：3秒）では正常ECGと各疾患のECGを区別するのは非常に困難です。

フィルタ済みECGデータだけで心房細動、正常、一次房室ブロックを学習させたところ、精度は23%未満でした。短い時間窓ではモデルが違いを捉えられないためです。時間窓を長くすると処理時間とピークRAM使用量が大幅に増加し、それでも精度は出ませんでした。

新規アプローチの背景：

医師や訓練された技術者がECGを読むとき、R-R間隔やP-R間隔の小箱の数を数え、グラフに書き込んだり記憶したりして計算します。

私はフィルタ済みECGデータから別の波形を生成しました。

新しい波形：

• R-R間隔
• P-R間隔

正常ECGデータの生成データセット：

デコードされたR-R間隔とP-R間隔のデータは、正常ECGでは常に100と50になります。

心房細動ECGデータの生成データセット：

前回のR-R間隔と今回のR-R間隔に偏差があると、R-R間隔データが1サイクルだけ-100にドロップします。

一次房室ブロックECGデータの生成データセット：

P-R間隔が200msを超えると、P-R間隔データが1サイクルだけ-50にドロップします。

このアプローチにより、モデル精度を90%以上に向上させました。

4. Edge Impulseでのモデル訓練

Edge ImpulseでML訓練を始める前に、シミュレーション用とリアルタイムECGセンサー読み取り用のパラメータをライブラリファイルで設定します。

Step 4.1: SIMULATION設定

• リアルタイムECGセンサーからデータ取得する場合：SIMULATION = 0
• MATLABセッションでシミュレートした心房細動・一次房室ブロックデータを使う場合：SIMULATION = 1

Step 4.2: シミュレーション用データバッファのコメントアウト切り替え

Step 4.3: データ取得

「Normal」「Atrial fibrillation」「First-Degree Heart Block」の3ラベルでECGデータを収集します。

https://docs.edgeimpulse.com/docs/arduino-nano-33-ble-sense

周波数を202Hzに設定：

$ edge-impulse-daemon --frequency 202

Step 4.4: インパルスの作成

「Create impulse」セクションで、ウィンドウサイズ3000ms、ウィンドウ増分2999ms、K-means異常検知を選択。

Step 4.5: スペクトル特徴量

フィルタタイプを「None」に設定。

Step 4.6: NN分類器

訓練サイクル40回、学習率0.005で設定。精度92.9%を達成。

異常検知にはP-R間隔RMSとR-R間隔RMSを選択。

5. モデルテスト精度と統合

モデルテスト精度は約97%でした。

5.1 デプロイ

デプロイ対象としてArduinoを選択。

ダウンロードしたEIデプロイファイルをArduinoライブラリに追加。

注意： GitHubリンクからECG_AnalyzerライブラリもArduinoライブラリに追加してください。これにより、私のECGデコードアルゴリズムコードをEI生成モデルと統合できます。

5.2 アプリケーションコードをEI生成コアコードに統合

アプリケーションコードをEIデプロイ済みのnano_ble33_sense_accelerometer_continuousにマージし、ECGAnalyzer.inoとして保存しました。

GitHubリンクから入手可能です。デバイスに書き込む際は、ECG_Analyzer.c内のSIMULATION = 0に設定してください。

ハードウェア接続

以下のフリッツィング図に従って接続してください：

組み立て：

完成品

最終製品とテストデータでの精度レベル！

クレジット

ECG参考資料：https://geekymedics.com/how-to-read-an-ecg/

スケッチ

GitHubリポジトリ

https://github.com/Manivannan-maker/ECGAnalyzer

ECGAnalyzer.zipを解凍して使用：
書き込み用コード: EI_Deployed_Library\examples\ECGAnalyzer\ECGAnalyzer.ino
シミュレーション設定用ライブラリ: ECGAnalyzer_lib\ecg_analyzer.c
MATLABスクリプトとSignal Builderモデル: Matlab_Simulation\Excel2Arrayconverter.m, Matlab_Simulation\signalbuilder.slx

回路図

図に従って接続してください ecgdefault_SjMMcgW8jY.fzz