基于 Edge Impulse 与 Arduino Nano 33 BLE Sense 的精准 ECG 分析仪

元件与材料

Arduino Nano 33 BLE Sense	×	1
SparkFun AD8232 单导联心率监测模块	×	1
ElectroPeak 0.96" OLED 128×64 显示模块	×	1

所需工具

电烙铁
无铅焊锡丝
10 根 5cm 跳线

软件与云服务

Edge Impulse Studio (TinyML 模型训练平台)
MATLAB (信号仿真与数据生成)
Arduino IDE
Visual Studio 2017

项目背景

突发心脏死亡率上升 — 全球关注

过去十年突发心脏死亡显著增加，尤其在印度等发展中国家，除基因和生活方式外，农村医疗资源匮乏是主要原因。

技术方案：TinyML 离线 ECG 分析

利用 Edge Impulse 开发掌上型 ECG 分析仪，无需联网、无需高性能主机，单片机端即时推理，延迟极低。模型仅 15KB ROM，可部署于任意 TinyML 支持的 MCU。可识别：正常窦性心律、房颤 (Atrial Fibrillation)、一度房室传导阻滞 (First-Degree Heart Block)。

现有方案局限

IoT 设备上传原始波形至云端/手机分析，依赖网络
PC 软件分析，依赖高算力主机
均无法离线实时判读

系统架构

AD8232 采集 ECG 信号
MATLAB Signal Builder 仿真生成房颤、一度房阻波形
创新特征工程：从滤波后 ECG 提取 R-R 间期、P-R 间期波形
Edge Impulse 训练分类模型
部署至 Nano 33 BLE Sense，集成应用代码

基于 Edge Impulse 与 Arduino Nano 33 BLE Sense 的精准 ECG 分析仪

ECG 基础知识

ECG 波形包含 P、Q、R、S、T 波。房颤表现为 R-R 间期极度不规则；一度房阻表现为 P-R 间期 > 200ms。

基于 Edge Impulse 与 Arduino Nano 33 BLE Sense 的精准 ECG 分析仪

核心创新：特征工程提升精度

原始滤波波形在 3 秒窗口难以区分，直接训练准确率 <23%。长窗口又增加算力。借鉴医生读图思路：人工计算 R-R、P-R 间期小格数。由此构造两个新波形：

R-R 间期波形：正常恒定 100，偏离时降至 -100
P-R 间期波形：正常恒定 50，P-R>200ms 时降至 -50

该方法将模型准度提升至 >90%。

基于 Edge Impulse 与 Arduino Nano 33 BLE Sense 的精准 ECG 分析仪

Edge Impulse 训练流程

配置 SIMULATION 宏：0=实测 AD8232，1=MATLAB 仿真数据
注释/取消注释对应数据缓冲区
采集三类标签数据：Normal、Atrial Fibrillation、First-Degree Heart Block
Edge Impulse Daemon 采样率设为 202 Hz：edge-impulse-daemon --frequency 202
冲击设计：窗口 3000ms，增量 2999ms，启用 K-means 异常检测
频谱特征：滤波器类型 None
NN 分类器：40 轮，学习率 0.005，达 92.9% 训练准确率
异常检测特征：P-R 间期 RMS、R-R 间期 RMS

测试与部署

测试集准确率 ~97%。部署选 Arduino 库，导入 IDE。另需加入 ECG_Analyzer 库 (含解码算法)。将应用代码合并至 EI 生成的 nano_ble33_sense_accelerometer_continuous 例程，保存为 ECGAnalyzer.ino，烧录时设 SIMULATION=0。