Grazie alla combinazione tra sensori ottici, microcontrollori ESP32 e algoritmi di Machine Learning, si possono creare nuove prospettive nel monitoraggio cardiaco continuo. In questo articolo descriviamo un approccio basato su fotopletismografia e Intelligenza Artificiale, tramite il quale l’elettronica embedded può contribuire alla prevenzione cardiovascolare.
La crescente diffusione di dispositivi wearable dedicati al monitoraggio della salute permette di raggiungere risultati importanti nel settore biomedicale, soprattutto nell’ambito della cardiologia preventiva. Tra le applicazioni più interessanti c'è il rilevamento della fibrillazione atriale tramite fotopletismografia, una tecnologia ottica ormai largamente impiegata nei sensori indossabili di nuova generazione. L’integrazione di algoritmi di Machine Learning direttamente su hardware a basso consumo consente, infatti, di realizzare sistemi compatti, economici e capaci di analizzare il ritmo cardiaco in tempo reale senza ricorrere ad infrastrutture cloud.
La fibrillazione atriale è una delle aritmie più diffuse in ambito clinico e può aumentare sensibilmente il rischio di ictus, insufficienza cardiaca e complicazioni cardiovascolari. In molti casi la patologia si manifesta in modo intermittente, rendendo difficile una diagnosi tempestiva attraverso i tradizionali controlli ospedalieri. Proprio per affrontare queste problematiche si utilizzano piattaforme embedded basate su sensori PPG, che sono in grado di effettuare un monitoraggio continuo e non invasivo del battito cardiaco. La tecnologia di fotopletismografia sfrutta l’emissione di luce attraverso i tessuti biologici per misurare le variazioni del volume sanguigno periferico. Un LED illumina la pelle mentre un fotodiodo rileva la quantità di luce riflessa o assorbita dai vasi sanguigni. Poiché il flusso ematico cambia ad ogni pulsazione cardiaca, il segnale risultante permette di ricostruire frequenza cardiaca, variabilità del battito e altri parametri fisiologici utili all’analisi del ritmo cardiaco.
Considerando l'aspetto hardware, una soluzione particolarmente efficace è stata sviluppata attorno alla piattaforma M5Stack M5StickC PLUS basata su microcontrollore ESP32-PICO, affiancata dal sensore MAX30102 dedicato al monitoraggio del battito cardiaco e dell’ossigenazione del sangue. L’adozione di componenti a basso costo consente di contenere consumi energetici e dimensioni del dispositivo, rendendo il sistema adatto a scenari wearable e applicazioni di telemedicina. L’elaborazione dei dati è stata affidata ad Edge Impulse, la famosa piattaforma specializzata nello sviluppo di modelli TinyML per sistemi embedded. Utilizzando dataset clinici contenenti segnali PPG ed ECG raccolti durante episodi di fibrillazione atriale e ritmo sinusale normale, è stato possibile addestrare un classificatore che può riconoscere pattern cardiaci anomali con elevata accuratezza. I dati provenienti dal database MIMIC PERform AF sono stati convertiti in serie temporali ottimizzate per l’addestramento e successivamente processati tramite tecniche di feature extraction dedicate all’analisi HR e HRV.
Un aspetto di primaria importanza riguarda la gestione locale dell’inferenza AI. L’elaborazione edge permette di ridurre latenza, consumi di rete e problematiche legate alla privacy sanitaria. Il modello addestrato opera direttamente sul microcontrollore ESP32, sfruttando finestre temporali di acquisizione da 30 secondi e algoritmi di classificazione ottimizzati per sistemi a risorse limitate. L’impiego di tecniche come XGBoost Random Forest ha consentito di raggiungere precisioni superiori al 93% durante l’addestramento e oltre il 95% nei test su dataset indipendenti. Anche l’interfaccia utente è stata progettata con particolare attenzione all’usabilità. Display TFT integrato, buzzer e pulsanti fisici consentono un’interazione immediata durante la fase di acquisizione dei segnali biologici, allo stesso modo, indicatori grafici e feedback sonori guidano l’utente durante il campionamento, migliorando affidabilità e semplicità d’impiego anche in contesti domestici.
L’evoluzione dell’elettronica embedded applicata al biomedicale rafforza il connubio tra sensori intelligenti e TinyML al fine di rivoluzionare il monitoraggio cardiovascolare. Soluzioni di questo tipo, pur non essendo destinate ad uso diagnostico clinico, rappresentano un banco di prova estremamente interessante per il futuro della sanità digitale, della telemedicina e dei dispositivi wearable orientati alla prevenzione precoce delle patologie cardiache.
Riferimenti del progetto
Detecting Atrial Fibrillation using Photoplethysmography - Hackster.io
