Sistema embarcado para análise de sinais de ECG e apoio na detecção de arritmias cardíacas

Abstract

Este trabalho apresenta o desenvolvimento de um sistema embarcado para monitoramento de sinais de eletrocardiograma (ECG) com foco na detecção de arritmias cardíacas. A solução proposta se baseia em uma placa embarcada de baixo custo e alto desempenho baseada no microcontrolador ESP32. O sistema foi projetado para identificar complexos QRS e padrões de arritmias em sinais ECG, utilizando o algoritmo de Pan e Tompkins. Sua validação foi realizada sobre o banco de dados MIT-BIH, amplamente utilizado para validação de tecnologias na área médica. Os resultados demonstraram que o sistema apresentando uma taxa de erro consistente com os valores encontrados na literatura (cerca de 2,51%), mesmo em condições adversas, como a presença de ruídos. Pode-se dizer que a proposta deste trabalho contribui para a democratização de tecnologias de monitoramento cardíaco, abrindo caminhos para futuros aprimoramentos, como a integração de técnicas avançadas de aprendizado de máquina para classificação de arritmias. A partir disso, o sistema desenvolvido se posiciona como uma solução viável e promissora para o suporte ao diagnóstico de doenças cardiovasculares.

This work presents the development of an embedded system for monitoring electrocardiogram (ECG) signals with a focus on detecting cardiac arrhythmias. The proposed solution is based on a low-cost, high-performance ESP32 microcontroller platform. The system was designed to identify QRS complexes and arrhythmia patterns in ECG signals using the Pan and Tompkins algorithm. Validation was conducted using the MIT-BIH database, a widely recognized benchmark in the medical field. Results showed an error rate consistent with values reported in the literature (approximately 2.51%), even under adverse conditions such as noise presence. This study contributes to the democratization of cardiac monitoring technologies, paving the way for future enhancements, including integrating advanced machine learning techniques for arrhythmia classification. The developed system is positioned as a viable and promising solution for supporting cardiovascular disease diagnosis