Identificazione di anomalie in tracciati ECG mediante dispositivi indossabili. Algoritmi per l'analisi in movimento ed implementazione ottimizzata per sistemi ultra-low power

In this thesis we will present a system capable of detecting anomalous heartbeats during the acquisition of electrocardiographic traces (ECG) through wearable devices. The detection of anomalies is based on the sparse representation theory. This work consists of two main parts. In the first, we focused on how to make the anomaly detection system robust to the noise generated by the user's movements. In particular, using techniques of machine learning, we propose a solution that can predict the occurrence of disturbances due to movement, so that the beats predicted as noisy will be discarded, avoiding creating false anomalies. The second part is dedicated to integrate the anomaly detection system on the NUCLEO board STM32. In particular, we present both the software modules for the single beat analysis and anomalous real-time detection and how they interact with each other.

In questa tesi presenteremo un sistema in grado di rilevare anomalie cardiache durante l'acquisizione del tracciato elettrocardiografico (ECG) attraverso dispositivi indossabili. La rilevazione delle anomalie si basa sulla teoria delle rappresentazioni sparse. Il presente lavoro e` composto da due parti principali. Nella prima, ci siamo focalizzati su come rendere il sistema di rilevamento delle anomalie robusto al rumore generato dai movimenti compiuti dall'utente. In particolare, utilizzando tecniche di machine learning, proponiamo una soluzione in grado di predire il verificarsi di disturbi dovuti al movimento in modo tale che i battiti predetti come rumorosi verranno scartati, evitando di generare false anomalie. La seconda parte e` dedicata all'integrazione del sistema sulla scheda NUCLEO STM32. In particolare, presentiamo sia i moduli software per l'analisi dei singoli battiti e il rilevamento delle anomalie in tempo reale sia le modalita` in cui interagiscono tra loro.