Real-time R-Peak Detection in Electrocardiogram signals using Deep Learning on Edge Devices

Abstract

Abstract : Real-time R-peak detection in electrocardiogram (ECG) signals is critical for various applications, including heart rate variability analysis and cardiovascular disease diagnosis. Deep learning (DL) methods have demonstrated high accuracy and adaptability in processing noisy and irregular ECG data. This thesis is centered around research, with no practical implementation undertaken at this stage. The real-time detection of R-peaks in electrocardiogram (ECG) signals holds paramount significance across various applications, encompassing heart rate variability analysis and the diagnosis of cardiovascular diseases. Deep learning (DL) techniques have exhibited commendable accuracy and adaptability in handling the intricacies of noisy and irregular ECG data. This thesis has the potential to improve the effectiveness and accessibility of cardiovascular monitoring and diagnosis, particularly in remote and resource-constrained environments, by enabling real-time R peak detection on edge devices. The results of this work are applicable to a range of healthcare applications, including wearable devices and peripheral monitoring systems.***

Résumé : La détection en temps réel du pic R dans les signaux d’électrocardiogramme (ECG) est essentielle pour diverses applications, notamment l’analyse de la variabilité de la fréquence cardiaque et le diagnostic des maladies cardiovasculaires. Les méthodes d’apprentissage profond (DL) ont fait preuve d’une grande précision et d’une grande adaptabilité dans le traitement des données ECG bruitées et irrégulières. Cette thèse est centrée sur la recherche, sans aucune mise en pratique entreprise à ce stade. La détection en temps réel des pics R dans les signaux d’électrocardiogramme (ECG) revêt une importance capitale dans diverses applications, notamment l’analyse de la variabilité de la fréquence cardiaque et le diagnostic des maladies cardiovasculaires. Les techniques dapprentissage profond (DL) ont fait preuve dune précision et dune adaptabilité louables dans la gestion des subtilités des données ECG bruyantes et irrégulières. Cette thèse aborde ces défis en proposant un modèle d’apprentissage profond optimisé qui peut fonctionner efficacement sur les appareils périphériques tout en maintenant une grande précision dans la détection des pics R. L’approche proposée implique le prétraitement des signaux ECG bruts, l’extraction des caractéristiques pertinentes et l’entraînement d’un modèle d’apprentissage profond pour détecter les pics R en temps réel. Une fois le modèle entraîné, il est déployé sur les appareils périphériques pour la détection des pics R en temps réel. La principale contribution de cette thèse est le développement et l’optimisation du modèle d’apprentissage profond spécifiquement adapté aux appareils périphériques, en tenant compte de leurs contraintes de ressources. Cette thèse a le potentiel d’améliorer l’efficacité et l’accessibilité de la surveillance et du diagnostic cardiovasculaire, en particulier dans les environnements distants et à ressources limitées, en permettant la détection en temps réel des pics de R sur les appareils périphériques. Les résultats de ce travail sont applicables à une gamme d’applications de soins de santé, y compris les dispositifs portables et les systèmes de surveillance périphériques.