Clasificación de latidos de marcapasos en señales ECG mediante computación hiperdimensional para dispositivos IoT

Abstract

Los marcapasos cardíacos son dispositivos fiables pero no infalibles: fallos como la inhibición por interferencias o el agotamiento súbito de la batería pueden comprometer la estimulación y tener consecuencias fatales para el paciente. Un dispositivo IoT capaz de clasificar latidos en tiempo real, distinguiendo estimulados de espontáneos, permitiría detectar anomalías y actuar con rapidez Sin embargo, los nodos IoT imponen restricciones estrictas de memoria y latencia que los modelos de aprendizaje profundo convencionales no pueden conseguir. Este trabajo presenta el diseño, la evaluación y el despliegue de un clasificador de latidos de electrocardiograma (ECG) basado en Computación Hiperdimensional (HDC), una técnica de aprendizaje automático que representa la información mediante hipervectores de alta dimensionalidad y opera exclusivamente con operaciones algebraicas simples. Se adapta el codificador más utilizado, diseñado originalmente para señales de electroencefalograma (EEG) multicanal, para el caso de una única derivación de ECG con ventanas centradas en el pico R. Los experimentos se desarrollan en dos fases sobre dos bases de datos públicas de ECG: una exploración inicial sobre LUDB para validar el pipeline y una evaluación sistemática sobre PTB-XL, que contiene 296 registros con marcapasos. Se construye un conjunto de datos progresivamente depurado mediante anotación manual de los registros y el uso de las anotaciones de PTB-XL+ para la localización de picos R, obteniendo un conjunto final de 74 registros de alta calidad. El clasificador alcanza un F1 del 92,3% en la derivación V5 con señal cruda y una especificidad del 99,2 %, con un modelo de 165 KB en Flash y 8 KB de SRAM en inferencia con cuantización a 8 bits. Migrado de MATLAB a C sin dependencias externas y desplegado en un ESP32-S3, la latencia es de 150 ms por latido, dejando libre el 75% del intervalo RR a 100 lpm para otras operaciones. La comparativa con SVM y 1-NN confirma que HDC ofrece un rendimiento competitivo con requisitos de memoria inferiores a los demás modelos evaluados, validando su viabilidad para la monitorización continua de marcapasos en dispositivos IoT con recursos limitados.Cardiac pacemakers are reliable but not infallible devices, as problems such as loss of capture or inhibition by electromagnetic interference can compromise stimulation without immediate symptoms for the patient. Continuous monitoring using an IoT device capable of classifying heartbeats in real time, distinguishing between pacemaker-stimulated beats and the patient’s own rhythm, would allow anomalies to be detected without relying onperiodic clinical reviews. However, algorithms deployed on an IoT node must meet strict memory and inference time constraints that conventional deep learning models cannot achieve. This work presents the design, evaluation and deployment of an ECG classifier based on Hyperdimensional Computing (HDC), a model that represents information using highdimensional hypervectors and operates exclusively with simple algebraic operations. The most widely used n-gram encoder, originally designed for multichannel EEG signals, is adapted to the case of a single ECG lead with windows centred on the R-peak of each heartbeat. Experiments are conducted in two phases: an initial exploration on LUDB to validate the pipeline, and a systematic evaluation on PTB-XL with 21,799 records. On PTB-XL, a progressively refined dataset is constructed through manual annotation of the 296 pacemaker records and the use of PTB-XL+ annotations for R-peak localisation, yielding a final set of 74 high-quality records. The classifier achieves an F1 score of 92.3% on lead V5 with raw signal, a specificity of 99.2%, and a model size of 165 KB in Flash with an 8 KB SRAM footprint during inference with 8-bit quantisation. The model is migrated from MATLAB to C without external dependencies and deployed on an ESP32-S3, where an inference latency of 150 ms per beat is measured, leaving a 75% margin of the inter-beat interval at 100 bpm. Comparison with SVM and 1-NN confirms that HDC offers competitive performance with memory requirements well below those of alternative models, validating its viability for continuous pacemaker monitoring on resource-constrained IoT devices.