GENERALINO: An ECG LSTM + Generador WAV 8‑bit

En el proyecto se desarrolló un modelo de clasificación de señales ECG sintéticas usando LSTM. Luego estas señales ECG sintética lo convertimos a WAV para ser visualizado en el software SIMULIDE para posteriormente interactuar con algún sistema embebido.

Descripción

• Proyecto con dos partes principales:
  • Clasificación de señales ECG sintéticas con un modelo LSTM (Keras/TensorFlow).
  • Generación de un WAV mono de 8‑bit (uint8) y exportación a arreglo C (ecg_data.h) a partir de un ECG simulado (NeuroKit2), útil para Arduino/SimulIDE.

Contenido del repo

• code_basic.ipynb: Notebook que genera un dataset sintético de ECG con NeuroKit2 (clases: normal, bradicardia, taquicardia), entrena un LSTM bidireccional y reporta métricas (accuracy, F1, matriz de confusión).
• gen_ecg_wav.ipynb: Notebook con utilidades para convertir una señal ECG a WAV mono 8‑bit sin signo y exportar el mismo contenido a un header C.
• ecg_10s_8bit_500Hz.wav: WAV de ejemplo (10 s, 500 Hz, 8‑bit) generado por el notebook.
• ecg_data.h: Header C auto‑generado con muestras uint8 y metadatos (*_FS, *_N).

Requisitos

• Python 3.10+ (probado con 3.12)
• Paquetes principales: jupyter, numpy, pandas, matplotlib, scikit-learn, tensorflow-cpu, neurokit2

Instalación rápida (entorno virtual)

• Crear entorno e instalar dependencias mínimas para ambos notebooks:
  • python -m venv .venv && source .venv/bin/activate
  • python -m pip install -U pip
  • pip install jupyter numpy pandas matplotlib scikit-learn tensorflow-cpu neurokit2
  • Opcional (para elegir kernel en Jupyter): pip install ipykernel && python -m ipykernel install --user --name ecg-env

Uso 1: Clasificación LSTM (code_basic.ipynb)

• Abrir code_basic.ipynb en Jupyter y ejecutar todas las celdas.
• Flujo del notebook:
  • Genera ECG sintéticos con neurokit2.ecg_simulate para 3 clases: normal, bradicardia, taquicardia.
  • Preprocesa (z‑score por muestra), fija longitud (T = duración * fs) y divide en train/val/test.
  • Modelo: Bidirectional LSTM (64 -> 32) + Dropout + Dense, pérdida sparse_categorical_crossentropy, optimizador Adam.
  • Entrena con early stopping y reporta métricas en el set de test (accuracy, precision/recall/F1 y matriz de confusión).
• Parámetros principales (modificables en el notebook):
  • N_PER_CLASS (por defecto 100), DURATION_S (8 s), FS (200 Hz), semillas de reproducibilidad.
• Resultado esperado (datos sintéticos): alta precisión tras ~20 épocas.

Uso 2: Generar WAV 8‑bit + header C (gen_ecg_wav.ipynb)

• Abrir gen_ecg_wav.ipynb y ejecutar la celda principal. Incluye funciones:
  • to_uint8_pcm(x, peak=0.95): normaliza [-1,1] y mapea a rango uint8 [0..255].
  • write_wav_uint8_mono(filename, data_uint8, fs): escribe WAV mono 8‑bit sin signo.
  • neurokit_ecg_to_wav8(filename, fs, duration_s, method, heart_rate, peak): simula ECG con NeuroKit2 y guarda el WAV.
  • array_ecg_to_wav8(ecg_array, filename, fs, peak): convierte cualquier arreglo a WAV 8‑bit.
  • export_uint8_as_c_header(data_uint8, fs, header_path, var_name): exporta a header C con metadatos y arreglo.
• Ejemplo (incluido en el notebook):
  • WAV: ecg_10s_8bit_500Hz.wav (fs=500 Hz, 10 s)
  • Header: ecg_data.h con:
    • const unsigned int ecg_data_FS = 500;
    • const unsigned int ecg_data_N = 5000;
    • const uint8_t ecg_data[5000] = { ... };
• Uso en Arduino/SimulIDE:
  • Incluir #include "ecg_data.h" y usar ecg_data[i] a fs = ecg_data_FS para reconstrucción/salida DAC/PWM temporizada.

Notas y resolución de problemas

• NeuroKit2: algunas versiones requieren pasar length=int(duration_s*fs) en lugar de duration; el notebook ya fuerza length entero para robustez.
• Escalado a 8‑bit: peak < 1.0 deja margen y previene clipping; ajuste recomendado entre 0.9–0.99.
• TensorFlow CPU: si no usas GPU, tensorflow-cpu es suficiente. Mensajes de oneDNN pueden aparecer; no son errores.
• Reproducibilidad: se fijan semillas para random, numpy y tensorflow en code_basic.ipynb.

Créditos

• Señal y utilidades de simulación: NeuroKit2
• Modelo y entrenamiento: Keras/TensorFlow

Útil

$ pip install pip-chill $ pip-chill > requirements.txt

Autor: Moises Meza.