ECG IoT + Edge Computing + LSTM

Système de monitoring cardiaque avec compression IoT (96%) et reconstruction par intelligence artificielle.

Architecture

• Capteur IoT : Envoie signal ECG compressé (20 points/cycle)
• Edge Computing : Reconstruit avec LSTM + Gaussian Process (500 points)
• Dashboard Web : Visualisation temps réel + alertes médicales

Installation

pip install tensorflow paho-mqtt matplotlib numpy scipy scikit-learn websockets

Démarrage Mosquitto

mosquitto -c mosquitto_websocket.conf -v

---

Option 1 : Mode Terminal (Sans Dashboard)

Lancer le Receiver

python "ECG Receiver LSTM.py"

Lancer le Sender

python "ECG Sender.py"

Appuyez sur Ctrl+C pour arrêter et voir l'analyse complète avec graphiques.

---

Option 2 : Mode Dashboard (Temps Réel)

1. Lancer le Bridge

python "ECG Bridge.py"

2. Lancer le Receiver Dashboard

python "ECG Receiver Dashboard.py"

3. Lancer le Sender

python "ECG Sender.py"

4. Lancer le serveur HTTP (terminal séparé)

python -m http.server 8888

5. Ouvrir le Dashboard

Navigateur : http://localhost:8888/ECG_Dashboard_Complete.html

Cliquer sur "Démarrer"

---

Fonctionnalités Dashboard

• ✅ Signal ECG temps réel
• 🧠 Qualité reconstruction (LSTM vs GP vs Fusion)
• ❤️ Fréquence cardiaque (BPM)
• 🚨 Alertes médicales (bradycardie, tachycardie, arythmie)
• 📊 Métriques de performance (MSE, corrélation)

---

Fichiers Principaux

• ECG Sender.py : Capteur IoT simulé
• ECG Receiver LSTM.py : Receiver mode terminal
• ECG Receiver Dashboard.py : Receiver mode dashboard
• ECG Bridge.py : Pont MQTT → WebSocket
• ECG_Dashboard_Complete.html : Interface web
• ecg_lstm_model_improved.keras : Modèle LSTM Bidirectional
• mosquitto_websocket.conf : Configuration Mosquitto

---

Performance

• Compression : 96%
• Qualité reconstruction : 85-95%
• Latence alertes : < 5 secondes