Publicación: Evaluación de una librería de filtros digitales para el procesamiento de bioseñales en Arduino Due
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
La enseñanza del procesamiento digital de señales biomédicas requiere herramientas que equilibren accesibilidad, capacidad técnica y facilidad de uso en contextos educativos. Este proyecto desarrolló y evaluó BioFilterLib, una librería de código abierto para filtrado digital de bioseñales en Arduino Due, optimizada mediante CMSIS-DSP y diseñada para aplicaciones educativas, donde no solo se limita a la simulación, sino que permite la implementación de filtros en hardware como Arduino Due para aplicaciones en tiempo real. Además, BioFilterLib incluye una documentación que facilita la experimentación práctica en hardware. El objetivo fue desarrollar y evaluar BioFilterLib, analizar su factibilidad técnica en la tarea de procesamiento de bioseñales y comparar su desempeño respecto a otras librerías disponibles en Arduino. Se implementó una arquitectura modular que integra filtros FIR, IIR, adaptativos NLMS y wavelet Daubechies. La evaluación se realizó sobre tres escenarios con bioseñales sintéticas y con una relación señal-ruido de entrada fijada en 5 dB (fs = 960 Hz): ECG con interferencia de 60 Hz, EEG con ruido rosa y EMG con ruido blanco. El desempeño se comparó frente a CMSIS-DSP evaluada directamente, con el objetivo de cuantificar el sobrecosto de la capa de abstracción, y frente a cuatro librerías FIR de terceros del ecosistema Arduino, recopilando métricas de tiempo de procesamiento, uso de CPU, memoria y calidad de filtrado (en función de mejora de SNR, MSE, correlación y RMS). Los resultados evidenciaron que los filtros IIR alcanzaron la mayor eficiencia computacional (velocidad de procesamiento de 8.40-18.27 μs/muestra y uso de CPU inferior al 2 %), mientras que los FIR resultaron más exigentes computacionalmente (209-416 μs/muestra, 20-40 % de CPU). El sobrecosto de la capa de abstracción de BioFilterLib respecto a CMSIS-DSP fue despreciable, con métricas de calidad idénticas, y su procesamiento por bloques resultó más rápido que las librerías de terceros evaluadas muestra a muestra. La eficacia del filtrado fue variable dependiendo del tipo de ruido: la interferencia de banda estrecha de 60 Hz se atenuó eficazmente (mejoras de SNR de hasta 26,71 dB, correlaciones superiores a 0,98), pero el ruido de banda ancha solapado con la2señal limitó al filtrado lineal (0,07-2,56 dB), siendo el filtro adaptativo NLMS el único que logró mejoras apreciables (8.18 dB en EEG y 5.22 dB en EMG). Estos resultados confirman un desempeño superior o equivalente a otras librerías para Arduino. El bajo costo de Arduino Due (US$30-50) en comparación con plataformas especializadas (US$150-600) permite una mayor accesibilidad para su uso para entornos educativos.
Resumen en inglés
Teaching digital signal processing of biomedical signals requires tools balancing accessibility, technical capability, and ease of use in educational contexts. This project developed and evaluated BioFilterLib, an open-source library for digital filtering of biosignals on Arduino Due, optimized through CMSIS-DSP library and designed for educational applications. The library is not limited to simulation, but enables real-time filter implementation on hardware platforms such as Arduino Due. In addition, BioFilterLib includes documentation that facilitates hands-on experimentation on hardware. The objective was to develop and evaluate BioFilterLib, assess its technical feasibility for biosignal processing, and compare its performance against other Arduino libraries. A modular architecture was implemented integrating FIR, IIR, NLMS adaptive, and Daubechies wavelet filters. Evaluation was carried out over three synthetic biosignal scenarios with an input signal-to-noise ratio fixed at 5 dB (fs = 960 Hz): ECG with 60 Hz interference, EEG with pink noise, and EMG with white noise. Performance was compared against CMSIS-DSP evaluated directly, in order to quantify the overhead of the abstraction layer, and against four third-party Arduino FIR libraries, collecting processing time, CPU usage, memory, and filtering quality metrics (evaluated through SNR improvement, MSE, correlation with clean signal of reference, and RMS). Results showed that IIR filters achieved the highest computational efficiency (8.40-18.27 μs/sample, CPU usage below 2 %), whereas FIR filters were more demanding (209-416 μs/sample, 20-40 % CPU). The overhead of BioFilterLib's abstraction layer relative to CMSIS-DSP was negligible, with identical quality metrics, and its block-based processing proved faster than the third-party libraries evaluated sample by sample. Filtering efficacy varied across signals with different types of added noise: the narrowband 60 Hz interference was effectively attenuated (SNR improvements up to 26.71 dB, correlations above 0.98), whereas broadband noise overlapping the signal band limited linear filtering (0.07-2.56 dB), with the NLMS adaptive filter being the only method that achieved appreciable improvements (8.18 dB for EEG and 5.22 dB for EMG).4These results confirm the library's superior or equivalent performance to other Arduino libraries. Arduino Due's low cost (US$30-50) versus specialized platforms (US$150-600) enables greater accessibility for its use in educational environments.