Técnica computacional en dispositivos embebidos usando aprendizaje automático para el monitoreo eficiente de señales fisiológicas

Abstract

El estudio tuvo como objetivo desarrollar y validar una técnica computacional basada en aprendizaje automático para el monitoreo de señales fisiológicas asociadas a cardiopatías mediante dispositivos embebidos de recursos limitados. La propuesta integró tecnologías de computación de borde y Tiny Machine Learning (TinyML) para realizar el procesamiento y análisis de señales directamente en dispositivos portátiles, utilizando datos sintéticos y bases de datos fisiológicas públicas, sin requerir la recolección directa de información de pacientes. La investigación comprendió el desarrollo de un dispositivo embebido con conectividad inalámbrica y la creación, evaluación y despliegue de modelos de aprendizaje automático para clasificar estados de salud. Los modelos fueron evaluados mediante métricas de exactitud, consumo de corriente eléctrica, tiempo de inferencia y utilización de memoria RAM y FLASH. Los resultados permitieron identificar variaciones en el comportamiento de los modelos según las características de evaluación y evidenciaron la viabilidad de su implementación en hardware con recursos limitados. Se concluyó que la integración de aprendizaje automático, computación de borde y TinyML constituye una alternativa viable para el monitoreo eficiente de señales fisiológicas asociadas a cardiopatías mediante dispositivos portátiles, con potencial para apoyar procesos de vigilancia y toma de decisiones clínicas.