Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Edge AI para Salud & Wearables

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Inteligencia artificial en el borde» a «Trabajo Fin de Máster», pasando por «Aplicaciones clínicas en el borde».

Mapa del programa · pulsa un módulo
Módulo 1 · Inteligencia artificial en el borde
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Inteligencia artificial en el borde

Saldrás manejando edge, fog y cloud en salud, ventajas de latencia, privacidad y coste y restricciones de memoria y energía. Es lo que se trabaja en «Inteligencia artificial en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos ligeros de aprendizaje

Saldrás manejando redes convolucionales 1D compactas, redes depthwise separables y modelos recurrentes ligeros. Es lo que se trabaja en «Modelos ligeros de aprendizaje», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Hardware y frameworks embebidos

Saldrás manejando tensorFlow Lite Micro, CMSIS-NN para Cortex-M y ONNX Runtime y TVM. Es lo que se trabaja en «Hardware y frameworks embebidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aplicaciones clínicas en el borde

Saldrás manejando fibrilación auricular en microcontrolador, monitorización de epilepsia y predicción de hipoglucemia. Es lo que se trabaja en «Aplicaciones clínicas en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Seguridad del sistema embebido

Saldrás manejando arranque seguro y firmware firmado, actualizaciones OTA seguras y protección del modelo frente a extracción. Es lo que se trabaja en «Seguridad del sistema embebido», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

MLOps para el borde

Saldrás manejando versionado de datos y modelos, integración continua para firmware y pruebas con hardware en el bucle. Es lo que se trabaja en «MLOps para el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Diseñar arquitecturas de IA en el borde para aplicaciones sanitarias.
  • 02Preparar datos clínicos de wearables con particiones y etiquetado adecuados.
  • 03Entrenar y comprimir modelos ligeros mediante cuantización y poda.
  • 04Desplegar modelos en microcontroladores y aceleradores embebidos.
  • 05Optimizar el consumo energético de la inferencia en dispositivos portátiles.
  • 06Aplicar aprendizaje federado y técnicas de privacidad a datos de salud.
  • 07Cumplir los requisitos del MDR y del Reglamento europeo de IA.

Plan de estudios

12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.

1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos

Inteligencia artificial en el borde

1.1Edge, fog y cloud en salud
1.2Ventajas de latencia, privacidad y coste
1.3Restricciones de memoria y energía
1.4Hardware: MCU, NPU y GPU embebidas
1.5Casos de uso en wearables clínicos
1.6Arquitecturas de referencia
1.7Ciclo de vida de modelos embebidos
1.8Panorama de TinyML
1.9Comparativa de procesadores para inferencia embebida
1.10Caso práctico: decisión edge frente a nube
Módulo 2 de 12 · 10 submódulos

Datos de salud para modelos embebidos

2.1Señales de wearables y su naturaleza
2.2Etiquetado clínico y expertos
2.3Bases de datos públicas de PhysioNet
2.4Desequilibrio de clases
2.5Calidad de datos y artefactos
2.6Particiones por paciente
2.7Aumento de datos de series temporales
2.8Documentación con datasheets
2.9Sesgos demográficos en datos de entrenamiento
2.10Práctica: preparación de un dataset de arritmias
Módulo 3 de 12 · 10 submódulos

Modelos ligeros de aprendizaje

3.1Redes convolucionales 1D compactas
3.2Redes depthwise separables
3.3Modelos recurrentes ligeros
3.4Árboles de decisión y boosting embebidos
3.5Búsqueda de arquitectura neuronal
3.6Métricas clínicas: sensibilidad y especificidad
3.7Calibración de probabilidades
3.8Validación cruzada robusta
3.9Detección de anomalías con autoencoders
3.10Laboratorio: CNN compacta para detección de caídas
Módulo 4 de 12 · 10 submódulos

Optimización de modelos

4.1Cuantización tras el entrenamiento
4.2Entrenamiento consciente de cuantización
4.3Poda estructurada y no estructurada
4.4Destilación del conocimiento
4.5Compresión y codificación de pesos
4.6Perfilado de latencia y memoria
4.7Compensación precisión frente a recursos
4.8Verificación de equivalencia numérica
4.9Formatos de modelo y conversión ONNX
4.10Práctica: cuantización INT8 con TensorFlow Lite
Módulo 5 de 12 · 10 submódulos

Hardware y frameworks embebidos

5.1TensorFlow Lite Micro
5.2CMSIS-NN para Cortex-M
5.3ONNX Runtime y TVM
5.4Aceleradores NPU como Ethos-U
5.5NVIDIA Jetson para imagen
5.6Microcontroladores STM32 y nRF
5.7Generación de código con STM32Cube.AI
5.8Benchmarking con MLPerf Tiny
5.9Inferencia de imagen en dispositivos portátiles
5.10Laboratorio: despliegue en una placa Cortex-M
Módulo 6 de 12 · 10 submódulos

Eficiencia energética

6.1Presupuesto energético del dispositivo
6.2Inferencia por eventos
6.3Ciclos de trabajo y modos de bajo consumo
6.4Medición de consumo real
6.5Cosecha de energía
6.6Coprocesadores siempre activos
6.7Compromisos de frecuencia de muestreo
6.8Autonomía y experiencia de usuario
6.9Memoria SRAM y flash en microcontroladores
6.10Práctica: perfil de consumo de un modelo
Módulo 7 de 12 · 10 submódulos

Aplicaciones clínicas en el borde

7.1Fibrilación auricular en microcontrolador
7.2Monitorización de epilepsia
7.3Predicción de hipoglucemia
7.4Detección de caídas en mayores
7.5Análisis de sueño y apnea
7.6Imagen médica en ecógrafos portátiles
7.7Rehabilitación con sensores inerciales
7.8Alarmas clínicas y fatiga de alarmas
7.9Detección precoz de exacerbaciones respiratorias
7.10Caso práctico: alarma de caída sin conexión
Módulo 8 de 12 · 10 submódulos

Aprendizaje federado y privacidad

8.1Fundamentos del aprendizaje federado
8.2Agregación y heterogeneidad de datos
8.3Privacidad diferencial en gradientes
8.4Cifrado homomórfico y computación segura
8.5Ataques de inferencia de pertenencia
8.6RGPD y tratamiento en el dispositivo
8.7Personalización en el dispositivo
8.8Gobernanza de modelos distribuidos
8.9Aprendizaje continuo en el dispositivo
8.10Laboratorio: simulación federada con Flower
Módulo 9 de 12 · 10 submódulos

Seguridad del sistema embebido

9.1Arranque seguro y firmware firmado
9.2Actualizaciones OTA seguras
9.3Protección del modelo frente a extracción
9.4Ataques adversarios a señales
9.5IEC 81001-5-1 en software sanitario
9.6Guías MDCG 2019-16 de ciberseguridad
9.7Gestión de vulnerabilidades
9.8SBOM y componentes de terceros
9.9Firmware de radio y aislamiento de procesos
9.10Taller: modelo de amenazas de un wearable
Módulo 10 de 12 · 10 submódulos

Regulación de IA médica

10.1Reglamento (UE) 2017/745 y software
10.2Reglamento (UE) 2024/1689 de IA
10.3Sistemas de alto riesgo
10.4IEC 62304 y clases de software
10.5ISO 14971 aplicada a IA
10.6Cambios de modelo y control
10.7Principios GMLP de FDA, Health Canada y MHRA
10.8Documentación técnica del algoritmo
10.9Transparencia e información al usuario clínico
10.10Caso práctico: plan de cambios predeterminado
Módulo 11 de 12 · 10 submódulos

MLOps para el borde

11.1Versionado de datos y modelos
11.2Integración continua para firmware
11.3Pruebas con hardware en el bucle
11.4Monitorización en campo
11.5Detección de deriva de datos
11.6Retroalimentación de clínicos usuarios
11.7Gestión de flotas de dispositivos
11.8Retirada y rollback seguro
11.9Registros de auditoría y trazabilidad de modelos
11.10Práctica: pipeline MLOps con despliegue OTA
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Problema clínico y restricciones del borde
12.2Selección de datos y etiquetado
12.3Diseño del modelo base
12.4Optimización y despliegue embebido
12.5Medición de rendimiento y consumo
12.6Evaluación clínica de métricas
12.7Análisis de seguridad y privacidad
12.8Encaje regulatorio del algoritmo
12.9Memoria del TFM
12.10Defensa ante tribunal

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Casos de uso en wearables clínicos
Módulo 1 · Inteligencia artificial en el borde
Redes depthwise separables
Módulo 3 · Modelos ligeros de aprendizaje
Inferencia de imagen en dispositivos portátiles
Módulo 5 · Hardware y frameworks embebidos
Imagen médica en ecógrafos portátiles
Módulo 7 · Aplicaciones clínicas en el borde
Protección del modelo frente a extracción
Módulo 9 · Seguridad del sistema embebido

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Reglamento (UE) 2017/745 sobre productos sanitariosReglamento (UE) 2024/1689 de inteligencia artificialIEC 62304 ciclo de vida del software de productos sanitariosISO 14971 gestión de riesgosIEC 81001-5-1 ciberseguridad del software sanitarioMDCG 2019-16 guía de ciberseguridadReglamento (UE) 2016/679 (RGPD)Good Machine Learning Practice (FDA, Health Canada, MHRA)

Cuerpo docente y expertos

Directores académicos de los institutos de SEIUM. El detalle de cada instituto está en la página de institutos.

Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de machine learning embebido
Desarrollador de firmware para dispositivos médicos
Científico de datos clínicos
Ingeniero de MLOps
Especialista en regulación de IA sanitaria
Arquitecto de sistemas IoMT

Para quién es

Ingeniero de machine learning embebido
Desarrollador de firmware para dispositivos médicos
Científico de datos clínicos
Ingeniero de MLOps
Especialista en regulación de IA sanitaria
Arquitecto de sistemas IoMT
Titulados en ingeniería o ciencias que busquen entrar en salud digital

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Salud, Biomecánica, Wearables & Seguridad Operacional · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Salud, Biomecánica, Wearables & Seguridad Operacional?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es TensorFlow Lite Micro, Edge Impulse, STM32Cube.AI, PyTorch, Flower, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de despliegue de modelos en microcontroladores, mediciones de consumo energético en placas de desarrollo, simulaciones de aprendizaje federado con datos clínicos públicos. La evaluación es continua por módulo más el TFM final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Inteligencia artificial en el borde» y cierra con «Trabajo Fin de Máster».

Se trabajan Reglamento (UE) 2017/745 sobre productos sanitarios, Reglamento (UE) 2024/1689 de inteligencia artificial, IEC 62304 ciclo de vida del software de productos sanitarios, ISO 14971 gestión de riesgos, IEC 81001-5-1 ciberseguridad del software sanitario y MDCG 2019-16 guía de ciberseguridad.

Los perfiles más directos son Ingeniero de machine learning embebido, Desarrollador de firmware para dispositivos médicos, Científico de datos clínicos, Ingeniero de MLOps y Especialista en regulación de IA sanitaria.

En un pago son 3.864 €, sobre una tarifa de 4.830 €. A plazos, una entrada de 1.926 € y 12 cuotas de 242 €, 4.830 € en total, sin intereses: lo mismo que la tarifa.

Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con TensorFlow Lite Micro, Edge Impulse, STM32Cube.AI, PyTorch, Flower. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 21 de diciembre de 20263.864 € Matricularme
Contactar con Seium
Pago al contado3.864 €ahorras 966 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.