Ingeniería de Edge AI para Salud & Wearables

2.1. Fundamentos de biosensado aplicado a wearables y diferencias entre sensores eléctricos, ópticos, mecánicos, térmicos y bioquímicos
2.2. Adquisición de señales fisiológicas como ECG, PPG, EMG, temperatura, respiración, movimiento, saturación de oxígeno y variables derivadas
2.3. Propiedades temporales, morfológicas y espectrales de las bioseñales relevantes para sistemas inteligentes de salud portátil
2.4. Integración de acelerómetros, giróscopos, IMU y sensores contextuales para análisis multimodal del comportamiento y del estado fisiológico
2.5. Diseño de front-end analógico, acondicionamiento de señal y conversión analógico-digital en dispositivos embebidos de baja potencia
2.6. Artefactos de movimiento, ruido, interferencias eléctricas y degradación del contacto sensor-piel en sistemas de medición continua
2.7. Estrategias de sincronización y fusión de datos provenientes de múltiples sensores corporales en un mismo ecosistema wearable
2.8. Diseño de pipelines de adquisición robustos para entornos reales de uso clínico, doméstico, deportivo y ocupacional
2.9. Criterios de selección de sensores según precisión, consumo, tamaño, confort, biocompatibilidad y objetivo de monitorización
2.10. Construcción de arquitecturas de captura de datos fiables que permitan alimentar modelos de Edge AI con bioseñales útiles y de alta calidad

3.1. Fundamentos de sistemas embebidos aplicados a salud digital y diferencias entre microcontroladores, microprocesadores, SoC y aceleradores específicos de IA
3.2. Arquitecturas hardware para wearables inteligentes con restricciones de tamaño, autonomía, disipación térmica y confiabilidad operacional
3.3. Selección de procesadores y unidades de inferencia según complejidad del modelo, latencia requerida y tipo de señal fisiológica procesada
3.4. Gestión de memoria, almacenamiento local y estructuras de datos optimizadas para inferencia en tiempo real sobre dispositivos de baja potencia
3.5. Sensores integrados, buses de comunicación, módulos de adquisición y periféricos relevantes para diseño de plataformas wearables avanzadas
3.6. Aceleración hardware de modelos de aprendizaje automático mediante DSP, NPU, FPGA ligeras y arquitecturas optimizadas para TinyML
3.7. Diseño PCB, encapsulado, miniaturización y compatibilidad electromagnética en dispositivos médicos y wearables corporales
3.8. Gestión energética del hardware: modos de bajo consumo, duty cycling, activación selectiva y estrategias de ahorro en procesamiento continuo
3.9. Robustez física, protección ambiental, ergonomía electrónica y confiabilidad del hardware en escenarios reales de uso prolongado
3.10. Construcción de plataformas embebidas de salud capaces de sostener Edge AI útil, segura y energéticamente eficiente en entornos portátiles o vestibles

4.1. Fundamentos del procesamiento digital de bioseñales en dispositivos de borde con restricciones de cómputo y energía
4.2. Filtrado digital, corrección de línea de base, supresión de ruido y eliminación de artefactos en señales fisiológicas adquiridas en condiciones reales
4.3. Segmentación de señales y detección de eventos fisiológicos relevantes como latidos, ciclos respiratorios, episodios motores y anomalías transitorias
4.4. Extracción de características temporales, frecuenciales, morfológicas y no lineales para alimentar modelos de clasificación y predicción en salud
4.5. Transformaciones eficientes para representación compacta de bioseñales en sistemas wearables con baja capacidad de memoria
4.6. Técnicas de compresión, selección de características y reducción de dimensionalidad adaptadas a inferencia local en tiempo real
4.7. Fusión multimodal de bioseñales y datos contextuales para mejorar robustez del análisis fisiológico en Edge AI
4.8. Equilibrio entre complejidad algorítmica, latencia, precisión diagnóstica y consumo energético en pipelines de procesamiento embarcado
4.9. Validación de la calidad del dato y detección de entradas corruptas o ambiguas antes de la inferencia inteligente
4.10. Diseño de cadenas de procesamiento eficientes que transformen señales brutas en representaciones útiles para modelos inteligentes embebidos

5.1. Fundamentos de aprendizaje automático aplicado a salud digital y diferencias entre modelos clásicos, redes profundas y enfoques híbridos
5.2. Construcción de datasets biomédicos para entrenamiento de modelos con bioseñales, etiquetas clínicas y datos contextuales multimodales
5.3. Modelos supervisados para clasificación de estados fisiológicos, detección de anomalías y apoyo al monitoreo remoto de pacientes
5.4. Modelos no supervisados y de detección de novedad para reconocer cambios inesperados en la condición fisiológica o conductual del usuario
5.5. Redes neuronales convolucionales, recurrentes, transformers ligeros y arquitecturas compactas para señales biomédicas temporales
5.6. Técnicas de entrenamiento, validación, regularización y generalización en contextos de alta variabilidad interindividual y ruido fisiológico
5.7. TinyML y estrategias de cuantización, pruning, distillation y compresión de modelos para despliegue en hardware embebido
5.8. Detección de eventos clínicos, monitorización de actividad, estimación de fatiga, sueño, estrés y riesgo fisiológico mediante Edge AI
5.9. Evaluación del desempeño de modelos con métricas relevantes para salud, monitoreo continuo y detección en tiempo real
5.10. Construcción de modelos inteligentes eficientes, explicables y desplegables en wearables con capacidad operativa real y valor biomédico

6.1. Fundamentos del despliegue de modelos de inteligencia artificial en dispositivos edge con restricciones severas de recursos
6.2. Conversión de modelos entrenados a formatos compatibles con microcontroladores, SoC y plataformas wearables de salud
6.3. Optimización de inferencia para reducir latencia, memoria ocupada y consumo energético sin comprometer utilidad clínica del sistema
6.4. Estrategias de ejecución local, inferencia intermitente, activación por eventos y procesamiento jerárquico en dispositivos portátiles
6.5. Benchmarking de desempeño embebido: tiempo de inferencia, throughput, consumo energético, temperatura y estabilidad operacional
6.6. Arquitecturas de software para Edge AI en wearables: firmware, middleware, runtimes ligeros y motores de inferencia especializados
6.7. Integración entre adquisición de señales, preprocesamiento, inferencia, toma de decisión y transmisión selectiva de resultados
6.8. Actualización remota de modelos, mantenimiento del software embebido y gestión segura del ciclo de vida algorítmico en dispositivos de salud
6.9. Gestión de fallos, degradación elegante, redundancia funcional y tolerancia a errores en sistemas inteligentes de monitoreo fisiológico continuo
6.10. Construcción de soluciones de inferencia embarcada capaces de sostener decisiones locales confiables en contextos reales de salud móvil y monitorización ubicua

7.1. Fundamentos de conectividad en wearables y diferencias entre arquitecturas offline, online, sincronizadas y edge-cloud híbridas
7.2. Protocolos de comunicación inalámbrica para salud digital: Bluetooth Low Energy, Wi-Fi, NFC, LTE-M, NB-IoT y tecnologías emergentes
7.3. Diseño de flujos de datos entre wearable, smartphone, gateway, plataforma clínica y sistemas hospitalarios o de monitoreo remoto
7.4. Interoperabilidad entre dispositivos wearables, plataformas de salud digital, historiales clínicos electrónicos y ecosistemas de telemedicina
7.5. Arquitecturas edge-cloud continuum para distribuir adquisición, inferencia, agregación, almacenamiento y analítica longitudinal
7.6. Gestión de sincronización, latencia, confiabilidad de enlace y recuperación de datos en escenarios de conectividad inestable
7.7. Estrategias de transmisión selectiva, compresión y priorización de eventos para optimizar ancho de banda y autonomía del dispositivo
7.8. Integración de dashboards, aplicaciones móviles y portales clínicos para visualización útil de resultados derivados de Edge AI
7.9. Escalabilidad de plataformas de salud conectada y gestión de flotas de wearables inteligentes en programas clínicos o poblacionales
7.10. Construcción de ecosistemas digitales robustos donde la inteligencia en el borde y la conectividad segura amplifican el valor del monitoreo sanitario continuo

8.1. Fundamentos de seguridad digital en wearables y riesgos asociados al tratamiento local y remoto de datos fisiológicos sensibles
8.2. Privacidad de bioseñales, consentimiento, minimización de datos y gestión ética de información personal en salud digital
8.3. Ciberseguridad en dispositivos edge: autenticación, cifrado, integridad del firmware, protección de modelos y defensa ante manipulación externa
8.4. Gestión de riesgo en dispositivos médicos inteligentes y análisis de seguridad funcional en sistemas que apoyan decisiones sanitarias
8.5. Validación clínica de algoritmos y wearables de salud mediante estudios comparativos, gold standards y criterios de desempeño biomédico
8.6. Robustez, sesgo algorítmico, equidad y generalización de modelos en poblaciones diversas y contextos reales de uso clínico o doméstico
8.7. Marco regulatorio aplicable a software as a medical device, wearables médicos y sistemas de apoyo a decisión con Edge AI
8.8. Trazabilidad, documentación técnica, control de cambios y evidencia de validación para certificación y despliegue regulado
8.9. Consideraciones éticas sobre autonomía, explicabilidad, responsabilidad y confianza del usuario en sistemas inteligentes de salud portátil
8.10. Construcción de estrategias de desarrollo seguras, conformes y clínicamente sólidas para llevar Edge AI wearable desde el laboratorio hasta la práctica real

9.1. Aplicaciones en cardiología, respiratorio, metabolismo, neurología y monitorización continua de pacientes con riesgo clínico elevado
9.2. Detección temprana de arritmias, apnea, deterioro fisiológico, episodios convulsivos, caídas y eventos críticos mediante inferencia local
9.3. Edge AI para seguimiento de actividad, sueño, recuperación, fatiga y rendimiento en contextos deportivos y de salud preventiva
9.4. Wearables inteligentes en rehabilitación, análisis del movimiento, adherencia terapéutica y soporte personalizado a la recuperación funcional
9.5. Monitoreo del estrés, bienestar mental, carga cognitiva y respuesta autonómica mediante bioseñales y modelos embebidos
9.6. Aplicaciones en salud ocupacional, vigilancia de exposición, seguridad del trabajador y prevención de eventos fisiológicos adversos
9.7. Medicina personalizada basada en patrones fisiológicos longitudinales, inferencia contextual y adaptación dinámica de umbrales de riesgo
9.8. Integración con terapias digitales, closed-loop systems, biofeedback y soporte a la toma de decisiones en tiempo real
9.9. Limitaciones actuales y retos de adopción clínica, adherencia del usuario, interoperabilidad y sostenibilidad del modelo de servicio
9.10. Prospectiva de la convergencia entre wearables, inteligencia embebida y sistemas de salud conectados para redefinir la prevención, el diagnóstico y el seguimiento

10.1. Definición del caso de estudio: condición fisiológica, población objetivo, contexto de uso y necesidad clínica o funcional del sistema a desarrollar
10.2. Formulación del problema de ingeniería con identificación de bioseñales, variables contextuales, requisitos de latencia, autonomía y seguridad
10.3. Selección de sensores, plataforma embebida y arquitectura hardware-software adecuada para el wearable inteligente propuesto
10.4. Diseño del pipeline de adquisición, preprocesamiento y extracción de características adaptado al caso de uso seleccionado
10.5. Desarrollo o selección del modelo de inteligencia artificial con criterios de precisión, robustez, explicabilidad y despliegue en edge device
10.6. Implementación del modelo en entorno embebido con evaluación de latencia, consumo energético, estabilidad e integración funcional
10.7. Diseño de la estrategia de conectividad, visualización, interoperabilidad y gestión de datos del ecosistema digital asociado al dispositivo
10.8. Evaluación de seguridad, privacidad, viabilidad regulatoria y potencial de validación clínica del sistema diseñado
10.9. Redacción de la memoria técnica integral con justificación biomédica, electrónica, algorítmica, operativa y ética de la solución desarrollada
10.10. Presentación y defensa del proyecto final con validación global de la propuesta de ingeniería de Edge AI para salud y wearables elaborada