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’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
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.
¿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.
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.
Inicio de clases: 21 de diciembre de 20263.864 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Salud, Biomecánica, Wearables & Seguridad Operacional y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Salud, Biomecánica, Wearables & Seguridad Operacional y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de machine learning embebido
Desarrollador de firmware para dispositivos médicos
Científico de datos clínicos
En salud digital, productos sanitarios y semiconductores y electrónica.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Salud, Biomecánica, Wearables & Seguridad Operacional con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.