Adquisición y Procesamiento de Señales Biomédicas en Tecnologías de Borde
Introducción
Procesamiento en Tiempo Real En entornos biomédicos, muchas aplicaciones requieren procesamiento en tiempo real, como el monitoreo de pacientes críticos, análisis de imágenes médicas (por ejemplo, ultrasonido, radiografías) y dispositivos portátiles. Edge AI permite procesar datos localmente, reduciendo la latencia en comparación con el envío de datos a servidores remotos. Ejemplo: Un dispositivo portátil para monitoreo continuo de ECG puede detectar arritmias en tiempo real sin depender de una conexión a internet.
Mayor Privacidad y Seguridad Los datos médicos son altamente sensibles y están protegidos por regulaciones estrictas (como la HIPAA o el GDPR). Edge AI permite que los datos se procesen y almacenen localmente, minimizando el riesgo de violaciones de seguridad o filtraciones. Ejemplo: Un sensor de glucosa implantable que analiza niveles de glucosa sin enviar los datos a la nube asegura mayor privacidad del paciente.
Reducción de Costos Operativos El procesamiento en el borde elimina la necesidad de transmitir grandes volúmenes de datos a servidores en la nube, lo que reduce costos relacionados con la conectividad y el almacenamiento en línea. Ejemplo: Un sistema de detección de caídas para personas mayores puede analizar los datos del acelerómetro directamente en el dispositivo sin enviar grandes volúmenes de datos a la nube.
Aplicaciones en Zonas Remotas En áreas rurales o zonas con conectividad limitada, Edge AI permite el uso de dispositivos médicos avanzados sin depender de conexiones de internet robustas. Ejemplo: Una máquina portátil de ultrasonido que utiliza Edge AI para interpretar imágenes en tiempo real podría usarse en campañas de salud en comunidades remotas.
Eficiencia Energética Los modelos de Edge AI están diseñados para operar en dispositivos de bajo consumo energético, lo que es ideal para dispositivos médicos portátiles y sistemas implantables. Ejemplo: Monitores de salud wearables, como relojes inteligentes o biosensores, que analizan parámetros fisiológicos continuamente.
Personalización y Adaptación en el Lugar Los modelos de Edge AI pueden adaptarse a los datos del usuario en tiempo real, permitiendo personalización sin enviar datos sensibles a servidores externos. Ejemplo: Un dispositivo de rehabilitación motora que analiza el movimiento del paciente y ajusta los ejercicios en tiempo real según su progreso.
Interdisciplinariedad y Tendencia Futurista La integración de Edge AI con la ingeniería biomédica fomenta una combinación única de hardware, software y conocimiento médico, lo que te posiciona en el centro de las innovaciones tecnológicas en salud.
El curso está dividido en 4 partes: 1. Introducción a inteligencia artificial en el borde (EDGE AI). 2. Hardware y software para EDGE AI. 3. El flujo de trabajo de EDGE AI. 4. Diseño, desarrollo y evaluación de sistemas EDGE AI.
Material del Curso
Presentaciones
Datos
Códigos
Rúbrica
Laboratorios
Talleres & Examenes Anteriores
- “Necesito un documento PDF descargable con la explicación de los algoritmos de machine learning utilizados en ciencias de la vida. El texto debe contener una relación entre las técnicas de análasis exploratorio y el algoritmo de machine learning, fundamentos teóricos del algoritmo, códigos python para utilizar. Los algoritmos deben ser: KNN, árboles de decisión, máquinas de soporte vectorial, bosques aleatorios y gradient boosting machines. Debes verificar la información para evitar alucinaciones.”
- Documento 1: machine learning. CHATGPT 4o
- Documento 2: machine learning. GEMINI 2.0 flash
- J. D. Kelleher, B. Mac Namee, y A. D’Arcy, Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies, 2nd ed. Cambridge: The MIT press, 2020.
PLantilla para entrega de trabajos
Evaluaciones
- Laboratorios (60%)
- Proyecto Final (40%)
Horarios de clase
Clases
Martes 8:30am - 10:00am F-109. Jueves 8:30am - 10:00am F-201.
