Evaluación de Técnicas para la extracción de características en un electroencefalograma del Internet de las Cosas

Resumen

El creciente paradigma del Internet de las Cosas (IoT) está revolucionando nuestra vida con la introducción de nuevos servicios y la mejora de aplicaciones existentes. IoT cubre un creciente número de aplicaciones en diferentes áreas incluyendo el cuidado de la salud. Una aplicación específica en el cuidado de la salud es el monitoreo de la actividad eléctrica en el cerebro utilizando electroencefalogramas (EEG) con dispositivos de IoT portables. Debido a restricciones de portabilidad y tamaño, la mayoría de los dispositivos de IoT son alimentados con baterías lo que implica una implementación energéticamente eficiente en hardware y software en conjunto a un uso eficiente de los recursos normalmente limitados.

Este trabajo evalúa tres diferentes técnicas de extracción de características para un IoT EEG en términos de tiempo de ejecución, consumo de memoria y potencia. Las técnicas estudiadas fueron exploradas y simuladas llevando a la escogencia de FIR, el método de Welch y DWT para evaluación. Las técnicas se implementaron en una plataforma MSP432P401R Launchpad, en donde un procedimiento de evaluación se desarrolló para verificar el desempeño de los códigos. Las implementaciones fueron validadas contra referencias simuladas y optimizadas para velocidad, tamaño de código y consumo de potencia. El resultado de la evaluación realizada provee una comparación valiosa entre técnicas que puede ayudar a cualquier diseñador en la escogencia de la técnica adecuada basado en objetivos de diseño y restricciones de recursos.