Rendimiento y costo de modelos de aprendizaje automático para la detección de crisis epilépticas en una plataforma adaptativa de salud electrónica basada en IoT sobre nodos edge y fog

Resumen

Este trabajo se centró en la evaluación de algunos modelos de aprendizaje automático – ML, en su acrónimo en inglés, y su aplicación en la salud electrónica dentro de plataformas de Internet de las Cosas – IoT, en su acrónimo en inglés, utilizadas para la detección de crisis o episodios epilépticos. La evaluación se basó en dos grupos de métricas; el primer grupo consistió en la validación estadística y el segundo grupo buscó medir el costo y la complejidad computacional de los modelos, aplicándose ambos grupos de métricas en las fases de entrenamiento y validación. Los resultados obtenidos pueden determinar factores relevantes para la selección de modelos de ML, ya sea basándose en la eficiencia estadística e intrínseca de los modelos de ML, o en su idoneidad para ser implementados en IoT bajo los criterios de costo y complejidad computacional, los cuales están directamente relacionados con su consumo de energía. El escenario de evaluación se definió bajo una arquitectura con capas de Edge, Fog y Cloud – EFC, en su acrónimo en inglés, donde los modelos se implementaron, inicialmente en la capa de la Cloud, luego en la capa de la Fog y el Edge. Los resultados resaltan que los modelos GBC y XGBC presentan un mejor rendimiento cuando se ejecutan desde la Cloud; los modelos LR, NB y SNN pueden entrenarse desde nodos de Fog y, finalmente, SLR y MLP pueden implementarse y utilizarse desde nodos de Edge. MLP, especialmente, presenta un buen equilibrio entre un bajo costo computacional y una alta precisión en la detección de crisis epilépticas.