Avaliação de Desempenho de Modelos de ML para IoMT em uma Plataforma ARM de Borda

A Inteligência Artificial de Borda (Edge AI) permite o processamento local de dados para aplicações de saúde sensíveis à latência. Em ambientes de assistência à vida independente (AAL), tarefas como detecção de quedas e reconhecimento facial se beneficiam da inferência no próprio dispositivo, visto que soluções baseadas exclusivamente em nuvem podem introduzir atrasos. Este trabalho apresenta um estudo experimental de modelos de aprendizado de máquina (ML) implantados em uma plataforma de borda baseada em ARM, a Orange Pi Plus, para detecção de quedas e reconhecimento facial. A análise considera métricas de classificação, tempo de treinamento e medições de hardware, incluindo uso de CPU, consumo de memória e temperatura de operação. Os resultados mostram que modelos baseados em árvores oferecem o melhor equilíbrio entre desempenho preditivo e custo computacional na detecção de quedas, enquanto o reconhecimento facial atinge alta acurácia com diferentes configurações de ML.

Conference paper

Anais do XVIII Simpósio Brasileiro de Computação Ubíqua e Pervasiva (SBCUP) - Congresso da Sociedade Brasileira de Computação (CSBC)