El investigador independiente Mohamed Menasy ha publicado GlucoEdge, un estudio de ingeniería que detalla una canalización de aprendizaje automático en el dispositivo de extremo a extremo para la predicción de tendencias glucémicas de cinco clases y 15 minutos a partir de datos de monitores continuos de glucosa. El trabajo introduce un CNN 1D compacto que contiene solo 2.909 parámetros y cubre todo el flujo de trabajo desde PyTorch hasta la conversión a LiteRT.

  • La cuantización post-entrenamiento estática INT8 redujo el tamaño del artefacto del modelo en aproximadamente un 31%.
  • La cuantización provocó que la recuperación macro bajara de 0,5060 a 0,4135, con una caída del rendimiento en las cuatro clases direccionales.
  • El estudio analiza el tamaño de implementación junto con el impacto de la cuantización en el comportamiento de las clases minoritarias, incluida la cobertura de datos de calibración y el recorte del rango de entrada.
  • La inferencia fuera de línea se probó en un dispositivo Android físico, con el código y los materiales de reproducibilidad disponibles en GitHub.

El autor señala explícitamente limitaciones como ventanas de series temporales superpuestas y riesgo de filtración del prefijo de contexto, aclarando que esto es un prototipo de investigación y no un sistema médico.