En el fondo, tanto las redes eléctricas como el cuerpo humano son sistemas complejos que hablan en señales. Y si sabes escuchar con atención, descubrirás que los algoritmos que separan la lavadora del microondas también pueden ayudarte a descomponer un electrocardiograma.

A continuación exploramos cómo muchas de las herramientas de Non-Intrusive Load Monitoring (NILM) tienen su espejo directo en el mundo de la fisiología y el análisis biomédico de señales.

1. Desagregación de señales complejas

En NILM descompones una medida global de potencia para identificar qué aparatos están encendidos.
En fisiología, sucede algo sorprendentemente parecido:

NILM	Señales fisiológicas
Separar lavadora + nevera + microondas de una única señal de potencia	Separar ondas P, QRS y T en ECG, o componentes alfa/beta en EEG
Identificar transitorios o encendidos	Detectar latidos, espigas neuronales, respiración
Modelar firmas de consumo	Modelar patrones cardíacos, respiratorios o musculares

Transferencia directa: la intuición para detectar patrones ocultos en señales ruidosas es sumamente valiosa en el análisis biomédico.

2. Extracción de características

El feature engineering es el corazón de cualquier análisis de señales.
En NILM se analiza:

• Transitorios
• Armónicos
• Potencia activa/reactiva
• Firmas temporales

En fisiología, las variables destacan por su nombre pero no por su fondo:

• Frecuencia cardíaca instantánea
• Variabilidad de la frecuencia (HRV)
• Espectros EEG
• Morfología de ondas

Transferencia: la experiencia con transformadas, ventanas, filtrado y análisis espectral encaja perfectamente.

3. Modelos de clasificación y reconocimiento de patrones

Los modelos que identifican electrodomésticos también clasifican arritmias.
NILM emplea:

• Random Forest
• CNN
• LSTM
• Autoencoders
• HMM

Las mismas arquitecturas son comunes en fisiología para:

• Clasificar arritmias
• Detectar apnea
• Identificar patrones neuronales
• Analizar señales EMG

Transferencia: el dominio de pipelines de machine learning y deep learning es aplicable casi sin cambios.

4. Normalización, sincronización y manejo de datasets

Aquí la ventaja como ingeniero de señales es enorme:

• Limpieza de señales
• Alineación temporal
• Manejo de distintas tasas de muestreo
• Segmentación en ventanas
• Etiquetado de eventos

Todas estas tareas son idénticas en las bases de datos de ECG, EEG, EMG o PPG.

5. De la desagregación eléctrica a la separación de fuentes fisiológicas

Técnicas como la Independent Component Analysis (ICA), la NMF o la Blind Source Separation (BSS) recuerdan directamente a la desagregación NILM:

• ICA permite eliminar artefactos del EEG
• NMF se usa para separar señales cardíacas
• En EMG, se descomponen unidades motoras individuales

La familiaridad con la desagregación te da una base conceptual sólida para comprender estos métodos biomédicos.

¿Y qué no se puede transferir? NILM no sirve para diagnóstico clínico. No se puede inferir cáncer, arritmias ni patologías a partir de señales eléctricas domiciliarias. Cualquier aplicación médica requiere validación profesional y ensayos clínicos.

Pero entendiendo el NILM si se puede aportar —y mucho— en el procesamiento, modelado y análisis de señales fisiológicas.

EJEMPLOS

Para aterrizar todo lo anterior amigo lector , te propongo cuatro bloques: mapa NILM↔biomédica, pipeline tipo NILMTK para ECG/EEG y un mini‑ejemplo de “desagregación” fisiológica.

1. Mapa rápido NILM → biomédica

Concepto en NILM	Equivalente biomédico	Comentario
Desagregación de cargas	Separación de ondas P‑QRS‑T (ECG), ritmos alfa/beta (EEG)	Separar fuentes superpuestas en un solo canal. ​
Detección de eventos (on/off, transitorios)	Detección de latidos, espigas neuronales, respiraciones	Eventos discretos dentro de una señal continua. ​
Extracción de armónicos, THD, firmas espectrales	Análisis espectral ECG/EEG, HRV, bandas de frecuencia	FFT/DFT y tiempo‑frecuencia en ambos dominios.
Modelos ML (RF, CNN, LSTM, autoencoders, HMM)	Clasificación de arritmias, apnea, estados cognitivos	Misma familia de modelos, distinto etiquetado.
Preprocesado: resample, normalizar, limpiar gaps	Filtrado, eliminación de artefactos, normalización, segmentación	Pipeline casi idéntico.
Desagregación basada en eventos/frecuencia	Blind Source Separation (ICA, NMF, BSS)	Separar fuentes cardíacas, musculares o cerebrales.

2. Pipeline ECG/EEG “estilo NILMTK”

Inspirado en un flujo típico con NILMTK (carga dataset → limpieza → features → modelo → métricas), un pipeline mínimo podría ser:

1. Adquisición y carga
   • ECG: importar registros (por ejemplo PhysioNet) en formato WFDB/CSV.
   • EEG: importar archivos crudos (.bdf, .edf) con MNE‑Python.​
2. Preprocesado
   • Filtrado band‑pass (p.ej. 0.5–40 Hz en ECG, 1–30 Hz en EEG).
   • Eliminación de artefactos:
     • ECG: suprimir tendencia, ruido de red.​
     • EEG: artefactos oculares con ICA o SSP.​
   • Resample a una frecuencia común (como haces con REDD/UK‑DALE).
3. Segmentación en ventanas
   • Ventanas deslizantes (p.ej. 5–10 s) o latido a latido (ECG) / epoch de 1–5 s (EEG).
4. Extracción de características
   • ECG:
     • Intervalos RR, HRV en el tiempo/frecuencia.
     • Amplitud/duración de QRS, onda T.​
   • EEG:
     • Potencia en bandas (delta, theta, alfa, beta, gamma) por FFT/welch.
   • Técnicas que ya dominas: FFT/DFT, ventanas, estadísticas de las ventanas, tiempo‑frecuencia.
5. Modelo de clasificación / detección
   • Clásicos: SVM, Random Forest, HMM para secuencias (similar a appliance states).
   • Deep: CNN/LSTM para latidos (arritmias) o epochs EEG (estado cognitivo/sueño).
6. Evaluación
   • Métricas muy parecidas: accuracy, F1, sensibilidad/especificidad, AUC.​
   • La lógica de comparar modelos/datasets que ya usas en NILMTK se traslada casi 1:1.​

Cómo “portar” skills de NILM a salud, se traduce casi mecánicamente:​

• Diseño de datasets y pipelines reproducibles → construcción de bases ECG/EEG bien documentadas (metadatos, protocolos de adquisición).
• Preprocesado avanzado (ruido, gaps, resample) → limpieza de artefactos fisiológicos, unificando sampling rates y referencias de canal.
• Feature engineering en potencia y armónicos → HRV, espectros EEG, medidas no lineales (entropía, fractalidad) usando exactamente las mismas herramientas numéricas.
• Evaluación de algoritmos y benchmarking con NILMTK → comparación sistemática de modelos ECG/EEG en varios datasets públicos.​
• Desarrollo hardware (oZm/OMPM) → diseños de front‑end para biosensores de bajo coste, sistemas de adquisición multi‑canal, compresión on‑device de features (como haces con armónicos).​

Lo que cambia es: el dominio (fisiología, anatomía, criterios clínicos) y la validación (regulación, ensayos, ética), donde necesitas aliados clínicos.​

3. Ejemplo: “desagregar” EMG/EEG con ICA/NMF

Un paralelismo directo con NILM es usar BSS para separar fuentes fisiológicas de un agregado multi‑canal.

Escenario EEG (artefactos vs actividad cerebral)

• Entrada: matriz $X$X con canales EEG mezclando actividad cerebral + parpadeos + ruido muscular.​
• Objetivo: separar “fuentes” independientes:
  • Componente 1: parpadeos (picos frontales de baja frecuencia).
  • Componente 2: contracción muscular (alta frecuencia).
  • Componentes restantes: actividad cortical.
• Técnica:
  • Aplicar ICA (por ejemplo FastICA) para factorizar $X=AS$X=AS.
  • Identificar componentes artefactuales por su topografía y espectro, anularlos y reconstruir la señal limpia.

Esto es conceptualmente lo mismo que separar “componentes” de la señal de potencia (cada carga con su firma) y luego reconstruir un agregado sin cierto appliance.

Escenario EMG (unidades motoras)

• Multi‑canal EMG recoge mezcla de varias unidades motoras y ruido.​
• ICA/NMF se usan para:
  • Mejorar clasificación de gestos al separar fuentes musculares.
  • Reducir dimensionalidad conservando sinergias motoras.

Aquí la analogía con NILM es aún más clara: cada unidad motora se comporta como una “carga” cuya contribución quieres estimar a partir de una mezcla observada.