La creciente popularidad de la informática perimetral va de la mano con el uso generalizado de sistemas basados en inteligencia artificial. Hay muchas tecnologías diferentes utilizadas para acelerar los algoritmos de IA en dispositivos finales. Una de las más eficientes es la tecnología CMOS gracias a la capacidad de controlar los parámetros físicos del dispositivo. Este artículo discute la complejidad de la implementación de semiconductores de sistemas TinyML perimetrales en relación con varios criterios. En particular, se analiza la influencia de los parámetros del modelo en la complejidad del sistema. Como caso de uso, se utiliza un dispositivo preprocesador CMOS dedicado a detectar la frecuencia cardíaca en dispositivos portátiles. Los autores utilizan los modos de operación de corriente y debil inversión, que permiten que el preprocesador sea alimentado por celdas de la clase de recolección de energía humana. Este trabajo analiza la influencia de ajustar los hiperparámetros del proceso de aprendizaje en el rendimiento del dispositivo final. Este artículo analiza las relaciones entre los parámetros del modelo (exactitud y tamaño de la red neuronal), los parámetros de los datos de entrada (tasas de muestreo) y los parámetros del circuito CMOS (área del circuito, frecuencia de operación y consumo de energía). Se realizan análisis comparativos utilizando la tecnología CMOS de 65 nm de TSMC. Los resultados presentados en este artículo pueden ser útiles para dirigir este trabajo con el modelo en términos de la implementación final como el circuito integrado. Las dependencias resumidas en este trabajo también se pueden utilizar para estimar inicialmente los costos de la implementación de hardware del modelo.