Antecedentes: La terapia basada en robótica ha surgido como una modalidad de tratamiento prominente para la rehabilitación de la disfunción de la función de la mano resultante de los accidentes cerebrovasculares. Objetivo: En este contexto, la ingeniería de características se vuelve particularmente importante para estimar la intención de los movimientos de las extremidades superiores mediante la utilización de modelos de aprendizaje automático, especialmente cuando se espera una implementación integrada en hardware a bordo, debido a las fuertes restricciones computacionales, energéticas y de latencia. Métodos: El presente estudio detalla la implementación de cuatro técnicas de ingeniería de características de vanguardia (bosque aleatorio, máxima relevancia de redundancia mínima (MRMR), índice de Davies-Bouldin y pruebas t) en el contexto de algoritmos de aprendizaje automático (redes neuronales y bosques empaquetados) desplegados dentro de un sistema integrado autónomo con recursos limitados. Resultados: Los hallazgos de este estudio demuestran que al asignar importancia relativa a las características y eliminar información redundante o superflua, es posible mejorar la ejecución del sistema hasta en un 31% mientras se preserva el rendimiento del modelo a un nivel comparable. Conclusiones: Este trabajo demuestra la utilidad de TinyML como un enfoque para integrar adecuadamente la IA en sistemas integrados de borde restringido para apoyar estrategias complejas como el reconocimiento de gestos de mano propuesto para la rehabilitación inteligente de pacientes posaccidente cerebrovascular.