Los dispositivos IoT juegan un papel fundamental en la cadena de aplicaciones de aprendizaje automático (ML), ya que recopilan datos ricos para el entrenamiento de modelos utilizando sensores. Sin embargo, este proceso puede verse afectado por variables incontrolables que introducen errores en los datos, lo que resulta en un mayor costo computacional para eliminarlos. Por lo tanto, seleccionar el algoritmo más adecuado para este paso de preprocesamiento en el dispositivo puede reducir la complejidad del modelo de ML y el uso innecesario de ancho de banda para el procesamiento en la nube. Así, este trabajo presenta una nueva taxonomía de sensores con la que desplegar el preprocesamiento de datos en un dispositivo IoT utilizando un filtro específico para cada tipo de dato que maneja el sistema. Definimos métricas de rendimiento estadístico y funcional para realizar la selección de filtros. Los resultados experimentales muestran que el filtro Butterworth es una solución adecuada para tasas de muestreo invariantes, mientras que los filtros Savi-Golay y de mediana son opciones apropiadas para tasas de muestreo variables.