El creciente consumo de energía provocado por las TIC está obligando a los desarrolladores a considerar la eficiencia energética como parámetro fundamental de diseño. Este parámetro adquiere gran relevancia en sistemas HPC cuando se ejecutan redes neuronales artificiales y aplicaciones de Machine Learning. Es por ello que en este artículo se muestra un ejemplo de cómo estimar y considerar el consumo de energía en un caso real de clasificación de Electroencefalogramas (EEGs). Se propone una implementación eficiente y distribuida del algoritmo KNN que utiliza mRMR como técnica de selección de características para reducir la dimensionalidad del conjunto de datos. También se analiza el rendimiento de tres distribuciones de carga de trabajo diferentes para identificar cuál es la más adecuada según las condiciones experimentales. El enfoque propuesto supera los resultados de clasificación obtenidos por trabajos anteriores, alcanzando una tasa de precisión del 88,8% y una ganancia de velocidad de 74,53 cuando se ejecuta en un clúster heterogéneo multinodo, consumiendo sólo el 13,38% de la energía de la versión secuencial.