Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios
En este estudio se propone un modelo basado en CNN y LSTM como método ligero y explicable para clasificar automáticamente, en tiempo real, los niveles de concentración de estudiantes universitarios a partir de la detección de 68 puntos faciales. Para ello, se recopilaron 3000 imágenes de 500 sujetos...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2026
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510185682337792 |
|---|---|
| author | Cruz Antazu, Ian Dany Vilca Chambi, Joel Ronald |
| author2 | Saboya Rios, Nemias |
| author_browse | Cruz Antazu, Ian Dany Saboya Rios, Nemias Vilca Chambi, Joel Ronald |
| author_facet | Saboya Rios, Nemias Cruz Antazu, Ian Dany Vilca Chambi, Joel Ronald |
| author_sort | Cruz Antazu, Ian Dany |
| collection | Repositorio institucional |
| description | En este estudio se propone un modelo basado en CNN y LSTM como método ligero y explicable para clasificar automáticamente, en tiempo real, los niveles de concentración de estudiantes universitarios a partir de la detección de 68 puntos faciales. Para ello, se recopilaron 3000 imágenes de 500 sujetos en un entorno académico controlado; cada imagen fue redimensionada y normalizada. Por otro lado, se calcularon tres indicadores clave: el Eye Aspect Ratio (EAR); la apertura bucal y la centralidad del iris. El sistema clasifica un fotograma como “desconcentrado” si la boca permanece abierta o el EAR es inferior a 0.25, como “medio concentrado” cuando la mirada se desvía más de un 20% del centro sin apertura bucal, y como “concentrado” en los casos restantes. La evaluación, realizada mostró precisiones de 95 % para concentración alta, 88% para media y 78% para baja, con F1-scores de 0.95, 0.88 y 0.78 respectivamente. Estos resultados demuestran que un enfoque basado en visión clásica y reglas lógicas puede ofrecer una alternativa eficiente y transparente a las arquitecturas de aprendizaje profundo, facilitando su implementación en herramientas de apoyo docente y plataformas de e-learning para el monitoreo dinámico de la atención estudiantil. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9771 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Gestion y gobierno de TI |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Maestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/maestria-en-ingenieria-de-sistemas-direccion-tic |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios Cruz Antazu, Ian Dany Vilca Chambi, Joel Ronald Saboya Rios, Nemias LSTM CNN Faciales Estudiantes universitarios Nivel de concentración En este estudio se propone un modelo basado en CNN y LSTM como método ligero y explicable para clasificar automáticamente, en tiempo real, los niveles de concentración de estudiantes universitarios a partir de la detección de 68 puntos faciales. Para ello, se recopilaron 3000 imágenes de 500 sujetos en un entorno académico controlado; cada imagen fue redimensionada y normalizada. Por otro lado, se calcularon tres indicadores clave: el Eye Aspect Ratio (EAR); la apertura bucal y la centralidad del iris. El sistema clasifica un fotograma como “desconcentrado” si la boca permanece abierta o el EAR es inferior a 0.25, como “medio concentrado” cuando la mirada se desvía más de un 20% del centro sin apertura bucal, y como “concentrado” en los casos restantes. La evaluación, realizada mostró precisiones de 95 % para concentración alta, 88% para media y 78% para baja, con F1-scores de 0.95, 0.88 y 0.78 respectivamente. Estos resultados demuestran que un enfoque basado en visión clásica y reglas lógicas puede ofrecer una alternativa eficiente y transparente a las arquitecturas de aprendizaje profundo, facilitando su implementación en herramientas de apoyo docente y plataformas de e-learning para el monitoreo dinámico de la atención estudiantil. 2026-01-19 2026-02-04T14:20:28Z 2026-02-04T14:20:28Z info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/9771 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9771 2026-11-10T17:45:09Z |
| spellingShingle | LSTM CNN Faciales Estudiantes universitarios Nivel de concentración Cruz Antazu, Ian Dany Vilca Chambi, Joel Ronald Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title_full | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title_fullStr | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title_full_unstemmed | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title_short | Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios |
| title_sort | deep learning para la deteccion automatica del nivel de concentracion mediante la generacion de imagenes de los universitarios |
| topic | LSTM CNN Faciales Estudiantes universitarios Nivel de concentración |
| topic_facet | LSTM CNN Faciales Estudiantes universitarios Nivel de concentración |
| url | https://hdl.handle.net/20.500.12840/9771 |
| work_keys_str_mv | AT cruzantazuiandany deeplearningparaladeteccionautomaticadelniveldeconcentracionmediantelageneraciondeimagenesdelosuniversitarios AT vilcachambijoelronald deeplearningparaladeteccionautomaticadelniveldeconcentracionmediantelageneraciondeimagenesdelosuniversitarios |