Doctorado Facultad de Ingeniería de Sistemas e Informática

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/129

Browse

Browsing Doctorado Facultad de Ingeniería de Sistemas e Informática by browse.metadata.advisor "Rivera Escriba, Luis Antonio"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Predicción del estrés por frío del ganado lechero utilizando técnicas de aprendizaje automático
    (Universidad Nacional Mayor de San Marcos, 2026) Lascano Rivera, Samuel Benjamín; Rivera Escriba, Luis Antonio
    El objetivo de este estudio fue detectar de forma temprana el estrés por frío en vacas Holstein usando datos de collares inteligentes y modelado temporal. Se monitorearon 10 vacas durante un año (unidad de análisis: cow-day), generando 3 650 observaciones diarias y 87 600 registros horarios de actividad (comer, rumiar, descansar, otros). La señal conductual se preprocesó con un filtro circadiano y se extrajeron características mediante STFT (ventanas internas de 36 h y salto de 1 h); estas características se agregaron a paso diario para el entrenamiento. El etiquetado operativo (silver standard) combinó umbrales de distancia circadiana aprendidos en periodos estables con verificación clínica 2×/día y contexto térmico (THI). Se comparó un LSTM secuencial con baselines (por ejemplo, THI y modelos clásicos). El modelo LSTM mostró desempeño consistente para clasificación diaria de Normal/Leve/Alto, con métricas representativas de Precisión ≈82–84%, F1-macro ≈0,80 y ROC-AUC ≈0,85–0,88, superando a los baselines. En análisis de alerta temprana, el sistema anticipó una fracción relevante de eventos con ≥60 min de antelación, lo que permite acciones preventivas en el hato (refugio, manejo). A nivel de hato, el indicador diario de proporción de vacas con estrés se asoció con episodios de frío. Limitaciones: tamaño muestral reducido (10 vacas), una raza y un solo sitio. Para evitar circularidad, la etiqueta operativa (silver standard) se definió a partir de desviaciones circadianas consistentes en las señales de comportamiento y verificación clínica in situ. Los resultados apoyan la viabilidad de un monitoreo continuo de bienestar basado en collares y aprendizaje profundo, y justifican validaciones externas multicentro con biomarcadores fisiológicos y mayor diversidad ambiental.
  • Thumbnail Image
    Item
    Técnica basada en aislamiento para mejorar la detección de valores atípicos en Redes de Sensores Inalámbricos de monitoreo ambiental
    (Universidad Nacional Mayor de San Marcos, 2025) Garcia Garcia, Julio Cesar; Rivera Escriba, Luis Antonio
    Este trabajo presenta el desarrollo de una nueva técnica de detección de valores atípicos para redes de sensores inalámbricos (WSN) de monitoreo ambiental, denominada PVH-ADiForest (Percentage Variation and Histogram-based Adaptive Distributed Isolation Forest). La técnica propuesta aborda las limitaciones de los enfoques existentes mediante una adaptación distribuida del algoritmo Isolation Forest, incorporando el uso innovador de variaciones porcentuales, histogramas y ventanas deslizantes, además de un proceso online de tres fases que mejora significativamente el proceso de detección. La investigación se desarrolló siguiendo la metodología de Investigación en Ciencias del Diseño (DSRM), que permitió el diseño, implementación y validación exhaustiva de la técnica propuesta. PVH-ADiForest opera en una arquitectura jerárquica de tres niveles: nodos sensores que realizan la detección local, nodos de cabecera (cluster heads) que identifican la fuente de las anomalías y una estación base que recibe las notificaciones, alertas y alarmas para la toma de decisiones. Los resultados experimentales, basados en simulaciones con datos reales y sintéticos, demostraron que la técnica alcanza tasas de efectividad (ACC) superiores al 95% y tasas de falsos positivos (FPR) menores al 5%. La técnica mostró un rendimiento particularmente destacado en datos univariados y bivariados, superando a soluciones comparables como Isolation Forest original y AHIForest. Además, el análisis de complejidad confirmó que la técnica mantiene una complejidad computacional lineal y un uso eficiente de memoria, características cruciales para su implementación en entornos WSN con recursos limitados.