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 Author "Lascano Rivera, Samuel Benjamín"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • 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.