Acceso Abierto
Modelo de Machine Learning para el monitoreo de actividad motora gruesa en niños con Síndrome de Down para determinar su desempeño físico en entornos educativos de Arequipa, Perú
Cargando...
Fecha
2026-04-10
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Resumen
Los niños con Síndrome de Down suelen presentar un desarrollo motor grueso reducido, lo que afecta su rendimiento en actividades físicas. En el contexto escolar, la evaluación del desempeño suele basarse en la observación del docente, susceptible a sesgos; por ello, algunos estudiantes progresan mientras otros no alcanzan mejoras. Ante esta situación, el objetivo fue desarrollar un modelo de monitoreo basado en visión computacional que permita clasificar de forma objetiva, rápida y automatizada a estudiantes con síndrome de Down según su nivel de rendimiento (alto, moderado o bajo), facilitando la adaptación de las actividades a sus necesidades. La presente investigación fue de tipo aplicada, con un enfoque cuantitativo, con niveles descriptivo y correlacional, y un diseño cuasi experimental. El desarrollo del modelo siguió la metodología CRISP-DM. Para el entrenamiento y validación, durante 4 meses se trabajó con una muestra de 23 niños de 8 escuelas pertenecientes a Cáritas Arequipa; se emplearon como herramientas principales Google Meet, reuniones presenciales, Microsoft Excel, registros de actividades y cámaras Canon. El modelo utilizo el modelo BlazePose (MediaPipe) para la extracción de landmarks y el algoritmo Random Forest Classifier para la clasificación. Tras su aplicación, se evidenció una mejora del
desempeño físico de los niños en cuatro ejercicios: 43.5% mejoró en Gatear, 34.8% en Lanzamiento de Pelota, 34.8% en Pararse y Sentarse en una Silla y 13% en Salto en dos pies. Asimismo, los modelos alcanzaron exactitudes del 97.23% (Gatear), 95.3% (Salto en dos pies), 95.1% (Lanzamiento de Pelota) y 90.37% (Pararse y Sentarse en una Silla). En conclusión, el modelo propuesto resultó efectivo para evaluar y clasificar objetivamente la motricidad gruesa, contribuyendo a la mejora del desarrollo físico en niños con Síndrome de Down.
Descripción
Palabras clave
Síndrome de Down, Visión Computacional, Machine Learning.