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

Oviedo Villanueva, Hector Daniel; Suarez Fernandez, Sergio Paolo

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

dc.contributor.advisor	Santillana Valdivia, Mario Cesar
dc.contributor.author	Oviedo Villanueva, Hector Daniel
dc.contributor.author	Suarez Fernandez, Sergio Paolo
dc.date.accessioned	2026-05-04T20:51:38Z
dc.date.available	2026-05-04T20:51:38Z
dc.date.issued	2026-04-10
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/16851
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_ES
dc.source	Universidad Católica de Santa María	es_ES
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM	es_ES
dc.subject	Síndrome de Down
dc.subject	Visión Computacional
dc.subject	Machine Learning.
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.04
dc.title	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
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	40942819
renati.advisor.orcid	0009-0009-8472-6055
renati.author.dni	70995855
renati.author.dni	73874060
renati.discipline	612076
renati.juror	Rosas Paredes, Karina
renati.juror	Guevara Puente De La Vega, Karim
renati.juror	Sulla Torres, Jose Alfredo
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería de Sistemas
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales	es_ES
thesis.degree.name	Ingeniero de Sistemas