Deep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios

Simple item page
dc.contributor.advisorSaboya Rios, Nemias
dc.contributor.authorCruz Antazu, Ian Dany
dc.contributor.authorVilca Chambi, Joel Ronald
dc.date.accessioned2026-02-04T14:20:28Z
dc.date.available2026-02-04T14:20:28Z
dc.date.issued2026-01-19
dc.description.abstractEn 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.
dc.description.escuelaEscuela de Posgrado
dc.description.lineadeinvestigacionGestion y gobierno de TI
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/9771
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectLSTM
dc.subjectCNN
dc.subjectFaciales
dc.subjectEstudiantes universitarios
dc.subjectNivel de concentración
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04
dc.titleDeep Learning para la detección automática del nivel de concentración mediante la generación de imágenes de los universitarios
dc.typeinfo:eu-repo/semantics/masterThesis
renati.advisor.dni42001721
renati.advisor.orcidhttps://orcid.org/0000-0002-7166-2197
renati.author.dni42205839
renati.author.dni41764228
renati.discipline612467
renati.jurorHuanca López, Lizeth Geanina
renati.jurorLópez Gonzales, Javier Linkolk
renati.jurorSoria Quijaite, Juan Jesús
renati.jurorTocto Cano, Esteban
renati.jurorSaboya Ríos, Nemias
renati.levelhttps://purl.org/pe-repo/renati/level#maestro
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigacion
thesis.degree.disciplineMaestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información
thesis.degree.grantorUniversidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.nameMaestro en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Ian_Trabajo_Maestro_2026.pdf
Size:
1.09 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
285.02 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de similitud.pdf
Size:
1.1 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Magíster en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información