Desarrollo de un prototipo basado en Inteligencia Artificial para el reconocimiento eficiente de momentos de inactividad en laboratorios de computadoras Development of an Artificial Intelligence-based prototype for the efficient recognition of inactivity periods in computer laboratories
Barra lateral del artículo
Contenido principal del artículo
Resumen
El consumo innecesario de energía y la falta de mecanismos automáticos para gestionar la inactividad en laboratorios universitarios representan un reto relevante para la sostenibilidad y eficiencia operativa. Con el objetivo de abordar este problema, se desarrolló un prototipo de software basado en Aprendizaje Profundo (Deep Learning) que integra modelos LSTM y CNN para el análisis multimodal combinado de datos computacionales e imágenes captadas en tiempo real, permitiendo reconocer periodos de inactividad y automatizar el apagado seguro de los equipos. La validación experimental se realizó en laboratorios de la Universidad de Guayaquil, empleando una metodología de investigación cuantitativa y metodología de Ciencia de Datos CRISP-DM, se recolectaron los datos localmente. Entre los principales hallazgos, el sistema logró una reducción significativa en el consumo energético (estimada entre el 10% y el 17%), un F1-score superior a 0.98 en la detección, y una aceptación positiva por parte de más del 70% de los usuarios encuestados. Se concluye que la solución desarrollada aporta una herramienta robusta y adaptable para la gestión eficiente de recursos en entornos educativos universitarios, evidenciando su potencial como alternativa transferible y escalable. Futuras líneas de trabajo contemplan la expansión del prototipo a otros contextos institucionales y la integración de módulos avanzados de monitoreo y reporte automático
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Almukadi, W. S., Alrowais, F., Saeed, M. K., Yahya, A. E., Mahmud, A., Marzouk, R. (2024). Deep feature fusion with computer vision driven fall detection approach for enhanced assisted living safety. Scientific Reports, 14(1), 71545. https://doi.org/10.1038/s41598-024-71545-6
Baek, J., Kim, D., Choi, B. (2024). Deep learning-based automated productivity monitoring for on-site module installation in off-site construction. Developments in the Built Environment, 18, 100382. https://doi.org/10.1016/j.dibe.2024.100382
Berberi, L., Kozlov, V., Nguyen, G., Sáinz-Pardo Díaz, J., Calatrava, A., Moltó, G., Tran, V., & López García, Á. (2025). Machine learning operations landscape: platforms and tools. Artificial Intelligence Review, 58(6). https://doi.org/10.1007/s10462-025-11164-3
Cao, M., Wan, J., & Gu, X. (2025). CLEAR: Multimodal Human Activity Recognition via Contrastive Learning Based Feature Extraction Refinement. Sensors, 25(3). https://doi.org/10.3390/s25030896
Frontiers in Education (2025). Adoption of artificial intelligence applications in higher education. https://doi.org/10.3389/feduc.2025.1680401
Kahil, H., Sharma, S., Vlisuo, P., Elmusrati, M. (2025). Reinforcement learning for data center energy efficiency optimization: A systematic literature review and research roadmap. Applied Energy, 389, 125734. https://doi.org/10.1016/j.apenergy.2025.125734
Long-fei, C., Fisher, R. B. (2023). MISO: Monitoring Inactivity of Single Older Adults at Home using RGB-D Technology. arXiv preprint arXiv:2311.02249.
https://doi.org/10.48550/arXiv.2311.02249
Miller C, Portlock T, Nyaga DM and O’Sullivan JM (2024) A review of model evaluation metrics for machine learning in genetics and genomics. Front. Bioinform. 4:1457619. doi: https://doi.org/10.3389/fbinf.2024.1457619
Mili, V. (2024). Next-generation data center energy management: A data-driven decision-making framework. Frontiers in Energy Research, 12, 1449358. https://doi.org/10.3389/fenrg.2024.1449358
Cox, F. L., Pilozo, R. L. (2025). Desarrollo de un Prototipo Basado en Deep Learning Para la Detección Precisa de Inactividad en Laboratorio de Computadoras. DSpace Universidad de Guayaquil. https://repositorio.ug.edu.ec/browse/author
Rainio, O., Teuho, J., & Klén, R. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-56706-x
Rescio, G., Manni, A., Ciccarelli, M., Papetti, A., Caroppo, A., Leone, A. (2024). A deep learning-based platform for workers stress detection using minimally intrusive multisensory devices. Sensors, 24(3), 947. https://doi.org/10.3390/s24030947
Ruhland, J.B. (2025). Enhancing deep neural network training through learnable adaptive normalization layers integrated into neural networks. Knowledge-Based Systems, 294, 111013. https://doi.org/10.1016/j.knosys.2025.113968
Sain, M. K., Laskar, R. H., Singha J., Saini, S. (2023). Hybrid deep learning model-based human action recognition in indoor environment. Robotica. 41(12), 3788-3817. doi: https://doi.org/10.1017/S0263574723001327
Shehabi, A., Smith, S. J., Hubbard, A., Newkirk, A., Lei, N., Abu Bakar Siddik, M., Holecek, B., Koomey, J., Masanet, E., & Sartor, D. (2024). 2024 United States Data Center Energy Usage Report Energy Analysis & Environmental Impacts Division Citation. https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report_1.pdf
Truong, D. & Delorme, A. (2025). Data Normalization Strategies for EEG Deep Learning. arXiv preprint arXiv:2506.22455. https://doi.org/10.48550/arXiv.2506.22455
Uzunhisarcikli, E., Kavuncuoğlu, E. & Ozdemir, A. (2022). Investigating classification performance of hybrid deep learning models for human activity recognition. Cognitive Computation and Systems, 4(2). https://doi.org/10.1111/coin.12517
von Stackelberg, P. et al. (2024). " Comparison of threshold tuning methods for predictive monitoring". Quality and Reliability Engineering International. https://doi.org/10.1002/qre.3436
Weerasekara, M., Smedberg, B. (2023). Exploration of user needs and design requirements of a digital stress management intervention for software employees in Sri Lanka: a qualitative study. BMC Public Health, 23(1), 15480. https://doi.org/10.1186/s12889-023-15480-7
Wei Zhang, L., Shanmugam, K., Ehsan Rana, M. (2022). IoT Based Intelligent Energy Monitoring System for Computer Laboratories. 2022 International Conference on Decision Aid Sciences and Applications (DASA), Chiangrai, Thailand, 1322–1326. https://doi.org/10.1109/DASA54658.2022.9765295
Wilhelm, S., Wahl, F. (2024). Emergency Detection in Smart Homes Using Inactivity Score for Handling Uncertain Sensor Data. Sensors, 24(20), 6583. https://doi.org/10.3390/s24206583
Zhang, L., Shanmugam. K. and Rana, M. (2022. IoT Based Intelligent Energy Monitoring System for Computer Laboratories, 2022 International Conference on Decision Aid Sciences and Applications (DASA), Chiangrai, Thailand, 1322-1326, https://doi.org/10.1109/DASA54658.2022.9765295