Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Análisis bucodental empleando sensores inerciales mediante algoritmos
de deep learning
Oral analysis using inertial sensors using a Deep Learning model
Luis Oswaldo Betancourt Safla, Ing. (1)
Carlos Alfredo Silva Villafuerte, Msc. (2)
(1) Universidad Técnica de Manabí, Facultad de Posgrado, Maestría Ciencia de Datos y
Máquinas de Aprendizaje. Portoviejo, Manabí, Ecuador. Correo:
lbetancourt0733@utm.edu.ec, Código Orcid: https://orcid.org/0009-0009-9242-3708
(2) Universidad Técnica de Manabí, Portoviejo – Ecuador, Correo:
carlos.silva@utm.edu.ec, Código Orcid: https://orcid.org/0000-0002-0328-8033
Contacto: lbetancourt0733@utm.edu.ec
Recibido: 7 de abril de 2025 Aprobado: 10 de octubre de 2025
Resumen
La higiene bucodental continúa siendo un desafío de salud pública, especialmente en determinar
la correcta técnica de cepillado durante la limpieza bucal. Frente a esta problemática, las
tecnologías emergentes como los sensores inerciales y los algoritmos de inteligencia artificial
ofrecen nuevas oportunidades para monitorear la actividad del cepillado dental. En la presente
investigación se realizó un análisis empleando señales capturadas durante la ejecución de la
actividad de cepillado bucal empleando sensores inerciales (acelerómetro y giroscopio) y modelos
de aprendizaje profundo (CNN y LSTM). Se empleó una metodología mixta, de tipo aplicada y
experimental. Se trabajó con muestra de 57 participantes mayores de edad, clasificados en dos
grupos de acuerdo al correcto cepillado. La recolección de las señales se la realizó mediante
sensores MetaMotionR, acoplados a cepillos de uso personal. Los datos fueron procesados
mediante técnicas de limpieza, codificación y escalado para su análisis con modelos CNN, LSTM
y CNN+LSTM desarrollados en Python, para la recolección de datos se utilizó una aplicación
móvil, llamada Metabase, dada por MetaMotionR. La fase cualitativa incluyó observación directa
para complementar la interpretación de patrones de comportamiento. Los resultados obtenidos
muestran una alta Recall (0.9935), accuracy (0.9965) y F1-score (0.9965), manifestando que un
modelo de inteligencia artificial es capaz de distinguir/ clasificar los movimientos correctos e
incorrectos. Se concluye que el sistema representa un paso preliminar en la incorporación de IA
al monitoreo del cepillado dental. Sin embargo, se identifican limitaciones como la falta de una
base de datos con patrones específicos de cepillado o sensores de presión, aspectos que deben
abordarse en investigaciones futuras.
Palabras clave: Cepillado dental, CNN-LSTM, Deep learning, Salud bucodental, Sensores
inerciales.
Abstract
Oral hygiene continues to be a public health challenge, especially in determining the correct
brushing technique during oral hygiene. Faced with this problem, emerging technologies such as
inertial sensors and artificial intelligence algorithms offer new opportunities to monitor tooth
brushing activity. In this research, an analysis was conducted using signals captured during oral
brushing using inertial sensors (accelerometer and gyroscope) and deep learning models (CNN
and LSTM). A mixed methodology, both applied and experimental, was employed. The study
involved a sample of 57 adult participants, classified into two groups based on their correct
brushing behavior. Signal collection was performed using MetaMotionR sensors attached to
personal toothbrushes. The data were processed using cleaning, encoding, and scaling techniques
for analysis with CNN, LSTM, and CNN+LSTM models developed in Python. A mobile
application called Metabase, provided by the manufacturer, was used for data collection. The
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
qualitative phase included direct observation to complement the interpretation of behavioral
patterns. The results obtained show a high Recall (0.9935), Accuracy (0.9965), and F1-score
(0.9965), demonstrating that an artificial intelligence model is capable of
distinguishing/classifying correct and incorrect movements. It is concluded that the system
represents a preliminary step in the incorporation of AI into tooth brushing monitoring. However,
limitations are identified, such as the lack of a database with specific brushing patterns or pressure
sensors, aspects that should be addressed in future research.
Keywords: Tooth brushing, CNN-LSTM, Deep learning, Oral health, Inertial sensors.
Introducción
El mantenimiento de una salud bucodental es parte integral del bienestar y su falta de atención
puede resultar en complicaciones que van desde caries a enfermedades periodontales crónicas. La
Organización Mundial de la Salud (OMS) estima que aproximadamente 3.500 millones de
personas en el mundo sufren alguna enfermedad bucodental, siendo la caries en dientes
permanentes la patología más frecuente (Organización Mundial de la Salud, 2022). Al mismo
tiempo, reforzar rutinas de prevención, educación e intervención tecnológica sobre higiene bucal
cobra mayor importancia en niños y adolescentes.
En países como Ecuador, la situación respecto a la salud bucal refleja avances y desafíos en curso.
Los datos históricos indican un declive gradual en la prevalencia de caries dental entre escolares
del 88.2% en 1996 al 75.6% en 2009. Sin embargo, estudios más recientes indican que aún existe
aproximadamente un 70% de tasa de prevalencia de caries dental entre niños de ocho a diez años
(Parise-Vasco et al., 2020) lo que indica que los esfuerzos de políticas públicas continúan siendo
inadecuados para abordar este problema. La situación se agrava por la ausencia de información
actualizada que permita la toma de decisiones basada en evidencia para el diseño de
intervenciones (López-Pérez, 2021). Además, Armas-Vega et al. (2023) examinaron la salud
bucodental de escolares de las Islas Galápagos y hallaron que, pese a las campañas preventivas
locales, la prevalencia de caries seguía siendo considerablemente alta, lo que subraya la necesidad
de reforzar programas de educación y control odontológico continuos en esa población insular.
En este ámbito, el uso de tecnologías emergentes como la inteligencia artificial (IA) y los sensores
inerciales ofrecen la oportunidad de romper con los paradigmas existentes en el cuidado
bucodental. El uso de sistemas inteligentes ha sido explorado en otros campos de la medicina,
como la dermatología o la radiología (Topol, 2019) y en años recientes se comenzó a aprovechar
en odontología para el control y evaluación de hábitos de higiene bucal. Incorporar sensores
inerciales a cepillos de dientes que registren movimientos y patrones temporalmente permite
avanzar hacia métodos personalizados para el aprendizaje y perfeccionamiento de técnicas
higiénicas orales.
En un estudio reciente, Chen et al. (2021) alcanzaron una elevada precisión del 99.08% en el
reconocimiento de técnicas de cepillado utilizando cepillos de dientes inteligentes equipados con
sensores inerciales, lo que se logró utilizando redes neuronales probabilísticas recurrentes
(RPNN). Aunque este enfoque logró resultados destacables, investigaciones como la presente
demuestran que arquitecturas como las redes neuronales convolucionales (CNN) y las de memoria
a largo y corto plazo (LSTM) también poseen una sólida capacidad para identificar patrones de
cepillado. De hecho, estas arquitecturas han mostrado un desempeño robusto en distintos
contextos, lo cual valida su utilidad práctica en sistemas inteligentes de monitoreo de la higiene
oral.
Si bien el potencial de la inteligencia artificial en la salud bucodental ha sido ampliamente
demostrado en investigaciones internacionales, su adopción práctica en América Latina aún
enfrenta obstáculos significativos. En muchas regiones, los sistemas de IA aplicados al
diagnóstico o monitoreo del cepillado aún no forman parte de los programas clínicos ni de
intervención educativa, debido a la escasa infraestructura tecnológica y a la brecha de formación
digital entre profesionales de la salud. Esta situación contrasta con países donde la IA ya se integra
en rutinas escolares o clínicas, promoviendo hábitos saludables desde edades tempranas. En este
sentido, Lira et al. (2023) destacan que intervenir durante la infancia mediante educación
personalizada y continua no solo es más costo-efectivo, sino que también genera beneficios
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
sostenibles en la calidad de vida bucodental. Por tanto, se requiere no solo validar modelos
inteligentes, sino también establecer estrategias de implementación en contextos locales.
A este respecto, Mejía et al. (2022) también mencionan que una técnica deficiente del cepillado
puede contribuir a la acumulación de placa bacteriana, dando origen a enfermedad cariosa y
gingivitis crónica. Por esta razón, el uso potencial que ofrecen las tecnologías basadas en IA para
un diagnóstico temprano y autocorrección constituye un avance importante desde perspectivas
pedagógicas y asistenciales.
De esta forma, se parte de una hipótesis: es factible integrar sensores inerciales y modelos de
inteligencia artificial y esto tendrá un impacto positivo en la evaluación de las técnicas de
cepillado. Este método no solo proporciona eficacia al diagnóstico, sino que abre posibilidades
hacia una mayor personalización e implementación estratégica debido a su adaptación al
comportamiento del usuario. La IA ha sido aplicada con gran éxito en la clasificación del
movimiento humano (Al-Saffar et al., 2020), particularmente en el ámbito de la salud donde su
implementación sigue aumentando.
Si bien se han desarrollado IA en algunos ambientes clínicos, su uso rutinario para la evaluación
de hábitos, particularmente en poblaciones vulnerables como infantes y adolescentes, está
estancado. Por eso, en este caso el propósito general de la investigación es evaluar la capacidad
de los modelos de deep learning para la clasificación de movimientos adecuados o inadecuados
durante la higiene bucal.
Material y Métodos
Este estudio se llevó a cabo utilizando un enfoque mixto que combina componentes cuantitativos
y cualitativos con el fin de analizar de manera integral la técnica de cepillado. Desde la perspectiva
cuantitativa, se emplearon los datos capturados mediante los sensores inerciales durante el
cepillado dental, empleando métricas para evaluar la precisión y sensibilidad del modelo de
inteligencia artificial.
El enfoque cualitativo en este caso permitió explicar patrones de comportamiento asociados con
las técnicas de cepillado que se utilizaron y enriqueció el análisis al proporcionar
retroalimentación verbal de los participantes monitoreados.
El tipo de investigación fue aplicada y de diseño experimental, orientada a resolver un problema
práctico vinculado con la mejora de la salud bucodental mediante el uso de tecnologías
automatizadas accesibles. Para el procesamiento y análisis de datos, se utilizó Python 3.10,
empleando bibliotecas como Pandas y NumPy para la gestión de datos, la librería Scikit-learn
para la evaluación de métricas de clasificación, y TensorFlow/Keras para la implementación y
entrenamiento de los modelos de aprendizaje profundo basados en redes neuronales
convolucionales (CNN y LSTM). Todo el proceso fue controlado en un entorno experimental, lo
que garantizó la replicabilidad y fiabilidad de los resultados obtenidos.
La población objetivo incluía adultos jóvenes en formación o auto-práctica de procedimientos de
higiene oral centrándose en la habilidad de control del cepillo. Se identificó que 20 participantes
voluntarios no poseían buenos hábitos de limpieza luego de ser validados por el dentista mediante
videos de grabación.
La clasificación dentro de cada grupo se estructuró en torno a tener rutinas de cuidado oral
adecuadas o inadecuadas. El primer grupo contenía 57 sujetos con prácticas rutinaria
normalmente como realizan su cepillado (todo lo que se realiza regularmente). El segundo grupo
de los 57 sujetos se elige 14 participantes que práctica el cepillado supervisado por medio de un
video educativo (a través de evaluación clínica). Los participantes fueron seleccionados mediante
una técnica de muestreo estratificado donde se eligieron individuos en función de
comportamientos específicos para asegurar la representación proporcional en el comportamiento
relacionado con las prácticas de higiene oral. Esta segmentación fortaleció el entrenamiento del
modelo hacia la generalización en lugar de adaptarlo.
Este estudio adoptó el modelo metodológico CRISP–LM–Q (Proceso Estándar de la Industria
Cruzada para Máquinas de Aprendizaje con Calidad), una adaptación del modelo tradicional
CRISP-DM. Es particularmente útil en investigación aplicada que involucra inteligencia artificial,
aprendizaje automático y procesamiento de señales. Las siguientes fases se completaron:
Fase 1: Comprender los datos
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
En esta fase, se realizó una exploración de los datos recolectados de los 57 sujetos durante el
proceso de cepillado dental. Los datos provinieron de dos tipos de sensores: acelerómetros y
giroscopios, los cuales registraron las señales de movimiento en tres dimensiones: X, Y, y Z. Los
sujetos participaron en varias pruebas, denominadas trial_1, trial_2, trial_3 y trial_4, bajo
diferentes condiciones de supervisión, lo que permite analizar su rendimiento tanto en situaciones
normales como en condiciones supervisadas.
Los datos de acelerómetro y giroscopio fueron organizados en un DataFrame, donde las columnas
clave incluyen epoch (ms), time (-14:00), elapsed (s), x-axis (g), y-axis (g), z-axis (g), subject_id,
y trail. La variable “subject_id” identifica al participante, mientras que trail distingue entre las
diferentes pruebas realizadas. La columna elapsed (s) indica el tiempo transcurrido desde el inicio
de la medición, y las columnas de aceleración y giroscopio registran los valores en las tres
dimensiones (X, Y, Z) durante cada prueba.
En un análisis preliminar, se identificaron valores nulos en algunas columnas, especialmente en
aquellos registros correspondientes a movimientos no representativos del cepillado (por ejemplo,
cuando el sensor se desconecta o cuando se detectaron movimientos no deseados). Este resultado
llevó a la aplicación de un proceso de limpieza de datos, en el cual se eliminaron los registros
incompletos y se corrigieron valores atípicos generados por desconexiones del sensor o
movimientos abruptos. La Figura 1 muestra la ubicación y las coordenadas del sensor en el
cepillo de dientes, proporcionando un contexto visual sobre cómo se obtuvo la información de las
señales de acelerómetro y giroscopio durante el cepillado.
Figura 1. Ubicación y coordenadas del sensor en el cepillo
Fase 2: Preparación de datos
La fase de preparación de los datos es un paso crucial para asegurar que los datos sean apropiados
y estén listos para ser utilizados en el modelado. Durante esta fase, se llevaron a cabo varias
actividades para transformar y estructurar los datos brutos recolectados por los sensores de
acelerómetro y giroscopio, de manera que puedan ser utilizados en el entrenamiento de los
modelos de aprendizaje automático.
Carga y unión de los datos
El primer paso en la preparación de los datos fue la carga y unión de las señales de acelerómetro
y giroscopio para cada uno de los 57 sujetos. Para ello, se implementó una función que permitió
leer los archivos CSV correspondientes a cada sujeto y prueba, y combinarlos en un único
DataFrame (Estructura de datos en la librería Pandas). Este DataFrame contenía las señales de
acelerómetro (en los tres ejes: X, Y, Z) y de giroscopio (también en los tres ejes: X, Y, Z), además
de la información adicional, como el subject_id (que identifica al participante) y trail (que indica
los diferentes ensayos o pruebas por subject).
Se verificó que los datos de acelerómetro y giroscopio tuvieran la misma longitud para cada
prueba (mediante un proceso de segmentación), garantizando que ambos conjuntos de datos
estuvieran sincronizados en cuanto a las muestras registradas.
Segmentación por Ventanas
Una vez cargados y combinados los datos de todos los sujetos, el siguiente paso fue la
segmentación de las señales en ventanas de 2 segundos y 3 segundos. La cantidad de muestras de
cada ventana se definió en función de la frecuencia de muestreo de los sensores, que era de 50
Hz. Esto significa que cada ventana de datos contiene 100 muestras (50 muestras por segundo
durante 2 segundos). Además, se utilizó un 50% de solapamiento entre las ventanas para mejorar
la captura de patrones continuos en los movimientos durante el cepillado.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
La segmentación permitió transformar el conjunto de datos continuo en una serie de ventanas
temporales que se utilizarían como entradas para los modelos de aprendizaje automático. Al
aplicar este método, se generaron un total de 10776 ventanas de datos para todos los sujetos, las
cuales fueron etiquetadas con la actividad correspondiente (normal o supervisada).
Normalización de los Datos
Una parte clave de la preparación de los datos fue la normalización, dado que las señales de
acelerómetro y giroscopio pueden tener diferentes rangos y unidades de medida (por ejemplo, la
aceleración se mide en g y la rotación en deg/s), era necesario normalizar los datos para asegurar
que todas las características estuvieran en la misma escala.
Se utilizó el StandardScaler de sklearn para normalizar las características de cada ventana de
datos. Esto evitó que las diferencias en las escalas de las características afectaran negativamente
el desempeño de los modelos. La normalización por característica es esencial para el rendimiento
de los algoritmos de aprendizaje automático, especialmente en redes neuronales y otros modelos
sensibles a la escala de los datos.
Generación del conjunto de datos
El resultado de la segmentación y normalización fue un conjunto de datos estructurado y listo
para el modelado. Se generaron dos matrices principales: X y Y. La matriz X contiene las ventanas
de datos normalizadas, con una forma de (10776, 100, 6), donde 10776 es el número de ventanas
generadas, 100 es el tamaño de cada ventana (equivalente a 2 segundos de datos), y 6 es el número
de características (tres para el acelerómetro y tres para el giroscopio). La matriz y contiene las
etiquetas correspondientes a cada ventana de datos, con una forma de (10776), donde cada valor
indica si la ventana corresponde a una prueba normal o supervisada.
Fase 3: Modelado
Modelo CNN
El modelo de Convolutional Neural Network (CNN) se entrenó utilizando datos segmentados en
ventanas de 2 segundos y normalizados para las señales de acelerómetro y giroscopio. El modelo
mostró un buen desempeño durante un entrenamiento inicial, las primeras épocas alcanzaron una
accuracy de 85.19% de entrenamiento. A medida que el modelo avanzaba en el número de épocas,
la accuracy de la validación aumentó significativamente, alcanzando un valor máximo de 99.98%
en la época 150, lo que indica que el modelo fue capaz de generalizar bien en los datos de prueba.
En términos de pérdida, el modelo mostró una reducción considerable desde el inicio del
entrenamiento, pasando de una pérdida de 0.3337 a 0.0009 en la última época, lo que demuestra
una convergencia estable y una buena optimización durante el entrenamiento. Esto se reflejó en
las métricas de validación, con la accuracy de validación alcanzando un 99.12%.
El modelo también presentó un buen desempeño en cuanto a la reducción de la pérdida de
clasificación, manteniendo un comportamiento estable a lo largo de las épocas. Sin embargo, se
observó cierta variabilidad en las métricas de validación hacia las últimas épocas.
Modelo LSTM
El modelo LSTM (Long Short-Term Memory) fue entrenado utilizando los datos segmentados en
ventanas de 2 segundos y normalizados para las señales de acelerómetro y giroscopio. Este
modelo está diseñado para aprender secuencias temporales, lo que lo hace adecuado para capturar
las dinámicas temporales de los datos de movimiento durante el cepillado.
El modelo mostró un desempeño robusto durante las épocas de entrenamiento, alcanzando una
accuracy de 83.15% en la primera época. A medida que avanzaron las épocas, la accuracy de
validación aumentó significativamente, llegando a un máximo de 100.00% en la época 150. Este
resultado indica que el modelo fue capaz de generalizar bien a los datos de validación y aprender
patrones útiles de las señales temporales.
En términos de pérdida, el modelo comenzó con una pérdida de 0.4517 en la primera época, y a
lo largo del entrenamiento, esta disminuyó considerablemente hasta llegar a 0.0001 en la época
150, mostrando una convergencia estable. La accuracy de validación, que fluctuó entre el 91.09%
y 98.28%, refleja que el modelo estuvo constantemente mejorando su capacidad de clasificación
a medida que avanzaba el entrenamiento. Este comportamiento indica que el modelo fue capaz
de aprender y generalizar de manera efectiva los patrones del cepillado, aunque podría
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
beneficiarse de algunos ajustes, como regularización adicional o más datos, para mejorar la
estabilidad.
Modelo combinado CNN + LSTM
El modelo combinado de CNN + LSTM fue entrenado para capturar tanto las características
locales (usando la capa Conv1D) como las dependencias temporales (con las capas LSTM) en las
señales de acelerómetro y giroscopio. Este enfoque híbrido aprovechó lo mejor de ambos mundos,
permitiendo que el modelo aprendiera patrones espaciales a nivel de ventana temporal (CNN) y
también capturara la dinámica temporal de los movimientos del cepillo a través de las secuencias
(LSTM).
El modelo CNN + LSTM consistió en una capa convolucional 1D seguida de un MaxPooling, lo
que permitió extraer características locales de las señales. Posteriormente, se incorporaron capas
LSTM para modelar las relaciones secuenciales en los datos. Finalmente, se añadió una capa
densa con salida softmax, adecuada para tareas de clasificación binaria, como la detección de
cepillado normal o supervisada. La arquitectura completa tuvo un total de 80.386 parámetros
entrenables.
Durante el entrenamiento, el modelo mostró una accuracy inicial de 86.32% en la época 1, y a
medida que avanzaban las épocas, la accuracy aumentó significativamente. Después de 139
épocas de entrenamiento, la accuracy alcanzó un 100.0%, lo que indica que el modelo fue capaz
de aprender los patrones de movimiento del cepillo con gran exactitud. La pérdida de
entrenamiento también disminuyó progresivamente, pasando de 0.3275 en la época 1 a 0.0005 en
la época 139, lo que refleja la optimización continua del modelo.
En cuanto a la accuracy de validación, el modelo también mostró un excelente desempeño,
alcanzando un valor máximo de 99.35% en la época 143. Aunque en algunas épocas se observó
una ligera caída en la accuracy de validación, el rendimiento general siguió siendo muy alto, lo
que sugiere que el modelo estaba aprendiendo correctamente los patrones de los datos.
Los valores de accuracy y pérdida obtenidos durante el entrenamiento son muy prometedores, lo
que indica que el modelo combinado CNN + LSTM logró aprender los patrones tanto espaciales
como temporales de las señales de acelerómetro y giroscopio. La alta accuracy en el conjunto de
validación también sugiere que el modelo es capaz de generalizar bien a datos nuevos.
Aunque hubo algunas fluctuaciones menores en la accuracy de validación en ciertas épocas, el
modelo mostró un comportamiento estable y convergió a un rendimiento excelente al final del
entrenamiento. Esto es indicativo de que el modelo es muy efectivo para clasificar correctamente
el cepillado normal y supervisado, basado en las señales de los sensores.
La fase de implementación y evaluación del modelo: El rendimiento del sistema se evaluó
utilizando métricas cuantitativas incluyendo precision, recall, accuracy, F1-score, especificidad
con ajuste de hiperparámetros orientado a maximizar la capacidad predictiva. La evaluación del
experimento se realizó una comparación de métricas de los modelos.
Entre las estrategias más notables implementadas está la observación directa, por medio de la cual
se pudieron registrar cualitativamente el comportamiento de los sujetos durante la actividad de
cepillado dental. La observación fue complementada con una captura de datos, considerada
esencial, que consistió en un dispositivo portátil montado sobre los cepillos capaces de medir
aceleraciones y giros. Además, se realizó video grabación y/o fotos durante las sesiones de
cepillado lo cual posibilitó una posterior revisión sobre cada usuario asegurando que existía
coincidencia entre los datos automáticos y las imágenes obteniendo veracidad.
En cuanto a los dispositivos utilizados, se escogió el sensor inercial de MetaMotionR debido a su
bajo consumo energético, uso de energía móvil, y precisión (MbientLab, 2024). Con el fin de
facilitar su uso y no limitar la experiencia del cepillado dental, estos sensores fueron adheridos a
cepillos dentales estándar. Para el procesamiento de los datos, se llevaron a cabo trabajos en
Python 3.10 donde scripts fueron creados para procesar información con ayuda de bibliotecas
especializadas como pandas y numpy en manipulación de datos, scikit-learn para tareas de
machine learning, así como tensorflow para la creación de modelos basados en redes neuronales
profundas como Convolutional Neural Networks (CNN) o Long Short-Term Memory (LSTM).
La aplicación Metabase fue utilizado para la recolección de los valores del sensor, lo cual genero
un archivo en formato csv.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
La evaluación del rendimiento del modelo de clasificación y la veracidad de los patrones
detectados requería realizar un análisis estadístico que se condujera con los datos obtenidos.
Para evaluar el rendimiento del modelo de inteligencia artificial desarrollado, se utilizaron cuatro
métricas: precision (ver Formula 1), recall (ver Formula 2), accuracy (ver Formula 3) y F1-Score
(ver Formula 4). La precisión se calculó como la proporción de verdaderos positivos sobre el total
de predicciones positivas, es decir, la capacidad del modelo para clasificar correctamente los
cepillados apropiados entre todos los casos identificados como tales. Por su parte, la sensibilidad
(también conocida como recall) se definió como la proporción de verdaderos positivos respecto
al total de casos realmente positivos, lo que permite medir qué tan eficazmente el modelo
identifica los cepillados correctos entre todos los que realmente lo son. La exactitud (conocida
como Accuracy) mide el porcentaje, sumando las predicciones verdaderas positivos sobre la suma
de todas las predicciones del caso evaluados. F1-score calcula el rendimiento del producto entre
precisión y sensibilidad sobre la suma de las mismas métricas. Estos cálculos se realizaron a partir
de la matriz de confusión generada durante la etapa de validación del modelo. Se efectúo un
control estadístico mediante un nivel de significancia del 5% (p < 0.05), con el fin de garantizar
la robustez metodológica y la validez de los resultados obtenidos.
Formula 1. Precisión (Precision)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑉𝑃
𝑉𝑃 +𝐹𝑃
Nota: ¿Qué tan confiable es el modelo cuando dice que un cepillado fue adecuado?
Se define como la proporción de verdaderos positivos (VP) frente al total de predicciones
positivas (VP + FP). Esta métrica responde a la pregunta: ¿Qué tan confiable es el modelo cuando
predice que un cepillado fue adecuado?
Formula 2. Sensibilidad (Recall)
𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 𝑉𝑃
𝑉𝑃 +𝐹𝑁
Nota: ¿Qué tan bueno es el modelo para encontrar todos los cepillados realmente adecuados?
Representa la proporción de verdaderos positivos frente al total de casos realmente positivos (VP
+ FN). Evalúa la capacidad del modelo para identificar todos los cepillados correctos. ¿Qué tan
bueno es el modelo para encontrar todos los cepillados realmente adecuados?
Formula 3. Exactitud (Accuracy)
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 = 𝑉𝑃 +𝑉𝑁
𝑉𝑃 +𝑉𝑁 +𝐹𝑃 +𝐹𝑁
Nota: ¿Qué tan efectivo es el modelo para clasificar adecuadamente tanto los casos positivos
como los negativos?
Es la relación entre las predicciones acertadas (verdaderos positivos y verdaderos negativos) y el
total de casos analizados. Evalúa el rendimiento general del modelo para determinar
correctamente todas las clases que están presentes.
Formula 4. F1-score
𝐹1 − 𝑠𝑐𝑜𝑟𝑒 = 𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑥 𝑅𝑒𝑐𝑎𝑙𝑙
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙 𝑥(2)
Nota: ¿Cuán efectivo es el modelo para identificar correctamente los casos positivos, sin cometer
muchos errores y manteniendo un balance entre precisión y sensibilidad?
Expresa la media armónica entre la sensibilidad y la precisión, proporcionando un único valor
que sintetiza el equilibrio entre las dos. Es útil cuando las clases están desproporcionadas y se
busca un balance entre detectar los positivos y prevenir los falsos positivos.
Esta investigación todos los participantes dieron consentimiento informado. La confianza y
anonimato de los datos personales se mantuvo mediante la anonimización de registros, así como
la extracción intelectual de la información a través de seudónimos para garantizar la
confidencialidad. Además, se garantizó que la participación en la investigación no implicara
riesgo físico o psicológico, y que los sensores utilizados no interferirían con su cuidado durante
las sesiones de cepillado.
Resultados
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Evaluación del modelo con señal Acelerómetro y ventanas de 2 segundos, 50%
solapamiento.
Modelo CNN
Durante la fase de evaluación del modelo Convolutional Neural Network (CNN) aplicado al
análisis bucodental mediante sensores inerciales, se obtuvieron resultados que evidencian la
capacidad del modelo para distinguir entre actividades "normal" y "supervisada". La matriz de
confusión muestra que de un total de 768 instancias reales clasificadas como "normal", el modelo
identificó correctamente 762 y cometió 6 errores. En el caso de la clase "supervisada", de 394
instancias, 390 fueron correctamente clasificadas y solo 4 fueron mal etiquetadas. Esta
distribución indica un bajo índice de error y una alta efectividad en ambas clases.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9948
0.9922
0.9935
-
768
supervisada
0.9848
0.9898
0.9873
-
394
Weighted avg
0.9914
0.9914
0.9912
0.9912
1162
En cuanto a las métricas de evaluación, el modelo alcanzó una precisión del 99.48% para la clase
normal y del 98.48% para la clase "supervisada", lo que significa que prácticamente todas las
predicciones positivas realizadas para cada clase fueron correctas. Asimismo, el recall fue del
99.22% en "normal" y del 98.98% en "supervisada", demostrando una gran capacidad para
recuperar casi todas las instancias verdaderas de cada categoría. El F1-score, que combina
precision y recall, fue de 99.35% para "normal" y de 98.73% para "supervisada", ratificando la
solidez del desempeño.
Además, el accuracy global del modelo fue del 99.14%, reflejando que casi la totalidad de las
predicciones realizadas por el modelo fueron correctas. El promedio ponderado de las métricas es
calculado con la fórmula 5, para precision, recall y F1-score también se situaron en 99.14%, lo
que muestra que el modelo mantiene un rendimiento equilibrado incluso cuando las clases tienen
diferente número de muestras.
Formula 5. Promedio ponderado (Weighted average)
𝑤𝑒𝑖𝑔ℎ𝑡𝑒𝑑 𝑎𝑣𝑔 = (∑𝑖 metric 𝑖 × support 𝑖)𝑛𝑜𝑟𝑚𝑎𝑙 + (∑𝑖 metric 𝑖 × support 𝑖)supervisada
∑𝑖 support 𝑖(𝑛𝑜𝑟𝑚𝑎𝑙, 𝑠𝑢𝑝𝑒𝑟𝑣𝑖𝑠𝑎𝑑𝑎)
Figura 1. Matriz de Confusión, modelo CNN, empleando la señal del acelerómetro, ventanas de
2 segundos.
Modelo LSTM
Las métricas de evaluación del modelo Long Short-Term Memory (LSTM) evidencian un
rendimiento muy variable, el modelo tuvo una precisión del 96.18% normal y 96.55%
supervisada, mientras que recall 98.31% normal y 92.39% supervisada, F1-score para la clase
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
normal 97.23%, mientras que la clase “supervisada” alcanzó 94.42%, reflejando una ligera
disminución en sensibilidad sin afectar significativamente la exactitud general. El modelo logró
un accuracy total del 96.30%, lo que confirma su eficacia es menor para la clasificación de
actividades bucodentales a partir de datos secuenciales de sensores inerciales.
Tabla 2. Evaluación del modelo LSTM
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9618
0.9831
0.9723
-
768
supervisada
0.9655
0.9239
0.9442
-
394
Weighted avg
0.9630
0.9630
0.9628
0,9429
1162
La matriz de confusión del modelo LSTM muestra un rendimiento muy sólido, con 755
clasificaciones correctas para la clase “normal” y 364 para la clase “supervisada”. Se cometieron
13 errores al predecir como “supervisada” muestras normales y 30 al predecir como “normal” las
muestras supervisadas. Estas cifras se reflejan en métricas de medio nivel manteniendo un
equilibrio del promedio ponderado entre las métricas.
Figura 2. Matriz de confusión del modelo LSTM, empleando la señal del acelerómetro, ventanas
de 2 segundos.
Modelo CNN + LSTM
El modelo combinado CNN + LSTM obtuvo resultados sobresalientes, alcanzando un accuracy
del 98.97%, lo que indica una clasificación precisa de los datos bucodentales recogidos mediante
sensores inerciales. La clase “normal” alcanzó un F1-score de 99.22% y la clase “supervisada”
un 98.48%, con una precisión de 99.48% normal y 97.99% supervisada y recall con valores muy
equilibrado de 98.98%. Estas métricas reflejan que la combinación de la extracción espacial de
CNN con la modelación secuencial de LSTM permite una clasificación robusta, generalizando
eficazmente sobre los datos de entrada. El promedio ponderado se mantiene en 98.97% en todas
las métricas respectivamente, consolidando a esta arquitectura como la más precisa entre los
modelos evaluados.
Tabla 3. Evaluación CNN + LSTM
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9948
0.9896
0.9922
-
768
supervisada
0.9799
0.9898
0.9848
-
394
Weighted avg
0.9897
0.9897
0.9897
0,9897
1162
La matriz de confusión del modelo combinado CNN + LSTM refleja un rendimiento excepcional
en la clasificación de actividades bucodentales. De las 768 muestras reales clasificadas como
“normal”, 760 fueron correctamente identificadas y solo 8 fueron clasificadas erróneamente como
“supervisada”. En cuanto a la clase “supervisada”, de un total de 394 muestras, 390 fueron
correctamente clasificadas y únicamente 4 resultaron mal etiquetadas. Estos valores confirman la
efectividad del modelo híbrido, el cual combina la capacidad de detección espacial de CNN con
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
la sensibilidad secuencial de LSTM, logrando minimizar los errores de clasificación en ambas
categorías.
Figura 3. Matriz de confusión CNN + LSTM, empleando la señal del acelerómetro, ventanas de
2 segundos.
Tabla 4. Resultados empleando la señal del acelerómetro, ventanas de 2 segundos.
Modelo
Precisión
Recall
F1-score
CNN
0.9914
0.9914
0.9914
LSTM
0.9630
0.9630
0.9628
CNN+LSTM
0.9897
0.9897
0.9897
Evaluación del modelo con señal Giroscopio y ventanas de 2 segundos, 50% solapamiento.
Modelo CNN
Se obtuvo resultados no muy favorables, de las 788 muestras reales clasificadas como “normal”,
754 fueron correctamente identificadas y solo 34 fueron clasificadas erróneamente como
“supervisada”. En cuanto a la clase “supervisada”, de un total de 394 muestras, 364 fueron
correctamente clasificadas y únicamente 30 resultaron mal etiquetadas, La clase “normal” obtuvo
un F1-score de 95.93%, mientras que la clase “supervisada” alcanzó 91.92%, el Recall en la clase
“normal” se obtuvo 95.69%, mientras en la clase “supervisada” se obtuvo un valor favorable de
92.39%, en accuracy total del 94.59%.
Tabla 5. Evaluación CNN, empleando la señal del giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9617
0.9569
0.9593
-
788
supervisada
0.9146
0.9239
0.9192
-
394
Weighted avg
0.9460
0.9459
0.9459
0.9459
1182
Figura 4. Matriz de confusión CNN, empleando la señal del giroscopio, ventanas de 2 segundos.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Modelo LSTM
El modelo Long Short-Term Memory (LSTM) tuvo un desempeño inferior en todas las métricas,
lo que sugiere que, al trabajar solo con señales del acelerómetro, el modelo basado en memoria
secuencial pierde efectividad frente a arquitecturas convolucionales o mixtas. Esto podría
atribuirse a la menor complejidad temporal de las señales cuando no están enriquecidas con
giroscopio.
Tabla 6. Evaluación LSTM, empleando la señal del giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9442
0.9454
0.9448
-
788
supervisada
0.8906
0.8883
0.8895
-
394
Weighted avg
0.9264
0.9264
0.9264
0.9126
1182
Figura 5. Matriz de confusión LSTM, empleando la señal del giroscopio, ventanas de 2 segundos.
Modelo CNN + LSTM
El acelerómetro por sí solo proporciona una base suficiente para una clasificación precisa,
especialmente con modelos CNN o CNN+LSTM. Sin embargo, estos resultados confirman que
el acelerómetro es una fuente válida y eficiente para la detección de patrones en tareas de cepillado
dental supervisado vs. normal.
Tabla 7. Evaluación CNN + LSTM, empleando la señal del giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9617
0.9569
0.9593
-
788
supervisada
0.9146
0.9239
0.9192
-
394
Weighted avg
0.9460
0.9459
0.9459
0.9459
1182
Figura 6. Matriz de confusión CNN + LSTM, empleando la señal del giroscopio, ventanas de 2
segundos.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Tabla 8. Resultados empleando la señal del giroscopio, ventanas de 2 segundos.
Modelo
Precisión
Recall
F1-score
CNN
0.9460
0.9459
0.9459
LSTM
0.9264
0.9264
0.9264
CNN+LSTM
0.9666
0.9662
0.9663
Evaluación del modelo con señal Giroscopio + Acelerómetro con ventanas de 2 segundos.
Modelo CNN
El modelo Convolutional Neural Network (CNN) se obtuvieron resultados satisfactorios que
evidencian la capacidad del modelo para distinguir entre actividades "normal" y "supervisada".
La matriz de confusión muestra que de un total de 1762 instancias reales clasificadas como
"normal", el modelo identificó correctamente 1756 y 6 errores. En el caso de la clase
"supervisada", de 394 instancias, 381 fueron correctamente clasificadas y solo 13 fueron
etiquetadas erróneas. Esta distribución indica un bajo índice de error y una alta efectividad en
ambas clases, para diferenciar de forma efectiva entre ambas categorías a partir de los datos de
sensores inerciales.
El modelo CNN ha demostrado ser una herramienta altamente eficaz y confiable para la
clasificación de actividades bucodentales a partir de datos de sensores inerciales. Su capacidad
para identificar patrones complejos con bajo margen de error lo convierte en una opción sólida
para aplicaciones prácticas en contextos de clasificación.
Tabla 9. Evaluación del modelo CNN, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9927
0.9966
0.9946
-
1762
supervisada
0.9845
0.9670
0.9757
-
394
Weighted avg
0.9912
0.9912
0.9912
0.9912
2156
Figura 7. Matriz de confusión CNN, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Modelo LSTM
Las métricas evidencian un rendimiento promedio confiable, con valores equilibrados entre
precision, recall y F1-score para ambas clases, F1-score de 98.69% en clase normal, reflejando
una ligera disminución en recall 98.64%, sin afectar significativamente la precisión en general.
El modelo logró un accuracy total del 97.87%, lo que confirma su eficacia para la clasificación
de actividades bucodentales a partir de datos secuenciales de sensores inerciales.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Tabla 10. Evaluación del modelo LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9875
0.9864
0.9869
-
1762
supervisada
0.9394
0.9442
0.9418
-
394
Weighted avg
0.9787
0.9787
0.9787
0,9787
2156
La matriz de confusión del modelo LSTM muestra un rendimiento muy sólido, con 1738
clasificaciones correctas para la clase “normal” y 372 para la clase “supervisada”. Se cometieron
24 errores al predecir como “supervisada” muestras normales y 22 al predecir como “normal” las
muestras supervisadas. Estas cifras se reflejan en métricas el nivel: precision del 98.75% para
“normal” y 93.94% para “supervisada”, con un F1-score promedio ponderado de 97.87%. En
conjunto, el modelo demuestra una capacidad efectiva para distinguir entre ambas clases con un
accuracy general del 97.87%, manteniendo un equilibrio adecuado entre precisión y sensibilidad.
Figura 8. Matriz de confusión LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Modelo CNN + LSTM
Con este se obtuvo resultados sobresalientes, alcanzando un accuracy del 99.35%, lo que indica
una clasificación altamente precisa de los datos bucodentales recogidos mediante sensores
inerciales. La clase “normal” alcanzó un F1-score de 99,60% y la clase “supervisada” un 98.24%,
la precision en la clase normal obtuvo 99.83% y supervisada 97.26%, mientras que recall en la
clase normal 99,38% y supervisado 99.24%. Estas métricas reflejan que la combinación de la
extracción espacial de CNN con la modelación secuencial de LSTM permite una clasificación
robusta, generalizando eficazmente sobre los datos de entrada. El promedio ponderado se
mantiene en 99.35% y 99.36% respectivamente, consolidando a esta arquitectura como la más
precisa entre los modelos evaluados.
Tabla 11. Evaluación CNN + LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9983
0.9938
0.9960
-
1762
supervisada
0.9726
0.9924
0.9824
-
394
Weighted avg
0.9936
0.9935
0.9935
0.9855
2156
La matriz de confusión del modelo combinado CNN + LSTM refleja un rendimiento excepcional
en la clasificación de actividades bucodentales. De las 1762 muestras reales clasificadas como
“normal”, 1751 fueron correctamente identificadas y solo 11 fueron clasificadas erróneamente
como “supervisada”. En cuanto a la clase “supervisada”, de un total de 394 muestras, 391 fueron
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
correctamente clasificadas y únicamente 3 resultaron mal etiquetadas. Estos valores confirman la
efectividad del modelo híbrido, el cual combina la capacidad de detección espacial de CNN con
la sensibilidad secuencial de LSTM, logrando minimizar los errores de clasificación en ambas
categorías.
Figura 9. Matriz de confusión LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 2 segundos.
Tabla 12. Resultados empleando la señal combinada del acelerómetro y del giroscopio, ventanas
de 2 segundos.
Modelo
Precisión
Recall
F1-score
CNN
0.9912
0.9912
0.9912
LSTM
0.9787
0.9787
0.9787
CNN + LSTM
0.9936
0.9935
0.9935
Resumen de la evaluación de los resultados con ventanas de 2 segundo y 50% solapamiento.
La comparación de las métricas de rendimiento entre los modelos CNN, LSTM y la arquitectura
combinada CNN+LSTM revela que este último ofrece el mejor desempeño global utilizando la
combinación de las señales accelerometer + gyroscope.
Tabla 13. Comparación de resultado de los modelos de 2 segundo (100 muestra)
Señales
Accelerometer
Gyroscope
Accelerometer +Gyroscope
Algoritmo
Accuracy
Recall
F1-score
Accuracy
Recall
F1-
score
Accuracy
Recall
F1-score
CNN
0.9914
0.9914
0.9914
0.9459
0.9459
0.9459
0.9912
0.9912
0.9912
LSTM
0.9630
0.9630
0.9628
0.9264
0.9264
0.9264
0.9787
0.9787
0.9787
CNN+LSTM
0.9897
0.9897
0.9897
0.9662
0.9662
0.9663
0.9935
0.9935
0.9935
Evaluación del modelo con señal Giroscopio + Acelerómetro con ventana de 3 segundo.
Modelo CNN
El modelo logró resultados satisfactorios que demuestran su habilidad para diferenciar entre las
actividades "normal" y "supervisada". La matriz de confusión figura 10 revela que, de 1162 casos
reales clasificados como "normal", el modelo identificó correctamente 1145 y cometió 17 errores.
De 261 instancias de la clase "supervisada", se clasificaron correctamente 255 y solo 6 fueron
etiquetadas incorrectamente. Esta distribución muestra una elevada eficacia en las dos categorías
y un bajo índice de error.
El modelo CNN ha probado ser un instrumento sumamente confiable y eficaz para clasificar
actividades bucodentales a partir de datos obtenidos por sensores inerciales. Su habilidad para
detectar patrones complejos con un margen de error mínimo lo hace una opción sólida para
aplicaciones prácticas en escenarios clínicos.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Tabla 14. Resultado de CNN, empleando la señal combinada del acelerómetro y del giroscopio,
ventanas de 3 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9948
0.9854
0.9918
-
1162
supervisada
0.9375
0.9770
0.9568
-
261
Weighted avg
0.9843
0.9838
0.9840
0.9838
1423
Figura 10. Matriz de confusión CNN, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 3 segundos.
Modelo LSTM
Las métricas muestran un desempeño no confiable, con cifras muy variante entre la precision,
recall y F1-score para las dos clases. La clase "normal" logró un F1-score de 99.05%, en tanto
que la clase "supervisada" llegó a 95.85%; este modelo mostró reducción en la precisión teniendo
un impacto notable en la accuracy en general. El modelo alcanzó una precision total del 98.45%,
lo que demuestra meno eficiencia en la clasificación de actividades bucodentales usando datos
secuenciales de sensores inerciales.
Tabla 15. Resultado de LSTM, empleando la señal combinada del acelerómetro y del giroscopio,
ventanas de 3 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9939
0.9871
0.9905
-
1162
supervisada
0.9442
0.9732
0.9585
-
261
Weighted avg
0.9848
0.9845
0.9846
0.9845
1423
El desempeño del modelo LSTM, según su matriz de confusión, es muy sólido, con 1162
clasificaciones precisas para la categoría "normal" y 261 para la "supervisada". Se cometieron 15
errores al pronosticar las muestras supervisadas como "normales" y 7 al pronosticar las muestras
normales como "supervisadas". Estas cifras se ven en métricas de alto nivel: una precision del
99.39% para "normal" y del 94.42% para "supervisada", así como un F1-score promedio del
98.46%. En resumen, el modelo muestra una accuracy del 98,45%.
Figura 11. Matriz de confusión LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 3 segundos.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Modelo CNN + LSTM
Se lograron resultados excepcionales con este, llegando a un 99.65% de accuracy (exactitud), lo
que significa una clasificación muy precisa de los datos bucodentales recolectados a través de
sensores inerciales. La clase "normal" obtuvo un puntaje F1-acore de 99.78% y la clase
"supervisada" uno de 99.05%, con cifras muy balanceada en recall en las dos clases. Estos
parámetros demuestran que la conjunción de la extracción espacial de CNN + LSTM posibilita
una clasificación sólida, que generaliza efectivamente a partir de los datos iniciales. El promedio
macro y el ponderado se sostienen en 99.65%, lo que confirma a esta arquitectura como la más
exacta entre los modelos analizados.
Tabla 16. Resultado de CNN + LSTM, empleando la señal combinada del acelerómetro y del
giroscopio, ventanas de 3 segundos.
Clase
Precision
Recall
F1-score
Accuracy
Soporte
normal
0.9991
0.9966
0.9978
-
1162
supervisada
0.9848
0.9962
0.9905
-
261
Weighted avg
0.9965
0.9965
0.9965
0.9965
1423
El modelo combinado CNN + LSTM muestra un desempeño sobresaliente en la clasificación de
actividades bucodentales, según lo indica su matriz de confusión. De un total de 1162 muestras
reales, clasificadas como "normal", 1158 fueron identificadas correctamente y 4 fueron
clasificadas equivocadamente como "supervisada". Con respecto a la clase "supervisada" de 261
muestras en total, 260 fueron clasificadas adecuadamente y solo 1 se etiquetaron incorrectamente.
La eficacia del modelo híbrido, que mezcla la habilidad de detección espacial de las CNN con la
sensibilidad secuencial de las LSTM, se confirma con estos valores, ya que consigue reducir al
mínimo los errores de clasificación en los dos grupos.
Figura 12. Matriz de confusión CNN + LSTM, empleando la señal combinada del acelerómetro
y del giroscopio, ventanas de 3 segundos.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Tabla 17. Resultado de gyroscope + accelerometer, empleando la señal combinada del
acelerómetro y del giroscopio, ventanas de 3 segundos.
Modelo
Precisión
Recall
F1-score
CNN
0.9843
0.9838
0.9840
LSTM
0.9848
0.9845
0.9846
CNN + LSTM
0.9965
0.9965
0.9965
Resumen de la evaluación de los resultados con ventanas de 2 segundo y 3 segundo, 50%
solapamiento.
La comparación de las métricas de rendimiento entre los modelos CNN, LSTM y la combinada
CNN+LSTM, en la tabla 18 detalla los resultados de las señales accelerometer + gyroscope con
ventana de 2 segundo la métrica de accuracy el modelo CNN+LSTM tiene al mayo valor 0.9882,
en el modelo CNN en la métrica recall tiene la sensibilidad mayor de 0,9876. Prueba ventana de
3 segundo el modelo CNN+LSTM tiene todas las métricas el mismo valor de 0.9951.
Tabla 18. Comparación de resultado de las señales accelerometer + gyroscope (2s) y (3s).
Señales
Accelerometer + Gyroscope (3s)
Accelerometer +Gyroscope(2s)
Algoritmo
Accuracy
Recall
F1-score
Recall
F1-score
CNN
0.9838
0.9838
0.9840
0.9912
0.9912
LSTM
0.9845
0.9845
0.9846
0.9787
0.9787
CNN+LSTM
0.9965
0.9965
0.9965
0.9935
0.9935
Para complementar el análisis del desempeño de los modelos de aprendizaje profundo, se realizó
una comparación de la duración del cepillado dental entre los grupos con actividad normal y
aquellos con cepillado supervisado. La Figura 13 presenta un gráfico de caja que ilustra
visualmente la distribución de los tiempos registrados en cada grupo, permitiendo observar tanto
la tendencia central como la dispersión y presencia de valores atípicos.
Figura 13. Resultados de observación normal vs supervisada.
La figura 14 de caja revela que el grupo con cepillado supervisado presenta una mayor mediana
y mayor dispersión en la duración del cepillado en comparación con el grupo normal, lo que indica
que la supervisión favorece tiempos más prolongados y consistentes. Además, se observan más
valores atípicos en el grupo normal, lo que sugiere comportamientos más variables y menos
controlados. En conjunto, estos resultados respaldan la efectividad de la supervisión como
estrategia para mejorar la calidad del cepillado dental.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Figura 14. Histograma de frecuencia
Discusión
Los resultados obtenidos ponen de manifiesto que la utilización de sensores inerciales junto a
modelos de Deep Learning logra altos niveles de accuracy, recall, F1-score y precision en la
detección de técnicas de cepillado. En la validación de los modelos, se observaron métricas
sobresalientes en modelo CNN con las dos señales combinadas accelerometer + gyroscope
utilizando ventana de 2 segundo (100 muestra), la métrica accurary y F1-score se obtuvo un valor
de 0.9912, otro de los modelos que se tiene excelentes resultados fue CNN + LSTM (accurary y
F1-score = 0.9935). Además, al analizar los modelos con las señales por separados, se identificó
que los mejore resultados se obtuvieron utilizando exclusivamente la combinación CNN + LSTM.
Para tener referencia de los modelos se realizó pruebas de las señales del sensor accelerometer +
gyroscope utilizando ventanas de 3 segundos (150 muestras), el modelo híbrido CNN + LSTM
llegaron a tener valores más alto en el entrenamiento, (accurary y F1-score = 0.9965).
Estas observaciones están en línea con estudios previos. Chen et al. (2021) desarrollaron un
modelo RPNN para evaluar la técnica de cepillado mediante sensores inerciales, alcanzando una
precisión del 99.08%, superando en un 16.2% a los modelos basados en CNN y en un 21.21% a
los LSTM. Sin embargo, su investigación se centró exclusivamente en la detección de una postura
específica (técnica de Bass) bajo condiciones estrictamente controladas. En contraste, el presente
estudio se orienta hacia la evaluación de patrones de cepillado en condiciones de uso cotidiano,
lo que le confiere una aplicabilidad más cercana al entorno real y a la intervención educativa.
Por otro lado, en el estudio mTeeth de Shetty et al. (2021), donde se utilizaron sensores en la
muñeca para identificar superficies dentales, se empleó un modelo bayesiano en ensamblaje,
alcanzando una clasificación fiable en entornos no controlados. El enfoque con redes profundas
integradas brinda ventajas en precisión, mejorando la aplicabilidad. En términos de herramientas
y plataformas, Palanisamy (2024) revisó tecnologías inteligentes de higiene bucal y resaltó la
eficacia clínica y la importancia de la adopción, destacando que estas innovaciones mejoran la
adherencia y reducen la gingivitis. Este resultado valida la relevancia social de sistemas como el
de este estudio, que, además, ofrecen retroalimentación inmediata al usuario y al profesional. En
línea con esto, Mattila et al. (2023) estudiaron dispositivos IoT inteligentes en salud oral,
enfatizando los desafíos en precisión de medición y aceptación del usuario. El análisis cualitativo,
con observación clínica, confirma un margen de mejora en movimientos complejos,
especialmente en la zona posterior (6 errores observados), lo cual coincide con las brechas
señaladas.
Estudios como ROBAS, de Timmers et al. (2020), mostraron alta validez en laboratorio y en
condiciones reales al usar sensores integrados en cepillos convencionales para grabar episodios y
retroalimentación mediante aplicaciones móviles. El uso de MetaBase va en la misma dirección,
contribuyendo a una herramienta práctica para Clínica y educación. Además, Nanni et al. (2021)
subrayan que los sensores 'multiaxiales' de 9 ejes permiten realizar reconocimientos en tiempo
real con alta eficiencia computacional, lo que coincide con nuestra elección del sensor
MetaMotionR, así como arquitecturas CNN/LSTM. Dando un paso más, Yuan et al. (2024)
utilizaron señales acústicas para diagnosticar caries y cálculos con AUC cercanos a 0.90. Aunque
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
la fuente de datos difiere (acústica vs. inercial), ambos métodos evidencian que tecnologías no
invasivas pueden detectar condiciones dentales con gran precisión.
En el terreno de la interacción humano-máquina, Sun et al. (2021) desarrollaron TeethTap, un
modelo de detección de gestos dentales con soporte SVM y DTW, alcanzando una exactitud del
90.9%. Aunque se orienta a interfaces computacionales, destaca la capacidad de los sensores
inerciales para detectar micro-movimientos, algo que el modelo también captura en hábitos de
cepillado. Por último, García-de-Villa et al. (2024) realizaron una revisión sobre sensores
inerciales en análisis de movimiento y concluyeron que el Deep Learning mejora notablemente la
calidad de la clasificación frente a métodos tradicionales. El presente estudio lo confirma al lograr
valores en rango de 0.89–0.955, compatibles con estudios modernos en este campo.
En comparación con los estudios mencionados, los resultados de precisión y sensibilidad
obtenidos aquí están entre los valores reportados para aplicaciones biomédicas similares,
reafirmando la eficacia del enfoque. La incorporación del componente cualitativo y la validación
clínica confieren mayor solidez que muchos estudios que solo miden desempeño computacional
en condiciones ideales. Sin embargo, persisten desafíos. Por ejemplo, los errores en zonas
posteriores coinciden con las dificultades identificadas en Palanisamy (2024) y mTeeth (Shetty et
al., 2021), lo que sugiere que se requiere recopilar más datos variados y tal vez mejorar la
segmentación de señales.
En fases futuras, se pretende entrenar los modelos para que no solo clasifique patrones de
cepillado, sino que pueda integrarse con módulos de retroalimentación educativa personalizados.
Aunque el presente modelo no configura recomendaciones automáticas, su arquitectura y
precisión permiten proyectar su evolución hacia aplicaciones que orienten al usuario sobre
mejoras técnicas en tiempo real. Además, se podrían aplicar otros algoritmos de clasificaciones
como RESNET y INCEPTION para comparar resultados, para saber si los resultados es factible
realizar el análisis de ANOVA.
RECONOCIMIENTO
Apoyado por el proyecto “OPMIA: Optimización de modelos de inteligencia artificial sobre
conjuntos de datos numéricos, textuales y de imágenes” (PYTAUTO3334-2023-FCI0027,
Universidad Técnica de Manabí).
Bibliografía
1. Ahmad, W., Kazmi, M., & Ali, H. (2020). Human activity recognition using multi‑head
CNN followed by LSTM. arXiv. https://arxiv.org/abs/2003.06327.
2. Akther, S., Saleheen, N., Saha, M., Shetty, V., & Kumar, S. (2021). mTeeth: Identifying
brushing teeth surfaces using wrist‑worn inertial sensors. Proceedings of the ACM on
Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(2), 1–25.
https://doi.org/10.1145/3463494
3. Al‑Saffar, Z., Nguyen, T. T., & Harb, H. (2020). Human motion classification via
inertial sensor data and machine learning: A systematic review. Sensors, 20(19), 5632.
https://doi.org/10.3390/s20195632
4. Armas‑Vega, A., Parise‑Vasco, J. M., Díaz‑Segovia, M. C., Arroyo‑Bonilla, D. A.,
Cabrera‑Dávila, M. J., Zambrano‑Bonilla, M. C., … Viteri‑García, A. (2023).
Prevalence of dental caries in schoolchildren from the Galapagos Islands: ESSO‑Gal
cohort report. International Journal of Dentistry, 2023, 6544949.
https://doi.org/10.1155/2023/6544949
5. Bevilacqua, A., MacDonald, K., Rangarej, A., Widjaya, V., Caulfield, B., & Kechadi,
T. (2019). Human activity recognition with convolutional neural networks. arXiv.
https://arxiv.org/abs/1906.01935.
6. Chen, C.-H., Wang, C.-C., & Chen, Y.-Z. (2021). Intelligent brushing monitoring using
a smart toothbrush with recurrent probabilistic neural network. Sensors (Basel), 21(4),
1238. https://doi.org/10.3390/s21041238
7. Chen, X., Li, Y., Wang, Z., & Ho, K. L. (2021). Smart toothbrush with inertial sensors
and an RPNN classifier for motion recognition. IEEE Transactions on Neural Networks
and Learning Systems, 32(5), 2123–2134.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
8. Hygiea, R., et al. (2022). BrushBuds: IMU-based brushing region detection. Conference
Proceedings. https://doi.org/10.1145/3500000.
9. Liang, Y., Li, D., Deng, D., Chu, C. H., & Cheng, L. (2025). AI‑driven dental caries
management strategies: From clinical practice to education. International Dental
Journal. Advance online publication. https://doi.org/10.1111/idj.12567
10. Lira, S., Gómez, F., & Castillo, R. (2023). Impact of preventive orientation on oral
hygiene habits in school-aged children. Journal of Preventive Dentistry, 15(1), 45–58.
11. López‑Pérez, C. (2021). Innovaciones tecnológicas para la salud bucodental:
Perspectivas en países en desarrollo [Tesis doctoral, Universidad de Quito].
12. Mattila, M., et al. (2023). IoT‑based oral hygiene monitoring: challenges and
opportunities. Sensors, 23(2), 18.
13. Mejía, G., Torres, L., & Brenes, J. (2022). Incorrect toothbrushing technique as a risk
factor for periodontal disease in adolescents. Latin American Journal of Oral Health,
7(2), 98–107.
14. MbientLab. (2024). MetaMotionR - Wireless IMU sensor.
https://mbientlab.com/store/metamotionr/.
15. Nanni, L., et al. (2021). Review on sensors and deep learning for gesture recognition
using IMUs. Sensors, 21(4), 1238. https://doi.org/10.3390/s21041238.
16. Organización Mundial de la Salud. (2022). World oral health report 2022: Convening
the evidence for oral health through life course. Ginebra: OMS.
17. Palanisamy, R. (2024). Artificial‑intelligence‑based smart toothbrushes for oral health
and plaque control: A narrative review. Diagnostics, 13(1), Article 5.
https://doi.org/10.3390/diagnostics13010005.
18. Parise-Vasco, J. M., Viteri-García, A., & Cabrera-Dávila, M. J. (2020). Prevalence and
incidence of dental caries associated with the effect of tooth brushing and fluoride
varnishing in schoolchildren at Galapagos Islands, Ecuador: Protocol of the EESO‑Gal
study. Medwave, 20(6), e7974.
19. Shetty, V., Kumar, S., Akther, S., & Saleheen, N. (2021). Evaluating brushing
performance with wrist‑worn inertial sensors: The mTeeth model. Proceedings of the
ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(2), 1–25.
https://doi.org/10.1145/3463494.
20. Sun, Q., Yang, Z., Yu‑wei, L., & Choudhury, R. R. (2021). EarSense: Earphones as a
teeth activity sensor. Proceedings of CHI Conference. https://doi.org/10.1145/3411764
21. Tao, W., Chen, H., et al. (2021). Attention‑based sensor fusion for human activity
recognition using IMU signals. arXiv. https://arxiv.org/abs/2112.11224
22. Timmers, R., et al. (2020). mHealth approach for real‑time brushing feedback. JMIR
mHealth and uHealth, 8(6), e17347. https://doi.org/10.2196/17347
23. Topol, E. J. (2019). Deep medicine: How artificial intelligence can make healthcare
human again. New York, NY: Basic Books.
24. Wang, Y., Hong, F., Jiang, Y., Bao, C., & Guo, Z. (2024). ToMoBrush: Dental health
sensing using a sonic toothbrush. Proceedings on arXiv. Retrieved from
https://arxiv.org/abs/2402.01933.
25. Zhang, M., Zhang, M., Chen, Y., & Li, M. (2021). IMU data processing for Inertial Aided
Navigation: A Recurrent Neural Network Based Approach. arXiv.
https://arxiv.org/abs/2103.14286.