Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 947
DESARROLLO DE UN SISTEMA DE VISIÓN ARTIFICIAL PARA LA DETECCIÓN DE
MICROEXPRESIONES FACIALES ASOCIADAS AL DOLOR
DEVELOPMENT OF AN ARTIFICIAL VISION SYSTEM FOR THE DETECTION OF
FACIAL MICROEXPRESSIONS ASSOCIATED WITH PAIN
Autores: ¹Yadira Abigail Tutasig Ushiña y
2
Luis Geovanny Romero Mejía.
¹ORCID ID:
https://orcid.org/0009-0004-8443-9199
2
ORCID ID:
https://orcid.org/0009-0006-0037-5955
¹E-mail de contacto: yadirabigail1234@outlook.com
2
E-mail de contacto:
lromerom@ups.edu.ec
Afiliación:
1*2*
Universidad Politécnica Salesiana, (Ecuador).
Artículo recibido: 15 de Enero del 2026
Artículo revisado: 28 de Enero del 2026
Artículo aprobado: 06 de Febrero del 2026
¹Egresada de la carrera de Ingeniería Biomédica de la Universidad Politécnica Salesiana, (Ecuador).
2
Profesor de la Universidad Politécnica Salesiana, Quito, Ecuador, y miembro del Grupo de Investigación en Biomecatrónica y
Bioingeniería (GIBYB). Es Ingeniero en Electrónica y Control, Tecnólogo en Electromecánica y Magíster en Mecatrónica y Robótica.
Resumen
El dolor se evalúa con frecuencia mediante
escalas subjetivas, lo que reduce la precisión y
aumenta la variabilidad clínica. En este estudio
se desarrolló y evaluó un sistema de visión
artificial para detectar microexpresiones
faciales asociadas al dolor en pacientes de 20 a
68 años utilizando el dataset Pain Expressions
Multimodal Framework (PEMF). El flujo
incluyó detección y recorte facial,
normalización espacial y temporal de los
frames y extracción de rasgos
espaciotemporales con una red MoViNet
preentrenada, complementada con descriptores
geométricos basados en Unidades de Acción.
Se compararon dos enfoques: (i) modelo
híbrido MoViNet + clasificadores supervisados
(MLP y XGBoost) y (ii) modelo end‑to‑end
I3D entrenado directamente sobre secuencias
de video. El desempeño se midió como
clasificación binaria dolor/no dolor con
F1‑macro y balanced accuracy, por el
desbalance del conjunto de prueba (223 clips).
Los resultados globales mostraron mejor
rendimiento para los modelos híbridos
(MoViNet+XGBoost: accuracy 0.97,
F1‑macro 0.96, balanced accuracy 0.9486;
MoViNet+MLP: accuracy 0.96, F1‑macro
0.94) frente a I3D (accuracy 0.93, F1‑macro
0.91), además de menor riesgo de omitir casos
con dolor. Se concluye que el enfoque híbrido
ofrece un soporte objetivo, interpretable y
ajustable para la valoración clínica del dolor,
con potencial de integración en una interfaz
web casi en tiempo real en entornos
hospitalarios y de telemedicina
Palabras clave: Visión artificial,
Microexpresiones faciales, Dolor, MoViNet,
I3D, Aprendizaje profundo.
Abstract
Pain is often assessed with subjective scales,
which lowers accuracy and increases
inter‑observer variability. This study
developed and evaluated a computer‑vision
system to detect facial microexpressions
associated with pain in patients aged 20–68
years using the Pain Expressions Multimodal
Framework (PEMF) dataset. The pipeline
included face detection and cropping, spatial
and temporal normalization of frames, and
spatiotemporal feature extraction with a
pretrained MoViNet network, complemented
with geometric descriptors derived from Facial
Action Units. Two strategies were compared:
(i) a hybrid model combining MoViNet
features with supervised classifiers (MLP and
XGBoost) and (ii) an end‑to‑end deep learning
model based on the I3D architecture trained
directly on video sequences. Performance was
framed as binary pain/no‑pain classification
and evaluated with macro F1‑score and
balanced accuracy due to class imbalance in the
test set (223 clips). Overall results favored the
hybrid approaches (MoViNet+XGBoost:
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 948
accuracy 0.97, macro F1 0.96, balanced
accuracy 0.9486; MoViNet+MLP: accuracy
0.96, macro F1 0.94) over I3D (accuracy 0.93,
macro F1 0.91), with a lower risk of missing
pain cases. In addition, the work highlights the
value of prioritizing clinically critical errors
and selecting thresholds that balance sensitivity
and false alarms carefully
Keywords: Computer vision, Facial
microexpressions, Pain detection, MoViNet,
I3D, Deep learning.
Sumário
A avaliação da dor na prática clínica depende
com frequência de escalas subjetivas, o que
reduz a precisão e aumenta a variabilidade
entre observadores. Este estudo desenvolveu e
avaliou um sistema de visão computacional
para detectar microexpressões faciais
associadas à dor em pacientes de 20 a 68 anos,
utilizando o dataset Pain Expressions
Multimodal Framework (PEMF). O pipeline
incluiu detecção e recorte do rosto,
normalização espacial e temporal dos frames e
extração de características espaço‑temporais
com uma rede MoViNet pré‑treinada,
complementada por descritores geométricos
derivados de Unidades de Ação faciais. Foram
comparadas duas estratégias: (i) um modelo
híbrido que combina atributos extraídos por
MoViNet com classificadores supervisionados
(MLP e XGBoost) e (ii) um modelo end‑to‑end
baseado na arquitetura I3D treinado
diretamente em sequências de vídeo. O
desempenho foi avaliado como classificação
binária dor/sem dor com F1‑macro e balanced
accuracy, considerando o desbalanceamento do
conjunto de teste (223 clipes). Os resultados
favoreceram os modelos híbridos
(MoViNet+XGBoost: acurácia 0.97, F1‑macro
0.96, balanced accuracy 0.9486;
MoViNet+MLP: acurácia 0.96, F1‑macro
0.94) em relação ao I3D (acurácia 0.93,
F1‑macro 0.91), com menor risco de omitir
casos com dor. Conclui-se que a abordagem
híbrida é promissora como suporte objetivo,
interpretável e ajustável para a avaliação
clínica, com integração quase em tempo real
em contextos biomédicos sensíveis.
Palavras-chave: Visão computacional,
Microexpressões faciais, Dor, MoViNet, I3D,
Aprendizado profundo.
Introducción
El dolor representa un estímulo sensorial y
emocional complejo en el estado fisiológico
humano. La International Association for the
Study of Pain (IASP) lo define como una
experiencia desagradable asociada a un daño
tisular real o potencial (Raja et al., 2020). En el
entorno clínico, el dolor es considerado un
signo vital, aumentando la necesidad de
evaluarlo con precisión para garantizar una
atención médica segura y eficaz (Fang et al.,
2025). Los métodos tradicionales de
evaluación, como la Escala Visual Analógica
(EVA) y la Escala Numérica del Dolor (NRS),
presentan limitaciones significativas debido a
su dependencia del estado cognitivo y
comunicativo del paciente, así como a la
variabilidad entre observadores (Ministerio de
Salud Pública del Ecuador, 2024). Estas
limitaciones se incrementan en poblaciones
vulnerables, como pacientes geriátricos,
sedados o con trastornos neurológicos.
Las microexpresiones faciales han sido
propuestas como un biomarcador objetivo para
la evaluación del dolor. El Facial Action Coding
System (FACS), desarrollado por Ekman y
Friesen, ofrece un marco sistemático para la
codificación de la actividad muscular facial
mediante unidades de acción (AUs), algunas
vinculadas consistentemente con la expresión
del dolor (Chaisiriprasert y Patchsuwan, 2025;
Ekman y Friesen, 1978). Los avances en
inteligencia artificial y visión por computadora
han permitido el desarrollo de sistemas
automáticos para analizar expresiones faciales a
partir de secuencias de video. Las redes
neuronales convolucionales tridimensionales
(CNN 3D) han demostrado desempeño
destacado en la modelación conjunta de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 949
información espacial y temporal (Chen et al.,
2024; Sabater-Gárriz et al., 2024).
Arquitecturas como MoViNet han sido
diseñadas para capturar dinámicas faciales
sutiles de corta duración con alta eficiencia
computacional (Hussain et al., 2023). En
Latinoamérica y Ecuador existe limitada
incorporación de tecnologías de visión artificial
para la evaluación objetiva del dolor. La
práctica clínica regional continúa apoyándose
en métodos subjetivos tradicionales,
evidenciando una brecha tecnológica relevante.
El presente estudio desarrolló y evaluó un
sistema de visión artificial para la detección
automática de microexpresiones faciales
asociadas al dolor en pacientes de 20 a 68 años,
utilizando el conjunto de datos PEMF. Se
compararon dos estrategias: un enfoque híbrido
basado en MoViNet y clasificadores
supervisados, y un enfoque end-to-end basado
en I3D, evaluados mediante métricas de
clasificación binaria.
Materiales y Métodos
El estudio se llevó a cabo bajo un enfoque
computacional y experimental, orientado al
análisis del desempeño de modelos de visión
artificial en condiciones controladas. La
investigación es de tipo aplicada con diseño
experimental comparativo. Se utilizó el
conjunto de datos Pain Expressions Multimodal
Framework (PEMF), disponible públicamente
en Open Science Framework
(https://osf.io/3hgca). El dataset incorpora
secuencias de video facial, codificaciones
FACS y evaluaciones subjetivas de dolor. La
muestra incluyó 68 participantes anónimos,
cada uno evaluado bajo cuatro condiciones
experimentales: Algometer, Laser, Neutral y
Posed. El conjunto original contiene 272 clips
de video en formato MP4, con duraciones entre
1 y 3 segundos y frecuencia de muestreo de 24
fps. Mediante técnicas de aumento de datos
(volteo horizontal, rotaciones y ajustes de
brillo), se generaron 1,360 clips.
El dataset fue particionado a nivel de sujeto en
subconjuntos de entrenamiento (70%),
validación (15%) y prueba (15%), garantizando
que cada participante esté presente en un único
subconjunto para evitar filtración de
información. Se implementó un pipeline
automatizado para detección facial, recorte y
normalización espacial. Se utilizó el algoritmo
Multi-task Cascaded Convolutional Networks
(MTCNN) sobre el primer frame de cada clip.
Todos los frames fueron transformados a
formato RGB de tres canales y redimensionados
a 172 × 172 píxeles, preservando la secuencia
temporal original a 24 fps. El enfoque híbrido
utiliza MoViNet como extractor fijo de
características espaciotemporales profundas,
con pesos preentrenados en Kinetics-600. Cada
clip fue representado mediante 32 frames RGB
uniformemente distribuidos. Las características
extraídas se utilizaron como entrada para dos
clasificadores supervisados:
➢ Perceptrón multicapa (MLP): entrenado
con optimizador Adam, regularización L2,
dropout del 10%, y ponderación de clases
para mitigar desbalance. Se implementó
early stopping con paciencia de 10 épocas.
➢ Árboles de decisión (XGBoost):
entrenados directamente sobre vectores de
características, con validación cruzada
estratificada (k=10 folds) y ponderación de
clases.
El modelo I3D aprende directamente desde
frames hasta predicción final. Se entrenó con
optimizador Adam (learning rate 1×10⁻⁵),
regularización L2 (λ=1×10⁻⁴), y programador
StepLR. Se empleó focal loss (γ=2, α=0.25)
para mitigar desbalance, con early stopping
basado en F1-macro de validación. El
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 950
desempeño se evaluó mediante métricas de
clasificación binaria: precisión, sensibilidad
(recall), F1-score macro, balanced accuracy y
área bajo la curva ROC (ROC-AUC). Se
priorizó el F1-score macro por el desbalance de
datos. Se analizaron matrices de confusión para
identificar tipos de errores clínicamente
relevantes. Se implementó validación cruzada
estratificada (k=10 folds) para modelos
híbridos. Las curvas ROC analizaron capacidad
discriminativa ante distintos umbrales de
decisión.
Resultados y Discusión
Modelo híbrido MoViNet y MLP
El clasificador MLP obtuvo accuracy de 0.96,
F1-score macro de 0.94 y balanced accuracy de
0.91. El umbral de decisión se ajustó a 0.4,
priorizando sensibilidad. La curva ROC indicó
ROC-AUC de 0.9972, mostrando alta
capacidad discriminativa.
Tabla 1. Resultados por clase MoViNet + MLP
(threshold = 0.4)
Clase
Precision
Recall
F1-score
No-Dolor
1.00
0.82
0.90
Dolor
0.94
1.00
0.97
Fuente: Elaboración propia
La matriz de confusión mostró 168 verdaderos
positivos, 45 verdaderos negativos, 0 falsos
negativos y 10 falsos positivos. El modelo
presenta alta sensibilidad para detectar dolor,
con tasa mínima de casos positivos omitidos.
Modelo híbrido MoViNet y XGBoost
El modelo basado en árboles alcanzó accuracy
de 0.97, F1-score macro de 0.95 y balanced
accuracy de 0.9486. El umbral óptimo se fijó en
0.69. El ROC-AUC de 0.9943 confirma
capacidad de discriminación entre clases. La
matriz de confusión mostró 166 verdaderos
positivos, 50 verdaderos negativos, 2 falsos
negativos y 5 falsos positivos. Este patrón
evidencia reducción notable de falsas alarmas
respecto al MLP, manteniendo alto nivel de
detección.
Tabla 2. Resultados por clase MoViNet +
XGBoost (threshold = 0.69)
Clase
Precisión
Recall
F1-score
No-Dolor
0.96
0.91
0.93
Dolor
0.97
0.99
0.98
Fuente: Elaboración propia
Modelo I3D end-to-end
El modelo I3D alcanzó accuracy de 0.93, F1-
score macro de 0.91 y balanced accuracy de
0.95. El ROC-AUC de 0.9694 y PR-AUC de
0.9913 muestran habilidad discriminativa
adecuada.
Tabla 3. Resultados por clase modelo I3D end-
to-end
Clase
Precision
Recall
F1-score
No-Dolor
0.78
0.98
0.87
Dolor
0.99
0.91
0.95
Fuente: Elaboración propia
La matriz de confusión reportó 153 verdaderos
positivos, 54 verdaderos negativos, 15 falsos
negativos y 1 falso positivo. El incremento de
falsos negativos implica mayor omisión de
casos con dolor.
Comparación global de modelos
Table 4. Comparación global de desempeño
entre modelos evaluados
Modelo
Accur
acy
Rec
all
F1-
Mac
ro
Bal.
Acc.
RO
C-
AU
C
MoViNet+M
LP
0.96
0.91
0.94
0.91
0.99
72
MoViNet+X
GBoost
0.97
0.95
0.96
0.94
86
0.99
43
I3D end-to-
end
0.93
0.95
0.91
0.95
0.96
94
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 951
Interfaz web
Se desarrolló una interfaz web interactiva
basada en Streamlit para evaluación visual del
sistema. El tiempo total de respuesta se
mantiene bajo el segundo (793 ms promedio),
permitiendo interacción casi en tiempo real. La
etapa de mayor consumo temporal corresponde
a extracción de características mediante
MoViNet (558 ms).
Tabla 5. Tiempos medios de respuesta de la
plataforma web (n=25 ejecuciones)
Etapa
Tiempo (ms)
Desv. estándar
(ms)
Registro video
140
18
Inferencia IA
558
42
Resultados
95
12
Tiempo total
793
52
Fuente: Elaboración propia
Los modelos híbridos basados en MoViNet
demostraron mayor capacidad para capturar
microvariaciones espaciotemporales en
regiones faciales relevantes. La separación
explícita entre extracción de características y
clasificación facilita el aprendizaje de patrones
sutiles asociados al dolor, reduciendo riesgo de
sobreajuste cuando el conjunto de datos es
limitado. El comportamiento diferenciado entre
MLP y XGBoost evidencia cómo el clasificador
final influye directamente en el tipo de error
cometido. Mientras el MLP favorece detección
más sensible del dolor, los árboles de decisión
introducen mecanismo más conservador,
reduciendo falsas alarmas. El modelo I3D,
aunque presenta arquitectura más integrada,
mostró mayor dependencia de la distribución
del conjunto de entrenamiento, reflejado en
incremento de falsos negativos. Bajo
condiciones de datos limitados, el aprendizaje
conjunto de características y clasificación puede
priorizar patrones dominantes y omitir señales
faciales de baja intensidad. Desde perspectiva
clínica, estos hallazgos sugieren que
interpretabilidad y control del proceso de
decisión son factores tan relevantes como el
desempeño global. La capacidad de ajustar el
sistema según tipo de error aceptable resulta
crítica, posicionando enfoques híbridos como
alternativa más flexible y segura para detección
automática del dolor.
Conclusiones
El presente trabajo abordó la detección
automática del dolor facial mediante análisis de
microexpresiones, utilizando información
espaciotemporal extraída de secuencias de
video. Los resultados permiten afirmar que el
enfoque propuesto identifica patrones faciales
asociados al dolor de manera consistente,
respaldando la viabilidad de técnicas de visión
artificial como apoyo al análisis automático. El
F1-score macro adquiere mayor relevancia al
evaluar de forma equilibrada el desempeño
sobre clases Dolor y No-Dolor, especialmente
en presencia de desbalance de datos. Los
hallazgos se entienden a la luz del diseño
metodológico adoptado, apoyado en conjunto
de datos experimental y evaluación
exploratoria.
Los modelos híbridos presentaron desempeño
más estable y confiable, reduciendo errores
clínicamente críticos. El modelo
MoViNet+XGBoost logró mejor balance entre
sensibilidad y control de falsas alarmas (F1-
macro=0.96, ROC-AUC=0.9943). Este trabajo
aporta evidencia técnica preliminar sobre uso de
modelos de visión artificial para análisis
automático del dolor facial, estableciendo base
metodológica sólida para investigaciones
futuras. La ampliación del conjunto de datos,
incorporación de escenarios clínicos más
diversos y empleo de diseños experimentales de
mayor alcance permitirán evaluar con mayor
profundidad la aplicabilidad del enfoque
propuesto en contextos reales.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 952
Referencias Bibliográficas
Chen, W. (2024). Decoding pain through facial
expressions: A study of patients with
migraine. The Journal of Headache and
Pain, 25.
https://pubmed.ncbi.nlm.nih.gov/38462615/
Chaisiriprasert, P. (2025). A weighted facial
expression analysis for pain level estimation.
Journal of Imaging, 11(5), 151.
https://www.mdpi.com/2313-
433X/11/5/151
Dhar, M. (2025). A novel 3D convolutional
neural network-based deep learning model
for spatiotemporal feature mapping for video
analysis. Journal of Imaging, 11(7), 243.
Ekman, P. (1978). Facial Action Coding System
(FACS): A technique for the measurement of
facial movement. Consulting Psychologists
Press.
Fang, R. (2025). Survey on pain detection using
machine learning models: Narrative review.
JMIR AI, 4.
Hammal, Z. (2012). Automatic detection of
pain intensity. Proceedings of the ACM
International Conference on Multimodal
Interaction, 47.
Hussain, T. (2023). EMO-MoviNet: Enhancing
action recognition in videos with EvoNorm,
Mish activation, and optimal frame selection
for efficient mobile deployment. Sensors,
23(19), 8106.
Javaid, M. (2024). A systematic review for
classification and selection of deep learning
methods. Decision Analytics Journal, 12,
100489.
Kondratyuk, D. (2021). Movinets: Mobile
video networks for efficient video
recognition. Proceedings of the IEEE
Computer Society Conference on Computer
Vision and Pattern Recognition, 16015–
16025.
Lecun, Y. (2015). Deep learning. Nature,
521(7553), 436–444.
Martin, P. (2022). 3D convolutional networks
for action recognition: Application to sport
gesture recognition. arXiv preprint.
Ministerio de Salud Pública del Ecuador.
(2024). El ministerio de salud pública ejerce
la rectoría del sistema nacional de salud.
https://www.salud.gob.ec/
Raja, S. (2020). The revised international
association for the study of pain definition of
pain: Concepts, challenges, and
compromises. Pain, 161(9), 1976–1982.
Sabater-Gárriz, Á. (2024). Automated facial
recognition system using deep learning for
pain assessment in adults with cerebral
palsy. Digital Health, 10.
Talluri, K. (2022). Deep 3D convolutional
neural network for facial micro-expression
analysis from video images. Applied
Sciences.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Yadira Abigail
Tutasig Ushiña y Luis Geovanny Romero Mejía.