Este trabajo presenta una metodología para compensar la pérdida de calibración variable en el tiempo de los sistemas microelectromecánicos inerciales (IMU-MEMS), inducida por el estrés y el envejecimiento. El enfoque se basa en una evaluación periódica del sensor a través de estímulos específicos, produciendo salidas que se comparan con la respuesta de un sensor de alta precisión, utilizado como verdad absoluta. En cada iteración de recalibración, las diferencias con respecto a la verdad absoluta se aproximan mediante redes neuronales pequeñas entrenadas con conciencia de cuantización, lo que permite compensar la pérdida de calibración. Debido a la falta de conjuntos de datos de IMU-MEMS envejecidos, se ha producido un conjunto de datos sintético, teniendo en cuenta los efectos del envejecimiento con pérdida de calibración tanto lineal como no lineal. También se han utilizado datos recopilados en campo en condiciones de estrés térmico. Se diseñó un modelo basado en capas densas y de convolución 1D y compensó un promedio de 1,97 g y una varianza de 1,07 g, con solo 903 representados con parámetros de 16 bits. El modelo propuesto puede ejecutarse en un sensor inercial de procesamiento de señales inteligente en 126,4 ms. Este trabajo representa un avance hacia la computación de aprendizaje automático en el sensor, integrando las capacidades informáticas en el paquete del sensor que alberga los elementos de detección del acelerómetro y giroscopio.