Los perros de asistencia han mostrado promesas en la alerta de convulsiones epilépticas en sus dueños, pero los enfoques actuales a menudo carecen de consistencia, estandarización y validación objetiva. Este estudio de prueba de concepto presenta el desarrollo y la validación inicial de un collar de detección de alertas de comportamiento portátil desarrollado para perros de asistencia entrenados. Demuestra la viabilidad técnica para la detección automatizada de comportamientos de señalización entrenados. El collar integra un sensor inercial y un pipeline de aprendizaje automático para detectar un comportamiento de alerta específico y entrenado de dos giros rápidos en sentido horario utilizados por los perros para señalar un evento de convulsión. Se recopilaron datos de seis perros entrenados, resultando en 135 alertas de giro etiquetadas. Aunque el tamaño del conjunto de datos es limitado en comparación con otras aplicaciones de aprendizaje automático, esto refleja la restricción del mundo real de que no es práctico que los perros de asistencia realicen señales de giro excesivas durante su entrenamiento. Se evaluaron cuatro modelos de aprendizaje automático supervisado (Random Forest, Regresión Logística, Naïve Bayes y SVM) en datos segmentados de acelerómetro y giroscopio. Random Forest logró el mejor rendimiento (F1-score = 0.65; precisión = 92%) bajo un protocolo de Leave-One-DOG-Out (LODO). El sistema representa un paso novedoso hacia la combinación de comportamientos caninos intencionales con tecnología portátil, alineándose con las tendencias en el Internet de las Cosas Médicas. Esta prueba de concepto demuestra la viabilidad técnica y proporciona una base para el desarrollo futuro de sistemas de alerta de convulsiones en tiempo real, representando un importante primer paso hacia la innovación en atención médica asistida por animales escalable.