Se han empleado diversas técnicas para detectar daños en estructuras de ingeniería civil. Aparte del enfoque basado en modelos, que requiere la actualización frecuente de su modelo construido mediante el método de elementos finitos (FEM) correspondiente, los métodos basados en datos han ganado prominencia. Los efectos ambientales y operacionales afectan significativamente la detección de daños debido a la presencia de tendencias relacionadas con los daños en sus análisis. Enfoques en el dominio del tiempo como la autorregresión y métricas como la distancia cuadrada de Mahalanobis se han utilizado para mitigar estos efectos. En el ámbito de los modelos de aprendizaje automático (ML), su efectividad depende en gran medida del tipo y la calidad de las características extraídas, lo que convierte este aspecto en un punto focal de atención. Por lo tanto, el objetivo de este trabajo es desplegar y observar enfoques potenciales de extracción de características utilizados como entrada en la capacitación de modelos de aprendizaje automático para la detección de daños totalmente basada en datos. También se propone y despliega la técnica de extracción de características del segmento más sensible al daño (MDSS), que potencialmente trata señales bajo múltiples condiciones. Identifica segmentos potenciales para cada coeficiente de característica bajo un criterio definido. Por lo tanto, se registran 680 señales, cada una consistente en 8192 puntos de datos, utilizando sensores de acelerómetro en el Laboratorio Nacional de Los Álamos en los Estados Unidos. Los datos se obtienen de un marco de edificio 3D de tres pisos y se utilizan en esta investigación para una tarea de detección de daños principalmente basada en datos. Se implementan tres enfoques para reemplazar cuatro señales faltantes con las generadas. En este documento, se emplean múltiples características transformadas de Fourier rápido y wavelet para evaluar su rendimiento. Especialmente, se desarrolla e implementa un enfoque de extracción de características basado en la densidad espectral de potencia (PSD) que considera el criterio de máxima variabilidad para identificar los segmentos más sensibles. El rendimiento de la técnica de selección de MDSS, propuesta en este trabajo, supera al de los 18 modelos de redes neuronales (NN) y redes neuronales recurrentes (RNN) entrenados, logrando más del 80% de precisión de predicción en un conjunto de datos de predicción no visto. También reduce significativamente la dimensión de las características. Además, se realiza un análisis de sensibilidad en la segmentación de señales, la superposición, el tratamiento de un desequilibrio en el conjunto de datos de entrenamiento y la implementación del análisis de componentes principales (PCA) en varias combinaciones de características. Se emplean modelos de clasificación binaria y multiclase para detectar principalmente y adicionalmente localizar e identificar la clase de gravedad del daño. El enfoque colaborativo de extracción de características y modelos de aprendizaje automático aborda eficazmente el impacto de los efectos ambientales y operacionales (EOFs), suprimiendo sus influencias en el proceso de detección de daños.