El rápido avance del Contenido Generado por Inteligencia Artificial (CGIA) ha acelerado significativamente la evolución de la tecnología Deepfake, introduciendo así riesgos sociales crecientes debido a su posible mal uso. En respuesta a estos efectos adversos, los investigadores han desarrollado medidas defensivas, incluyendo la detección pasiva y la forense proactiva. Aunque la detección pasiva ha logrado cierto éxito en la identificación de Deepfakes, enfrenta desafíos como la poca generalización y la disminución de la precisión, especialmente cuando se enfrenta a técnicas anti-forenses y ruido adversarial. Como resultado, la forense proactiva, que ofrece un mecanismo de defensa más resistente, ha despertado un considerable interés académico. Sin embargo, las metodologías forenses proactivas existentes a menudo fallan en términos de calidad visual, precisión de detección y robustez. Para abordar estas deficiencias, proponemos un nuevo enfoque forense proactivo que utiliza el robusto marcado de momentos pseudo-Zernike. Este método está diseñado específicamente para mejorar la detección y el análisis del cambio de rostros al transformar los datos faciales en una secuencia de bits binarios e incrustar esta información dentro de las regiones no faciales de los fotogramas de video. Nuestro enfoque facilita la detección de Deepfakes mientras preserva la integridad visual del contenido del video. Evaluaciones experimentales exhaustivas han demostrado la robustez de este método contra operaciones estándar de procesamiento de señales y su rendimiento superior en la detección de manipulaciones de Deepfake.