La identificación autónoma de los partos de animales tiene un valor añadido significativo, ya que permite una intervención humana oportuna en el proceso, protegiendo la salud de los jóvenes y de las madres, sin requerir una vigilancia humana continua. Se han empleado sensores inerciales portátiles para una variedad de aplicaciones de monitoreo animal, gracias a su bajo costo y al hecho de que permiten un proceso de monitoreo menos invasivo. Las alarmas desencadenadas por la ocurrencia de eventos deben generarse cerca de los eventos para evitar retrasos causados por la latencia de comunicación, por lo que este tipo de mecanismo se implementa típicamente en el borde de la red e integrado con mecanismos auxiliares existentes en Internet. Aunque la detección de partos en ganado se ha llevado a cabo comercialmente durante algunos años, no existe una solución para pequeños rumiantes, especialmente cabras, donde la literatura ni siquiera reporta intentos. El trabajo actual consistió en un primer intento de desarrollar un monitor de partos automático utilizando sensores inerciales, así como técnicas de detección basadas en aprendizaje automático, implementadas en un dispositivo de borde de red para asegurar la activación de alarmas en tiempo real. Así, se desarrollaron dos técnicas de detección de cambio de concepto y siete mecanismos de detección de partos utilizando modelos de clasificación de datos. El trabajo también incluye la prueba y comparación de los resultados de aprendizaje, tanto en términos de precisión como de costos computacionales del módulo de detección, para los algoritmos implementados. Los resultados revelaron que, a pesar de su simplicidad, los algoritmos de cambio de concepto no permiten la detección de partos, mientras que los modelos de aprendizaje estático basados en algoritmos de clasificación sí lo hacen, a pesar del carácter desbalanceado del conjunto de datos y su tamaño reducido. Los hallazgos de aprendizaje son bastante prometedores en términos de costo computacional y su idoneidad para su implementación en dispositivos de borde. El algoritmo demuestra cambios de comportamiento cuatro horas antes del parto y permite la identificación de la hora del parto con una precisión del 61%, así como la capacidad de mejorar el proceso de aprendizaje general con un conjunto de datos más grande.