La técnica de huella dactilar de radiofrecuencia (RFF) se refiere a la técnica para identificar y clasificar dispositivos inalámbricos en función de sus características físicas, que aparecen en la señal digital transmitida en el espacio. Las pequeñas diferencias en el frente de radiofrecuencia de los dispositivos inalámbricos se generan en el mismo modelo de dispositivo inalámbrico durante el proceso de implementación y fabricación. Estas diferencias crean pequeñas variaciones en la señal transmitida, incluso si el dispositivo inalámbrico sigue cumpliendo con el estándar inalámbrico. Mediante el uso de análisis de datos y algoritmos de aprendizaje automático, es posible clasificar diferentes dispositivos electrónicos en función de estas variaciones. Esta técnica ha sido ampliamente probada en la literatura, pero la investigación continúa para mejorar el rendimiento de la clasificación, la robustez al ruido y la eficiencia informática. Recientemente, el Aprendizaje Profundo (DL) se ha aplicado a RFF con un éxito considerable. En particular, la combinación de representaciones tiempo-frecuencia y Redes Neuronales Convolucionales (CNN) ha sido particularmente efectiva, pero esto conlleva un gran costo computacional debido al tamaño de la representación tiempo-frecuencia y al tiempo de computación de CNN. Este problema es particularmente desafiante para los estándares inalámbricos, donde los datos a analizar son extensos (por ejemplo, largos preámbulos) como en el caso del estándar inalámbrico LoRa (Largo Alcance). Este documento propone un enfoque novedoso donde se adoptan dos pasos de preprocesamiento para (1) mejorar el rendimiento de la clasificación y (2) disminuir el tiempo de computación. Los pasos se basan en la aplicación de la Descomposición Modal Variacional (VMD) donde (en oposición a la literatura conocida) se utiliza el residuo de la aplicación de VMD en lugar de los modos extraídos. El concepto es eliminar los modos, que son comunes entre los dispositivos LoRa, y mantener con los residuos las características intrínsecas únicas, que están relacionadas con las huellas dactilares. Luego, se aplica el espectrograma al componente residual. Incluso después de este paso, la complejidad computacional de aplicar CNN al espectrograma es alta. Este documento propone un paso novedoso donde solo se utilizan segmentos del espectrograma como entrada a CNN. Los segmentos se seleccionan utilizando un enfoque de aprendizaje automático aplicado a las características extraídas del espectrograma utilizando el Patrón Binario Local (LBP). El enfoque se aplica a un conjunto de datos públicos reciente de huella dactilar de radiofrecuencia LoRa, donde se muestra que supera significativamente el enfoque base basado en el uso completo del espectrograma de la señal original en términos tanto de rendimiento de clasificación como de complejidad informática.