Diseño e implementación de un prototipo para la traducción de lenguaje de señas mediante la utilización de un guante sensorizado.

Estrada Jiménez, Luis Alberto.

2016-10-03T20:21:03Z

Estrada Jiménez, L. A. (2016). Diseño e implementación de un prototipo para la traducción de lenguaje de señas mediante la utilización de un guante sensorizado. 162. Quito : EPN.
T-IE 4339/CD-7309

Descargar documento

En este trabajo se propone un sistema inteligente para traducir lenguaje de señas en texto escrito. El hardware del equipo está formado por sensores de flexión, de contacto y un sensor inercial. Todos ellos montados sobre un guante de polyester y nylon. El software del prototipo consiste en algoritmos de clasificación basado en los k-vecinos más cercanos, árbol de decisiones y el alineamiento temporal dinámico. El sistema propuesto puede reconocer gestos dinámicos y estáticos. Además, tiene la capacidad de aprender a clasificar el gesto específico de cualquier persona. Este sistema fue probado traduciendo un total de 61 signos entre números, letras y algunas palabras y expresiones básicas del lenguaje de señas ecuatoriano. Los resultados experimentales muestran que el sistema tiene un porcentaje del 91.55% de precisión en el reconocimiento. Este resultado muestra una mejora importante comparada con trabajos planteados.

Sotomayor Orozco, Nelson Gonzalo, director

In this work it is proposed an intelligent system to translate sign language into text. The hardware of the prototype is formed by flex sensors, contact sensor and an inertial sensor, which are mounted on a polyester nylon glove. The software of the prototype consists of classification and machine learning algorithms: k-nearest neighbors, decision trees, and dynamic time warping. This system can learn to recognize static and dynamic gestures. Furthermore, it can learn to recognize a specific gesture of any user. This system was tested at translating 61 patterns (letters, numbers and some words) from the Ecuadorian sign language with 6 non-disabled people. Experimental results show an average recognition rate of 91.55%. These results show an important improvement with related works.

CLASIFICACIÓN DE PATRONES; TRADUCCIÓN DE LENGUAJE DE SEÑAS; RECONOCIMIENTO DE GESTOS; APRENDIZAJE DE MÁQUINA;