Diseño e implementación de una interfaz para la traducción de caracteres del alfabeto dactilológico a palabras utilizando sensores musculares y reconocimiento de patrones.
En el presente trabajo de titulación se desarrolló un sistema dirigido a personas con discapacidad auditiva que hacen uso del alfabeto dactilológico para su comunicación. Este dispositivo permite la traducción de los símbolos del alfabeto convencional representadas en señas a letras utilizando model...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| التنسيق: | bachelorThesis |
| اللغة: | spa |
| منشور في: |
2019
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | https://dspace.espoch.edu.ec/handle/123456789/13706 |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
إضافة وسم | الملخص: | En el presente trabajo de titulación se desarrolló un sistema dirigido a personas con discapacidad auditiva que hacen uso del alfabeto dactilológico para su comunicación. Este dispositivo permite la traducción de los símbolos del alfabeto convencional representadas en señas a letras utilizando modelos de aprendizaje automático supervisado. La implementación, procesamiento y clasificación se ejecuta sobre una plataforma embebida FPGA PYNQ-Z1, la misma que es desarrollada bajo el sistema de código abierto Linux compatible con el programa Python y sus diferentes librerías. El proceso se desarrolla inicialmente con la adquisición de los datos por medio del sensor muscular Myo Armband, luego se realiza el procesamiento de las señales electromiográficas EMG a través del Análisis Multirresolución de la Transformada Wavelet Discreta, con su wavelet madre Daubechies 4 y nivel de descomposición 2. Una vez procesadas las señales se extrae información útil, por medio de la extracción de características Valor Absoluto Medio (MAV), Raíz Cuadratica Media (RMS) y Longitud de la forma de Onda (WL) de cada uno de los subconjuntos de datos. Posteriormente, con las características obtenidas, se prepara el conjunto de datos para los modelos de aprendizaje supervisado seleccionados: red neuronal Multi Layer Perceptron, Árbol de decisión y Random Forest. El porcentaje de datos bien clasificados para los tres modelos es del 91%, 82% y 94%, respectivamente. El diseño de la interfaz de traducción es amigable con el usuario ya que consta de 4 botones claramente identificados con la función que cumplen. |
|---|