Modelo de identificación de señas y detección de mala postura en aprendizaje del abecedario de la lengua de señas colombiana basado en inteligencia computacional

Se propone un modelo de detección y corrección las señas estáticas dentro del abecedario de la LSC. Las señas se capturan haciendo uso de un dispositivo con cámara infrarroja llamado Leap Motion (LP), capaz de obtener de una forma gráfica la mano que se está visualizando frente a el. Para validar el modelo de reconocimiento de señas se construye una base de datos compuesta de una población 38 personas, donde se obtienen 25 muestras por persona. El sistema de reconocimiento de señas utiliza tres (3) clasificadores individuales a partir de las siguientes técnicas de inteligencia computacional: Máquinas de Vectores de Soporte (SVM), Perceptron Multicapa (MLP) y Bosques Aleatorios (BA). Posteriormente, un clasificador Fuerte basado en Stacking es obtenido a partir de los clasificadores individuales. El clasificador Fuerte logra una efectividad en el reconocimiento de las señas con el conjunto de prueba de 97.41\%. Posteriormente se realiza una corrección de las señas a partir de un sistema difuso de tipo Mandani.

• Autores: Alfonso Hoyos, Nyky Joel; Navarro Cabiativa, Juan Pablo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/34451
• Acceso en línea: http://hdl.handle.net/11349/34451
• Palabra clave: LSC; Leap motion; Redes neuronales; Máquinas de soporte vectorial; Bosques aleatorios; Modelo de aprendizaje conjunto; Sistema difuso; Ingeniería Electrónica -- Tesis y disertaciones académicas; Lengua de señas; Redes neurales (Informática); Inteligencia artificial; Sistemas difusos; LSC; Leap motion; Neural networks; Support vector machine; Random forest; Stacking; Fuzzy system
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional