Ingeniero Electrónico

En el mundo existen millones de personas con discapacidad auditiva que se comunican a través del lenguaje de señas y se adaptan para comunicarse con personas que no tienen esta condición. Con el propósito de brindar un soporte al lenguaje de señas, este proyecto presenta como objetivo clasificar y reconocer las vocales del lenguaje de señas mediante el uso de electromiografía. Para la adquisición de datos se utilizaron dos sensores Myoware y un microcontrolador, recolectando la señal de los músculos “flexor profundo de los dedos” y “flexor largo del pulgar”. Luego, se realizó el procesamiento de señal en el cual los datos se normalizaron y unificaron para los algoritmos de clasificación. Se aplicaron técnicas de aprendizaje automático para los clasificadores KNN, RF, SVM, MLP. Los resultados obtenidos dieron una precisión de 0.6035 para KNN, un 0.4852 de RF, 0.3905 de SVM y un 0.3550 de MLP, demostrando que el algoritmo con la mejor tasa de reconocimiento es el algoritmo KNN.