000 02287nam a22003617i 4500
001 AZUAY-90789
003 AZUAY
005 20251111043045.0
008 251108b ||||||||qm||| 00| | d
040 _aAZUAY
_bspa
_cAZUAY
_dAZUAY
_erda
041 0 _aspa
084 _aUDA-BG T18331
100 1 _aManchay Ruiz, Ebbie Milena,
_eautor
245 1 0 _aAdquisición y clasificación de señales de electromiografía para la detección del movimiento de la mano en lenguaje de señas
264 3 1 _aEcuador :
_bUniversidad del Azuay-Facultad de Ciencia y Tecnología-Escuela de Ingeniería Electrónica,
_c2023
300 _a15 páginas
300 _bDigital
336 _2rdacontent
_atexto
_btxt
337 _2rdamedia
_acomputadora
_bc
338 _2rdacarrier
_arecurso en línea
_bcr
502 _aIngeniero Electrónico
520 3 _bEn 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.
650 1 4 _aALGORITMO DE CLASIFICACIÓN
650 1 4 _aAPRENDIZAJE AUTOMÁTICO
650 1 4 _aELECTROMIOGRAFÍA
650 1 4 _aGESTOS
650 1 4 _aLENGUAJE DE SEÑAS
650 1 4 _aRECONOCIMIENTO
700 1 _aAlvarado Cando, Omar Santiago,
_edirector de Tesis
700 1 _aQuezada Fajardo, Johe Santiago,
_eautor
856 4 0 _uhttp://dspace.uazuay.edu.ec/handle/datos/12799
_yVer documento en línea
942 _2z
_c6
999 _c42599
_d42599