Simulación y evaluación de técnicas de clustering para el reconocimiento de gestos estáticos en la traducción de la lengua de señas peruana

• Autor: Espinoza Hoyos, Carlos Anibal
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/3647
• Enlace del recurso: https://hdl.handle.net/20.500.14138/3647
• Nivel de acceso: acceso abierto
• Materia: Algoritmo de clustering; precisión; recall; Deep Learning Toolbox; Lengua de Señas Peruana; https://purl.org/pe-repo/ocde/ford#2.02.00

La presente investigación simuló Redes Neuronales Artificiales y evaluó su proceso de clustering de vectores de datos digitales captados por un guante electrónico, pertenecientes a 24 señas estáticas del alfabeto dactilológico peruano, utilizando para este cometido la evaluación de 3 parámetros distintivos como lo son: la tabla de contingencia, la precisión y el recall y se justificó por cuanto posee valor tanto social como académico; así mismo, se explicó la variable independiente, definida por las técnicas de clustering (de Regresión General como las de Aprendizaje por Cuantización Vectorial) a implementar, para ambos casos se optó por trabajar con 3 redes neuronales distintas: una encargada de las señas, otra para los sensores MPU y una red conjugada que congrega los resultados de las redes previas, y la variable dependiente definida por el reconocimiento de los gestos estáticos y evaluada por medio de la tabla de contingencia, la precisión y el recall. En cuanto a los resultados, evidenciaron que una Red Neuronal de Regresión Generalizada posee una gran capacidad en el reconocimiento de estos gestos, con una precisión y recall del 100% verificada en su tabla de contingencia para datos pre procesados, así como una resistencia al ruido del 1% para mantener esta efectividad; por otro lado, una Red Neuronal de Aprendizaje por Cuantización Vectorial requiere de una mayor cantidad de sensores, así como la adición de una red distinta para poder ser más preciso en su reconocimiento, con valores de precisión y recall iguales a 93.75% y mejorados al 100% con la adición de una red GRNN final. Además de ello, se verificó que esta red neuronal LVQ no posee mucha tolerancia al ruido al tener valores máximos de precisión y recall de 98.14% y 97.43% ante la aplicación de ruido a un nivel del 0.1% y valores mínimos de 90.25 y 88.05 respectivamente ante la aplicación del 10% de ruido.