Sistema móvil para interpretar el Lenguaje de Señas Peruanas (LSP) de personas sordomudas utilizando procesamiento de imágenes y redes neuronales artificiales en las ONGs de Perú

• Autores: Mendez Garbay, Santiago Raul, Soto Delgado, Andrea
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/686677
• Enlace del recurso: http://hdl.handle.net/10757/686677
• Nivel de acceso: acceso abierto
• Materia: Interpretación en lengua de señas; Procesamiento de imágenes; Redes neuronales artificiales; Reconocimiento de gestos; Sign language interpreting; Image processing; Artificial neural networks; Gesture recognition; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00

En el Perú la historia de la educación para personas sordomudas ha atravesado por momentos críticos, marcados por la discriminación y la exclusión. Un caso alarmante es que el 76% de las instituciones públicas y el 83% de las instituciones privadas no garantizan una inclusión efectiva (Defensoría del Pueblo, 2020). Además, existe una escasez significativa de intérpretes de lenguaje de señas, con solo 23 profesionales (REDACCIÓN PERÚ21, 2015). Según datos obtenidos por la Defensoría del Pueblo (2020), en el Perú, el 7,6% de las personas con discapacidad presenta dificultades para oír. La investigación tiene como objetivo mejorar la comunicación y la inclusión social, que se ve limitada por el desconocimiento del lenguaje de señas, afectando el acceso a servicios esenciales como salud, educación, inserción laboral y apoyo social. Por tal motivo, es importante promover la conciencia y la educación en torno al lenguaje de señas, con el fin de fomentar un entorno más inclusivo y equitativo para todos. Este estudio se centra en las ONGs del Perú dedicadas a las comunidades sordomudas. El principal desafío en el desarrollo del proyecto fue la obtención de datos suficientes para el entrenamiento del modelo neuronal. Para ello, se empleó el algoritmo de visión artificial OpenCV, en combinación con la detección mediante MediaPipe, y se utilizó un modelo LSTM como red neuronal. La validación fue realizada por 30 personas las cuales utilizaron la aplicación y respondieron una encuesta según su experiencia. Los datos analizados demostraron que se tuvo una precisión del 92% durante su uso, logrando así interpretar las palabras entrenadas con un pequeño margen de error. El modelo de reconocimiento de señas demostró ser efectivo y preciso, con una respuesta positiva de los usuarios. Se recomienda ampliar el conjunto de datos y las palabras traducidas para mejorar la precisión del modelo.