Diseño de un guante electrónico para el mapeo y reconocimiento de gestos utilizando redes neuronales

La presente tesis tiene como objetivo diseñar un sistema de reconocimiento de gestos manuales que traduzca gestos a necesidades básicas de la persona, con el fin de ayudar a personas de la tercera edad que padecen problemas del habla. Dicho sistema de reconocimiento de gestos es aplicado en un gu...

Descripción completa

Autor Principal: Dulanto Ramos, Luis Enrique
Formato: Tesis de Licenciatura
Idioma: Español
Publicado: Pontificia Universidad Católica del Perú 2017
Materias:
Acceso en línea: http://tesis.pucp.edu.pe/repositorio/handle/123456789/8010
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
Sumario: La presente tesis tiene como objetivo diseñar un sistema de reconocimiento de gestos manuales que traduzca gestos a necesidades básicas de la persona, con el fin de ayudar a personas de la tercera edad que padecen problemas del habla. Dicho sistema de reconocimiento de gestos es aplicado en un guante electrónico que extrae señales de la mano. Para el desarrollo de la tesis, se hace uso de dos ejes de modelamiento: modelamiento directo y modelamiento inverso. Primero, se modela por análisis paramétrico (modelamiento directo) a una mano antropomórfica que responde a los movimientos del guante electrónico; luego, se aplica identificación de sistemas por red neuronal mediante algoritmos de retropropagación a los modelos obtenidos por análisis paramétrico, con el fin de utilizar estos modelos basados en redes neuronales en el sistema de reconocimiento de gestos. Este segundo paso es el modelamiento inverso y la razón de su aplicación se fundamenta en el hecho de que se desea obtener un sistema que posea tolerancia a fallas, la cual es una propiedad de las redes neuronales. Finalmente, se diseña un núcleo de reconocimiento de gestos, el cual reconoce patrones en la data resultante de las redes neuronales. Dicho núcleo de reconocimiento de gestos es también una red neuronal y, a diferencia de otros tipos de sistemas de reconocimiento de patrones, tiene la capacidad de aprender a partir de data experimental y generar soluciones en base a lo aprendido. Los resultados obtenidos en la culminación del proyecto son que ante la presencia de ruido aditivo blanco gaussiano, el sistema alcanza un índice de reconocimiento de 99.98% cuando las condiciones son ideales (a una relación señal a ruido de 30 dB); manteniéndose por sobre 99% cuando la relación señal a ruido es mayor a 18.88 dB; por otro lado, si la relación señal a ruido en las entradas del sistema es igual a 13.67 dB, el sistema es capaz de reconocer gestos con una efectividad de 90%. Así mismo, se demuestra que el sistema es tolerante a fallas y a circunstancias no previstas en el diseño, manteniendo su porcentaje de reconocimiento por sobre 90% en condiciones ideales ante estas adversidades.