Reconocimiento de señas de la Lengua de Señas Mexicana mediante técnicas de Machine Learning
Resumen
El empleo de técnicas de Inteligencia Artificial para el reconocimiento de señas de la Lengua de Señas Mexicana puede contribuir a mejorar la comunicación entre personas hablantes en esta lengua y quienes desconocen su significado. En este artículo se evaluó el rendimiento de modelos de Machine Learning en el reconocimiento de señas, para ello se utilizaron cuatro técnicas diferentes para entrenar y posteriormente probar el reconocimiento en nuevas señas. Primeramente, se recolectó un set de datos de imágenes del alfabeto dactilológico de la Lengua de Señas Mexicana, luego este set de datos se utilizó para entrenar modelos de reconocimiento de imágenes de señas utilizando cuatro técnicas diferentes y posteriormente se analizó el rendimiento de cada modelo en nuevas imágenes de señas.
Descargas
Citas
Diario Oficial de La Federación. (2011). Ley General para la Inclusión de las Personas con Discapacidad. Secretaría de Gobernación. https://dof.gob.mx/nota_detalle.php?codigo=5191516&fecha=30/05/2011#gsc.tab=0, fecha de consulta 19 de octubre de 2022.
Cámara de Diputados. (10 de febrero de 2021). Aprueban reformas para que personas con discapacidad auditiva reciban educación bilingüe en lengua de señas. Honorable Cámara de Diputados. https://comunicacionnoticias.diputados.gob.mx/comunicacion/index.php/boletines/aprueban-reformas-para-que-personas-con-discapacidad-auditiva-reciban-educacion-biling-e-en-lengua-de-se-as#gsc.tab=0, fecha de consulta: 19 de octubre de 2022.
Alpaydin, E. (2010). Introduction to machine Learning. The MIT Press. Massachusetts. ISBN 978-0-262-01243
Mejía, K. (2022). Sistema de reconocimiento del Lenguaje de Señas Mexicano basado en una cámara RGB-D y aprendizaje automático. (Tesis inédita de maestría). Universidad Autónoma Querétaro. Querétaro, México.
Trujillo, F., García, G. (2021). Reconocimiento de palabras de la Lengua de Señas Mexicana utilizando información RGBD. RECIBE 10(2). DOI: https://doi.org/10.32870/recibe.v10i2.209
Jin, M., Omar, Z. & Hisham M. (2016). A Mobile Application of American Sign Language Translation via Image Processing Algorithms. 2016 IEEE Region 10 Symposium, DOI: 10.1109/TENCONSpring.2016.7519386
CONADIS. (2016). Lengua de Señas Mexicana (LSM). Gobierno de México. https://www.gob.mx/conadis/articulos/lengua-de-senas-mexicana-lsm?idiom=es#:~:text=La%20Lengua%20de%20Se%C3%B1as%20Mexicana,propia%20sintaxis%2C%20gram%C3%A1tica%20y%20l%C3%A9xico, fecha de consulta: 13 de marzo de 2023.
Calvo, M. T. (2004). Diccionario Español-Lengua de Señas Mexicana (DIELSEME): estudio introductorio. Dirección de Educación Especial: México.
Tang, D. (2019). Empowering novices to understand and use machine learning with personalized image classification models, intuitive analysis tools, and MIT App Inventor. (Thesis, Massachusetts Institute of Technology). https://dspace.mit.edu/handle/1721.1/123130, fecha de consulta: 10 de noviembre de 2022.
Torres, S., García, C., Cabeza, C. y Docío, L. (2020). “LSE_Lex40_UVIGO: Una base de datos específicamente diseñada para el desarrollo de tecnología de reconocimiento automático de LSE”. Revista de Estudios de Lenguas de Signos REVLES, 2: 151-172
Teachable Machine. (2023)- ¿Qué es Teachable Machine? https://teachablemachine.withgoogle.com/
Yolo. (2023). YOLOv5: The friendliest AI architecture you'll ever use. https:// https://ultralytics.com/yolov5.
MediaPipe. (2023). Hand landmarks detection guide. https://developers.google.com/mediapipe/solutions/vision/hand_landmarker
YoloV5. (2023). Yolo V5 Gihutb Repository. https://github.com/ultralytics/yolov5
Derechos de autor 2024 Gabriel A. Salgado Martínez, René Edmundo Cuevas Valencia, Angelino Feliciano Morales, Arnulfo Catalán Villegas
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
