Red neuronal convolucional para el reconocimiento del alfabeto dactilológico de la Lengua de Señas Hondureña (LESHO)

Vista sencilla de ítem
dc.campusUnitec Tegucigalpa
dc.contributor.advisorN/A
dc.contributor.authorJorge Alejandro Ramos
dc.contributor.authorAlicia María Reyes-Duke
dc.contributor.authorAlberto Carrasco Bardales
dc.date.accessioned2026-09-12T19:54:23Z
dc.date.available2026-09-12T19:54:23Z
dc.date.issued2026-09-08
dc.description.abstractEl problema crítico de las dificultades auditivas y del habla entre miles de hondureños es una necesidad latente, y en busca de herramientas que permitan la inclusión de la población con esta condición se busca mediante la introducción de una red neuronal convolucional (CNN) diseñada para la detección y clasificación en tiempo real del alfabeto dáctilo de la lengua de señas hondureña (LESHO). Este estudio representa un importante paso adelante en la promoción de la accesibilidad y la inclusión de la comunidad sorda hondureña, que se enfrenta a escasas soluciones tecnológicas adaptadas a sus necesidades. Métodos Se construyó meticulosamente un conjunto de datos propio compuesto por más de 8.000 imágenes con diversos ángulos y gestos, lo que garantizó un entrenamiento y una evaluación robustos del modelo. Se empleó una metodología de investigación en espiral para perfeccionar iterativamente el rendimiento de la red, haciendo hincapié en la precisión y las capacidades de despliegue en tiempo real. Resultados El modelo final mostró resultados excepcionales durante la prueba, con una precisión media (mAP) del 98,8%, una precisión del 97,4% y una recuperación del 97,7%. Estas métricas subrayan la fiabilidad de la CNN a la hora de reconocer gestos estáticos y dinámicos con errores mínimos. Conclusión La capacidad de generalización del modelo indica su potencial para otras aplicaciones, como la interpretación completa de la lengua de signos y la formación de vocabulario ampliado.
dc.description.abstractThe critical problem of hearing and speech difficulties among thousands of Hondurans is a latent need, and in search of tools that allow the inclusion of the population with this condition is sought through the introduction of a convolutional neural network (CNN) designed for real-time detection and classification of the dactyl alphabet of the Honduran sign language (LESHO). This study represents an important step forward in promoting accessibility and inclusion of the Honduran deaf community, which faces few technological solutions adapted to their needs. Methods A proprietary dataset comprising more than 8,000 images with various angles and gestures was meticulously constructed, ensuring robust training and evaluation of the model. Spiral research methodology was employed to iteratively refine network performance, with an emphasis on accuracy and real-time deployment capabilities. Results The final model showed exceptional results during the testing, achieving a mean average precision (mAP) of 98.8%, a precision of 97.4%, and a recall of 97.7%. These metrics underscore the reliability of the CNN in recognizing both static and dynamic gestures with minimal errors. Conclusion The model’s capacity to generalize indicates its potential for further applications, such as full sign language interpretation and expanded vocabulary training Keywords Convolutional neural networks, Dactyl alphabet, Deep learning, Hand gestures recognition, Honduran sign language.
dc.identifier.urihttps://repositorio.unitec.edu//handle/123456789/14579
dc.publisherUniversidad Tecnológica Centroamericana UNITEC
dc.subjectAlfabeto Dáctilo
dc.subjectAprendizaje Profundo
dc.subjectLenguaje de Señas Hondureño
dc.subjectReconocimiento de Gestos con las Manos
dc.subjectRedes Neuronales Convolucionales
dc.titleRed neuronal convolucional para el reconocimiento del alfabeto dactilológico de la Lengua de Señas Hondureña (LESHO)
dc.typeArticle

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Red neuronal convolucional para el reconocimiento del alfabeto dactilológico de la Lengua de Señas Hondureña (LESHO).pdf
Tamaño:
194.9 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Volumen 13 Número 2 (2024)