Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real.

Muñoz Oña, José Miguel

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/23346

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.author	Muñoz Oña, José Miguel	-
dc.date.accessioned	2022-10-28T14:41:45Z	-
dc.date.available	2022-10-28T14:41:45Z	-
dc.date.issued	2022-10	-
dc.identifier.citation	Muñoz Oña, J.M.(2022).Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real. 55 páginas. Quito : EPN.	es_ES
dc.identifier.other	T-IS 1669/CD 12762	-
dc.identifier.uri	http://bibdigital.epn.edu.ec/handle/15000/23346	-
dc.description	En la actualidad, muchas aplicaciones y productos de software utilizan modelos de aprendizaje de máquina para entregar funcionalidades valiosas a los usuarios finales. Sin embargo, muchos de estos proyectos fracasan por problemas relacionados con la salida a entornos de producción, la reproductibilidad de modelos y la deuda técnica. En el presente trabajo, se desarrolló un sistema de reconocimiento para once gestos de la mano utilizando redes neuronales artificiales CNN-LSTM guiado por el modelo de proceso CRISP-ML(Q) con el fin de introducir prácticas de la ingeniería de software a un proyecto de aprendizaje de máquina. El sistema toma como entrada señales electromiográficas (EMG) y de cuaterniones (como unidad de medición inercial) para determinar la etiqueta y el instante de tiempo de ocurrencia del gesto en la señal y se conecta con una aplicación que utiliza los gestos. El documento describe desde el detalle de las señales de entrada, el proceso de recolección, limpieza, selección y construcción de datos, hasta la evaluación y despliegue del sistema, en el cual se determinó una exactitud de clasificación del 55.33% ± 18.45% y una exactitud de reconocimiento del 49.15% ± 18.41%, con un tiempo de respuesta de 29.26 ± 19.82 [ms].	es_ES
dc.description.abstract	Many software products and applications use machine learning models to deliver valuable functions to end users. Despite of the development efforts, many projects fail due to issues on deployment to production, model reproducibility, and technical debt. In this work, a hand gesture recognition system was developed for 11 gestures, using CNN-LSTM artificial neural networks, and guided by CRISP-ML(Q) process model to introduce software engineering practices into machine learning projects. The system uses electromyographic (EMG) and quaternion (inertial measurement unit) signals as input to compute a gesture label and the time of occurrence in the signal. The system is connected to an application that uses hand gestures. This document records the data description, collection, cleaning, and selection processes up until the system evaluation and deployment, where a classification accuracy of 55.33% ± 18.45% and a recognition accuracy of 49.15% ± 18.41% were computed, with a response time of 29.26 ± 19.82 [ms].	es_ES
dc.description.sponsorship	Barona López, Lorena Isabel, director.	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Quito : EPN, 2022.	es_ES
dc.rights	openAccess	es_ES
dc.subject	SOFTWARE	es_ES
dc.subject	APRENDIZAJE DE MÁQUINA	es_ES
dc.subject	CUATERNIÓN	es_ES
dc.subject	ELECTROMIOGRAFÍA	es_ES
dc.subject	REDES NEURONALES ARTIFICIALES	es_ES
dc.title	Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real.	es_ES
dc.type	bachelorThesis	es_ES
Aparece en las colecciones:	TIC - Software

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 12762.pdf		2,13 MB	Adobe PDF	Visualizar/Abrir

Muestra el registro sencillo del ítem

BIBDIGITAL