• IMPLEMENTACIÓN DE UN PROT...

*Result*: IMPLEMENTACIÓN DE UN PROTOTIPO PARA EL RECONOCIMIENTO DE GESTOS DE UNA MANO UTILIZANDO UNA RED NEURONAL ARTIFICIAL (IMPLEMENTATION OF A PROTOTYPE FOR THE RECOGNITION OF HAND GESTURES USING AN ARTIFICIAL NEURAL NETWORK)

Title:
IMPLEMENTACIÓN DE UN PROTOTIPO PARA EL RECONOCIMIENTO DE GESTOS DE UNA MANO UTILIZANDO UNA RED NEURONAL ARTIFICIAL (IMPLEMENTATION OF A PROTOTYPE FOR THE RECOGNITION OF HAND GESTURES USING AN ARTIFICIAL NEURAL NETWORK)
Authors:
Ramírez Vidal, Luis Javier, Santamaría Gómez, Rafael Alejandro, Vázquez Ávila, José Luis, Pacheco Richard, Jorge Gabriel, Sánchez Lara, Rafael, May Alarcón, Manuel
Source:
Pistas Educativas; Vol. 44, Núm. 144 (2023): Número semestral (enero-junio 2023) ; 2448-847X ; 1405-1249
Publisher Information:
Tecnológico Nacional de México / Instituto Tecnológico de Celaya
Publication Year:
2023
Collection:
Instituto Tecnológico de Celaya: E-Journals
Document Type:
*Academic Journal* article in journal/newspaper
File Description:
application/pdf
Language:
Spanish; Castilian
Relation:
https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/view/2959/2266; https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/downloadSuppFile/2959/2154; https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/downloadSuppFile/2959/2155; Artemiadis, P. K., & Kyriakopoulos, K. J. (2010). An EMG-based robot control scheme robust to time-varying EMG signal features. IEEE Transactions on Information Technology in Biomedicine, 14(3), 582-588.; Arvetti, M., Gini, G., & Folgheraiter, M. (2007, June). Classification of EMG signals through wavelet analysis and neural networks for controlling an active hand prosthesis. In 2007 IEEE 10th international conference on Rehabilitation Robotics (pp. 531-536). IEEE.; Campesato, O. (2019). TensorFlow 2 pocket primer. Mercury Learning and Information.; Fatayerji, H., Al Talib, R., Alqurashi, A., & Qaisar, S. M. (2022, March). sEMG Signal Features Extraction and Machine Learning Based Gesture Recognition for Prosthesis Hand. In 2022 Fifth International Conference of Women in Data Science at Prince Sultan University (WiDS PSU) (pp. 166-171). IEEE.; Hristov, B., Nadzinski, G., Latkoska, V. O., & Zlatinov, S. (2022, June). Classification of Individual and Combined Finger Flexions Using Machine Learning Approaches. In 2022 IEEE 17th International Conference on Control & Automation (ICCA) (pp. 986-991). IEEE.; Lee, K. H., Min, J. Y., & Byun, S. (2021). Electromyogram-based classification of hand and finger gestures using artificial neural networks. Sensors, 22(1), 225.; Nacelle, A., & Mizraji, E. (2009). Redes neuronales artificiales. Núcleo de ingeniería biomédica–Universidad de la Republica Uruguay.; Nacke, L. E., Kalyn, M., Lough, C., & Mandryk, R. L. (2011, May). Biofeedback game design: using direct and indirect physiological control to enhance game interaction. In Proceedings of the SIGCHI conference on human factors in computing systems (pp. 103-112).; Naosekpam, V., & Sharma, R. K. (2019). Machine learning in 3D space gesture recognition. Jurnal Kejuruteraan, 31(2), 243-248.; Nope, S. E., Loaiza, H., & Caicedo, E. (2008). Estudio Comparativo de Técnicas para el Reconocimiento de gestos por Visión Artificial. Avances en Sistemas e Informática, 5(3), 127-134.; Ortega Asensio, E. (2017). Sistema de reconocimiento de gestos de la mano basado en procesamiento de imagen y redes neuronales convolucionales.; Ozdemir, M. A., Kisa, D. H., Guren, O., & Akan, A. (2022). Hand gesture classification using time–frequency images and transfer learning based on CNN. Biomedical Signal Processing and Control, 77, 103787.; Paluszek, M., & Thomas, S. (2020). Practical Matlab deep learning. A Project-Based Approach, Michael Paluszek and Stephanie Thomas.; Páez, R. F. F., & Medina, A. D. R. D. (2020). Desarrollo, entrenamiento y evaluación de modelos de machine learning para clasificación de imágenes. Revista Científica Estudios e Investigaciones, 9, 175-176.; Salas, R. (2004). Redes neuronales artificiales. Universidad de Valparaıso. Departamento de Computación, 1, 1-7.; Vargas, L. P., Barba Jiménez, L., & Mattos, L. (2010). Sistema de identificación de lenguaje de señas usando redes neuronales artificiales. Revista Colombiana de Física, 42(2), 5.; https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/view/2959
Availability:
https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/view/2959
Rights:
Copyright (c) 2023 Pistas Educativas ; https://creativecommons.org/licenses/by/3.0/deed.es
Accession Number:
edsbas.AB38FB7D
Database:
BASE

*Further Information*

*Resumen El objetivo de este trabajo es la implementación de un prototipo para el del reconocimiento de gestos de una mano utilizando el entrenamiento de una red neuronal artificial secuencial sencilla. Los datos de entrada se obtienen en tiempo real de un sensor acelerómetro-giroscopio MPU-6050 colocado en un guante en dicha extremidad y procesado en una tarjeta Arduino Nano. Se utilizan herramientas como el lenguajes Python y Arduino, así como de sus librerías tales como, Tensorflow, PySerial, entre otras. La red resultante consta de una sola capa oculta de 4 neuronas, lo cual implica un costo computacional extremadamente bajo, que le permite ser programada en un microprocesador de bajo costo. En el entrenamiento de la red neuronal artificial se ingresaron 600 datos de entrada por clase, y se obtuvó una exactitud del 100%. Palabras Clave: Arduino, inteligencia artificial, machine learning, Python, redes neuronales artificiales. Abstract The objective of this work is the implementation of a prototype for the recognition of hand gestures using the training of a simple sequential artificial neural network. The input data is obtained in real time from an MPU-6050 accelerometer-gyroscope sensor placed in a glove on the extremity and processed on an Arduino Nano board. Tools such as Python and Arduino languages are used, as well as their libraries such as Tensorflow, PySerial, among others. The resulting network consists of a single hidden layer of 4 neurons, which implies an extremely low computational cost, which allows it to be programmed in a low-cost microprocessor. In the training of the artificial neural network, 600 input data per class were entered, and an accuracy of 100% was obtained. Keywords: Arduino, artificial intelligence, artificial neural networks, machine learning, Python.*