Resumen:
CONDITIONING OF PROJECT PUBLICATION. Communication between deaf and hearing people is limited by the shortage of interpreters and by the lack of proficiency in ecuadorian sign language. Therefore, this project aims to design and implement a portable system that translates a set of signs into speech using a sensorized glove and a mobile application, serving as a supportive alternative for everyday and educational environments. For its development, a prototype was built with five flex sensors and an inertial unit integrated on an Arduino board; data were collected from multiple users, features were extracted using a multilayer perceptron neural network, and a machine learning model was trained in the Edge Impulse platform. Subsequently, embedded inference and Bluetooth Low Energy communication were integrated with an application that plays audio offline and displays the battery level. In testing, the system achieved high classification accuracy and an average response time of approximately 3 seconds, while also maintaining an affordable implementation cost. In conclusion, the prototype demonstrates the technical feasibility of a low-cost solution for assisted sign-to-speech translation and establishes a scalable foundation for expanding vocabulary and improving recognition robustness.
Keywords: inclusion; multiclass classification; neural network; mobile application.
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTOS. La comunicación entre personas sordas y oyentes se ve limitada por la escasez de intérpretes y por la falta de dominio de la lengua de señas ecuatoriana, por lo que el proyecto tiene como objetivo diseñar e implementar un sistema portátil que traduzca un conjunto de señas a voz mediante un guante sensorizado y una aplicación móvil, justificándose como una alternativa de apoyo para entornos cotidianos y educativos. Para su desarrollo se construyó un prototipo con cinco sensores flex y una unidad inercial integrada en una placa Arduino, se recolectaron datos de varios usuarios, se extrajeron características mediante redes neuronales de perceptrón multicapa y se entrenó un modelo de aprendizaje automático en el programa Edge Impulse; posteriormente se integró la inferencia embebida y la comunicación Bluetooth Low Energy con una aplicación que reproduce audio sin conexión y muestra el nivel de batería. En las pruebas, el sistema alcanzó alta precisión de clasificación y un tiempo de respuesta promedio de aproximadamente 3 segundos, además de presentar un costo de implementación accesible. En conclusión, el prototipo demuestra la viabilidad técnica de una solución de bajo costo para la traducción asistida de señas a voz y establece una base escalable para ampliar vocabulario y robustez de reconocimiento