Clasificación binaria de gestos de escritura en el aire (L vs O) usando sensores IMU y Support Vector Machines
Publicado: 29 Ene 2026, 00:14
Resumen:
Se presenta un sistema de clasificación binaria de gestos de escritura en el aire, enfocado en la discriminación de las letras L y O, utilizando señales adquiridas mediante sensores inerciales (IMU). Las señales triaxiales de aceleración y velocidad angular son procesadas mediante un pipeline de ingeniería de características y clasificadas usando Support Vector Machines (SVM) con kernel RBF.
Objetivo:
Desarrollar y validar un sistema de reconocimiento de gestos en el aire basado en Machine Learning clásico, priorizando eficiencia computacional, interpretabilidad y viabilidad en tiempo real.
Metodología:
- Adquisición de datos con ESP32 + MPU6050
- Captura de señales IMU a 128 Hz
- Ingeniería de características estadísticas (41 atributos)
- Normalización y entrenamiento con SVM (kernel RBF)
- Validación cruzada estratificada
- Evaluación offline y predicción en tiempo real
Herramientas:
Python, Scikit-learn, Pandas, NumPy, PyQt5, ESP32, MPU6050
Resultados:
El modelo SVM alcanzó una precisión promedio superior al 94% en validación cruzada y una clasificación perfecta en el conjunto de prueba. En inferencia en tiempo real se obtuvieron niveles de confianza superiores al 98%.
Conclusiones:
Los resultados demuestran que modelos de Machine Learning clásico, combinados con una adecuada ingeniería de características, pueden ofrecer soluciones robustas y eficientes para reconocimiento de gestos en escenarios de interacción humano-computadora con restricciones de hardware.
Autores:
Jose Luis Chavez Arzapalo
Julian Remicio Navarrete
Junior Alexander Ponte Paz
Universidad Nacional de Ingeniería – UNI (Perú)
Documento completo adjunto en PDF.
Se presenta un sistema de clasificación binaria de gestos de escritura en el aire, enfocado en la discriminación de las letras L y O, utilizando señales adquiridas mediante sensores inerciales (IMU). Las señales triaxiales de aceleración y velocidad angular son procesadas mediante un pipeline de ingeniería de características y clasificadas usando Support Vector Machines (SVM) con kernel RBF.
Objetivo:
Desarrollar y validar un sistema de reconocimiento de gestos en el aire basado en Machine Learning clásico, priorizando eficiencia computacional, interpretabilidad y viabilidad en tiempo real.
Metodología:
- Adquisición de datos con ESP32 + MPU6050
- Captura de señales IMU a 128 Hz
- Ingeniería de características estadísticas (41 atributos)
- Normalización y entrenamiento con SVM (kernel RBF)
- Validación cruzada estratificada
- Evaluación offline y predicción en tiempo real
Herramientas:
Python, Scikit-learn, Pandas, NumPy, PyQt5, ESP32, MPU6050
Resultados:
El modelo SVM alcanzó una precisión promedio superior al 94% en validación cruzada y una clasificación perfecta en el conjunto de prueba. En inferencia en tiempo real se obtuvieron niveles de confianza superiores al 98%.
Conclusiones:
Los resultados demuestran que modelos de Machine Learning clásico, combinados con una adecuada ingeniería de características, pueden ofrecer soluciones robustas y eficientes para reconocimiento de gestos en escenarios de interacción humano-computadora con restricciones de hardware.
Autores:
Jose Luis Chavez Arzapalo
Julian Remicio Navarrete
Junior Alexander Ponte Paz
Universidad Nacional de Ingeniería – UNI (Perú)
Documento completo adjunto en PDF.