Guante inteligente con sensores para reconocer lenguaje de señas mediante IoT
Por: Edison Narváez
Publicado: Agosto 2026
Área: Inteligencia Artificial · IoT · Tecnologías Asistivas · Computación Embebida
Resumen
Las tecnologías portátiles están adquiriendo un papel importante en el desarrollo de herramientas de asistencia y aprendizaje. El artículo Sensor Fusion-Based Smart Glove for Deterministic Sign Language Recognition: An IoT-Enabled System presenta un guante inteligente basado en sensores que permite reconocer un conjunto limitado de gestos estáticos de lenguaje de señas.
El sistema utiliza sensores de flexión y una estrategia de fusión determinista para identificar 15 gestos estáticos, correspondientes a los dígitos del 0 al 9 y cinco formas de mano asociadas con las vocales A, E, I, O y U. Una característica importante de la propuesta es que el procesamiento se realiza localmente en el dispositivo, reduciendo la dependencia de sistemas externos.
Los experimentos realizados con 10 participantes generaron un conjunto equilibrado de 1500 vectores de sensores etiquetados. El sistema alcanzó una tasa media de reconocimiento del 92,8 %, mientras que el procesamiento local requirió menos de 2 milisegundos por ciclo. Además, la comunicación completa hasta la visualización mediante MQTT presentó una latencia aproximada de 150 milisegundos, y el dispositivo consiguió una autonomía de hasta 14 horas con una batería Li-Po de 3,7 V y 1000 mAh.
Palabras clave: IoT, lenguaje de señas, sensores, tecnología asistiva, computación en el borde, dispositivos portátiles, fusión de sensores.
1. Introducción
La comunicación mediante lenguaje de señas constituye una herramienta fundamental para millones de personas sordas o con dificultades auditivas. Sin embargo, el aprendizaje de este tipo de comunicación puede beneficiarse de tecnologías interactivas capaces de proporcionar retroalimentación inmediata al usuario.
En este contexto, los dispositivos portátiles y el Internet de las Cosas (IoT) permiten desarrollar soluciones capaces de capturar información directamente desde el cuerpo humano. Los guantes inteligentes representan una de estas alternativas, ya que pueden incorporar sensores capaces de detectar la posición y flexión de los dedos.
El trabajo desarrollado por Pazmiño-Ortiz y colaboradores propone un guante inteligente para el reconocimiento determinista de gestos estáticos, orientado principalmente al aprendizaje introductorio del lenguaje de señas. La propuesta combina sensores, procesamiento embebido y comunicación mediante MQTT para proporcionar una solución de bajo costo y baja latencia.
2. ¿Cómo funciona el sistema?
El dispositivo utiliza sensores de flexión colocados en el guante para capturar los movimientos y posiciones de los dedos.
Antes de utilizar el sistema, se realiza una rutina de calibración de aproximadamente 10 segundos, mediante la cual se establecen rangos normalizados específicos para cada usuario. Esto permite adaptar el sistema a diferentes características físicas de las manos sin necesidad de volver a entrenar un modelo.
El procesamiento sigue una lógica determinista de fusión de sensores. A partir de los valores obtenidos, el sistema determina qué gesto está realizando el usuario.
La arquitectura contempla tres etapas principales:
1. Captura:
Los sensores registran la posición de los dedos.
2. Procesamiento:
Un sistema embebido analiza los valores y determina el gesto correspondiente.
3. Comunicación:
Los resultados pueden enviarse mediante MQTT para su visualización en otro dispositivo.
Esta arquitectura permite ejecutar gran parte del procesamiento directamente en el borde (edge computing), reduciendo la necesidad de enviar continuamente los datos a servidores externos.
3. Resultados
Los investigadores evaluaron el sistema con 10 adultos, todos familiarizados con el lenguaje de señas. A partir de las pruebas se obtuvo un conjunto equilibrado de 1500 vectores de sensores etiquetados.
Principales resultados
| Indicador | Resultado |
|---|---|
| Gestos reconocidos | 15 |
| Participantes | 10 |
| Vectores de datos | 1500 |
| Reconocimiento promedio | 92,8 % |
| Validación entre sujetos | 92,80 ± 2,03 % |
| Procesamiento local | < 2 ms |
| Latencia completa con MQTT | ≈ 150 ms |
| Autonomía | Hasta 14 horas |
| Batería | 3,7 V / 1000 mAh |
Los resultados individuales de los participantes estuvieron entre 90 % y 96 % de precisión, mostrando un comportamiento relativamente estable bajo las condiciones controladas del experimento.
4. ¿Por qué es importante?
Uno de los aspectos más interesantes de esta investigación es que demuestra que no siempre es necesario utilizar modelos complejos de inteligencia artificial para desarrollar sistemas de reconocimiento funcionales.
En este caso, los autores utilizan una estrategia determinista basada en la información proporcionada por múltiples sensores. La calibración permite adaptar el dispositivo a diferentes usuarios sin necesidad de entrenar nuevamente un modelo.
Esto puede resultar especialmente interesante para aplicaciones educativas y de asistencia donde se necesita una respuesta rápida, bajo consumo energético y procesamiento local.
Además, el uso de IoT y computación en el borde permite que el dispositivo procese la información cerca de donde se generan los datos. Esto puede disminuir la dependencia de conexiones externas y favorecer aplicaciones portátiles.
5. Limitaciones
A pesar de los resultados obtenidos, el sistema tiene un alcance específico.
La investigación se concentra en gestos estáticos aislados y un vocabulario limitado de 15 señales. Por lo tanto, el sistema no está diseñado ni validado para reconocer lenguaje de señas continuo, movimientos dinámicos, gestos coarticulados o traducir frases completas.
También debe considerarse que las pruebas fueron realizadas bajo condiciones controladas y con un número relativamente pequeño de participantes. Por ello, sería necesario realizar evaluaciones más amplias para determinar cómo funcionaría el dispositivo con diferentes grupos de usuarios y en situaciones cotidianas.
6. Aplicaciones futuras
La tecnología presentada podría servir como punto de partida para desarrollar sistemas más avanzados.
Entre las posibles aplicaciones se encuentran:
- Herramientas educativas para aprender lenguaje de señas.
- Sistemas interactivos de entrenamiento.
- Dispositivos portátiles de asistencia.
- Interfaces hombre-máquina.
- Sistemas IoT para reconocimiento de gestos.
- Interfaces de comunicación basadas en sensores.
- Integración futura con modelos de inteligencia artificial para reconocer gestos dinámicos.
Una posible evolución sería combinar la información de los sensores con modelos de aprendizaje automático capaces de reconocer secuencias de movimientos y no solamente posiciones estáticas.
7. Conclusiones
El estudio demuestra que la combinación de sensores de flexión, procesamiento embebido, fusión de sensores e IoT puede utilizarse para construir un sistema portátil capaz de reconocer gestos estáticos de lenguaje de señas.
El sistema obtuvo un reconocimiento promedio del 92,8 %, manteniendo un procesamiento local inferior a 2 ms por ciclo y una latencia aproximada de 150 ms para el flujo completo con visualización MQTT. Además, la autonomía de hasta 14 horas demuestra que este tipo de tecnología puede ser viable para aplicaciones portátiles.
Aunque la propuesta todavía está limitada a un conjunto reducido de gestos estáticos, representa una base interesante para futuras investigaciones que incorporen reconocimiento dinámico, inteligencia artificial y vocabularios más amplios.
Referencia original
Pazmiño-Ortiz, L., Cuenca-Sánchez, A., Loarte-Cajamarca, B., & Pérez, M. (2026). Sensor Fusion-Based Smart Glove for Deterministic Sign Language Recognition: An IoT-Enabled System. Technologies, 14(6), 371.
DOI: 10.3390/technologies14060371.