This bachelor's thesis endeavors to scrutinize and instantiate the utilization of Convolutional Neural Networks (CNNs) for the nuanced task of classifying and detecting sign language alphabet symbols via Image Analysis and Electromyographic (EMG) signals, acquired through the instrumental deployment of an EMG MyoWare sensors. The research focal point centers on the meticulous analysis of images and EMG signals, with the primary aim of facilitating its practical use in everyday life. This endeavor was undertaken and classified by utilization of ResNet-50 architecture. The adoption of EMG signals as the input modality offers practical advantages, notably the detectability through limb-affixed devices, making it a feasible and integrable solution in daily life. The methodological simplicity of EMG signal analysis further contributes to the robustness of the system, overcoming challenges associated with environmental factors and ensuring consistency across diverse individuals.

Praca inżynierska stara się przeanalizować i zastosować użyteczność Splotowych Sieci Neuronowych w zadaniu klasyfikacji i detekcji symboli alfabetu języka migowego poprzez Analizę Obrazu oraz sygnały elektromiograficzne pozyskiwane za pomocą sensorów EMG MyoWare. Główny punkt badawczy skupia się na dokładnej analizie obrazów i sygnałów EMG, mając na celu ułatwienie ich praktycznego zastosowania w życiu codziennym. To przedsięwzięcie zostało podjęte i sklasyfikowane przy użyciu architektury ResNet-50. Wykorzystanie sygnałów EMG jako danej wejściowej niesie ze sobą praktyczne korzyści, zwłaszcza możliwość wykrywania za pomocą urządzeń przyczepionych do kończyn górnych, co czyni je aplikowalnymi w codziennym życiu. Metodyczna prostota analizy sygnałów EMG dodatkowo przyczynia się do solidności systemu, pokonując wyzwania związane z czynnikami środowiskowymi i zapewniając spójność w różnorodnych przypadkach.