Sistema de Alerta Temprana de Incendios para Personas con Discapacidad Auditiva Basado en IoT y Señales Hápticas
DOI:
https://doi.org/10.32870/recibe.v15i2.499Palabras clave:
IoT, lógica difusa, computación vestible, detección de incendios, Wear OSResumen
El presente trabajo describe el desarrollo de un sistema de seguridad IoT híbrido diseñado para la detección temprana de incendios mediante la integración de sensores de temperatura, humedad (DHT11) y CO (MQ-7) conectados a un ESP32 que reenvía la información a un smartwatch y un smartphone (SMS/Telegram) para alertar a usuarios con discapacidad auditiva en tiempo real. La metodología empleada consta de una etapa de adquisición de datos (placa ESP32) y una etapa de procesamiento con motor de inferencia difusa implementado en un TicWatch E3 con Wear OS 3.5 utilizando el lenguaje Kotlin para analizar las variables de entrada y determinar el nivel de riesgo (Bajo, Medio, Alto y Extremo). El sistema determina automáticamente entre amenazas por humo o fuego activo apoyado de confirmación visual mediante el algoritmo Yolov8s, cuyos resultados de detección son enviados a través de un mensaje de Telegram. Los resultados demuestran que la aplicación es capaz de activar retroalimentación háptica y reproducir vídeo con señas de alertamiento en lengua de señas mexicana en el smartwatch al superar los umbrales de seguridad. Durante la etapa de pruebas, se obtuvieron resultados sobresalientes al aplicar las métricas de precisión y exactitud, con un resultado del 97%, mientras que MAE (Mean Absolute Error) presentó un puntaje de 0.0327 en una simulación Monte Carlo de 3000 casos para validar el motor difuso, mientras que, en las pruebas en entorno real, el sistema reaccionó de forma precisa, con una aceptación favorable por parte de los usuarios que participaron en los experimentos.Citas
Ahn, Y., Choi, H., & Kim, B. S. (2023). Development of early fire detection model for buildings using computer vision-based CCTV. Journal of Building Engineering, 65, 105647. https://doi.org/10.1016/j.jobe.2022.105647
Ahrens, M. (2021). Smoke alarms in U.S. home fires. National Fire Protection Association. https://www.nfpa.org/education-and-research/research/nfpa-research/fire-statistical-reports/smoke-alarms-in-us-home-fires
Aksüt, G., & Eren, T. (2025). Evaluation of wearable device technology in terms of health and safety in firefighters. Technology and Health Care, 33(2), 726–736. https://doi.org/10.1177/09287329241291385
Alam, G. M. I., Tasnia, N., Biswas, T., Hossen, M. J., Tanim, S. A., & Miah, M. S. U. (2025). Real-time detection of forest fires using FireNet-CNN and explainable AI techniques. IEEE Access, 13, 51150–51181. https://doi.org/10.1109/ACCESS.2025.3552352
Ali, M. M. E. H., & Ghodrat, M. (2025). Toward reliable fire detection in indoor CCTV footage: Reducing false alarms from benign flames using 3D attention CNNs. IEEE Access, 13, 144092–144103. https://doi.org/10.1109/ACCESS.2025.3598919
An, L., Chen, L., & Hao, X. (2023). Indoor fire detection algorithm based on second-order exponential smoothing and information fusion. Information, 14(5), 258. https://doi.org/10.3390/info14050258
Arifia, R. (2025). Development of an IoT-based fire detection system using ESP32 with fire alerts via Telegram Bot. Prosiding Seminar Nasional Universitas Ma Chung, 5(1), 45–58. https://ocs.machung.ac.id/index.php/seminarnasionalmachung/article/view/774
Cahyadi, H. D., Tasmi, T., Teary, M. G., & Ferdiansyah. (2026). IoT-based fire detection system using ESP32 and Telegram. Media Journal of General Computer Science, 3(1), 1–9. https://doi.org/10.62205/mjgcs.v3i1.146
Consejo Nacional para el Desarrollo y la Inclusión de las Personas con Discapacidad. (2017). Diccionario de lengua de señas mexicana. Secretaría de Salud. https://educacionespecial.sep.gob.mx/storage/recursos/2023/05/xzrfl019nV-4Diccionario_lengua_%20Senas.pdf
Copernicus Atmosphere Monitoring Service. (2024, 14 de agosto). State of Wildfires 2023–24: CAMS data supports assessment. European Union. https://atmosphere.copernicus.eu/state-wildfires-2023-24-cams-data-supports-assessment
Deng, X., Shi, X., Wang, H., Wang, Q., Bao, J., & Chen, Z. (2023). An indoor fire detection method based on multi-sensor fusion and a lightweight convolutional neural network. Sensors, 23(24), 9689. https://doi.org/10.3390/s23249689
El-Madafri, I., Peña, M., & Olmedo-Torre, N. (2024). Real-time forest fire detection with lightweight CNN using hierarchical multi-task knowledge distillation. Fire, 7(11), 392. https://doi.org/10.3390/fire7110392
Federal Emergency Management Agency. (2023). Sistemas de detección de incendios y nuevas tecnologías de respuesta. U.S. Fire Administration. https://www.usfa.fema.gov
Hou, F., Rui, X., Chen, Y., & Fan, X. (2023). Flame and smoke semantic dataset: Indoor fire detection with a deep semantic segmentation model. Electronics, 12(18), 3778. https://doi.org/10.3390/electronics12183778
Institute of Electrical and Electronics Engineers. (2020). IEEE standard for an architectural framework for the Internet of Things (IoT) (IEEE Std 2413-2019). IEEE. https://doi.org/10.1109/IEEESTD.2020.9032420
Istre, G. R., & Mallonee, S. (2000). Smoke alarms and prevention of house-fire-related deaths and injuries. Western Journal of Medicine, 173(2), 92–93. https://doi.org/10.1136/ewjm.173.2.92
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R. Springer. https://doi.org/10.1007/978-1-4614-7138-7
Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8 (Versión 8.0.0) [Software]. GitHub. https://github.com/ultralytics/ultralytics
Kelley, D. I., Burton, C., Di Giuseppe, F., Jones, M. W., Barbosa, M. L. F., Brambleby, E., McNorton, J. R., Liu, Z., Bradley, A. S. I., Blackford, K., Burke, E., Ciavarella, A., Di Tomaso, E., Eden, J., Ferreira, I. J. M., Fiedler, L., Hartley, A. J., Keeping, T. R., Lampe, S., ... Kolden, C. A. (2025). State of Wildfires 2024–2025. Earth System Science Data, 17, 5377–5488. https://doi.org/10.5194/essd-17-5377-2025
Kroese, D. P., Taimre, T., & Botev, Z. I. (2011). Handbook of Monte Carlo methods. John Wiley & Sons. https://doi.org/10.1002/9781118014967
Li, Y., Shang, J., Yan, M., Ding, B., & Zhong, J. (2023). Real-time indoor early fire detection and localization on embedded platforms using fully convolutional one-stage object detection. Sustainability, 15(3), 1794. https://doi.org/10.3390/su15031794
Mahbub, M., Hossain, M. M., & Gazi, M. S. A. (2021). Cloud-enabled IoT-based embedded system and software for intelligent indoor lighting, ventilation, early stage fire detection and prevention. Computer Networks, 184, 107673. https://doi.org/10.1016/j.comnet.2020.107673
Mukhiddinov, M., Abdusalomov, A. B., & Cho, J. (2022). Automatic fire detection and notification system based on improved YOLOv4 for blind and visually impaired people. Sensors, 22(9), 3307. https://doi.org/10.3390/s22093307
National Fire Protection Association. (2025). NFPA 72: National Fire Alarm and Signaling Code (2025 ed.). https://link.nfpa.org/all-publications/72/2025
Nazir, A., Mosleh, H., Takruri, M., Jallad, A. H., & Alhebsi, H. (2022). Early fire detection: A novel indoor laboratory dataset and data distribution analysis. Fire, 5(1), 11. https://doi.org/10.3390/fire5010011
Peng, B., & Kim, T.-K. (2025). YOLO-HF: Early detection of home fires using YOLO. IEEE Access, 13, 79451–79466. https://doi.org/10.1109/ACCESS.2025.3566907
Pincott, J., Tien, P. W., Wei, S., & Calautit, J. K. (2022). Indoor fire detection utilizing computer vision-based strategies. Journal of Building Engineering, 61, 105154. https://doi.org/10.1016/j.jobe.2022.105154
Rachman, F. Z., & Hendrantoro, G. (2020). A fire detection system using multi-sensor networks based on fuzzy logic in indoor scenarios. En 2020 8th International Conference on Information and Communication Technology (ICoICT) (pp. 1–6). IEEE. https://doi.org/10.1109/ICoICT49345.2020.9166416
Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Vaegae, N. K., Annepu, V., Bagadi, K., & Dahan, F. (2024). Multisensor fuzzy logic approach for enhanced fire detection in smart cities. Journal of Optimization, 2024, Article 8511649. https://doi.org/10.1155/2024/8511649
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
