Sistema de Alerta Temprana de Incendios para Personas con Discapacidad Auditiva Basado en IoT y Señales Hápticas

Héctor Caballero Hernández; German Becerril Donato; Vianney Muñoz Jiménez; Marco Antonio Ramos Corchado

Autores/as

Héctor Caballero Hernández 📩 Universidad Autónoma del Estado de México, México
German Becerril Donato Tecnológico de Estudios Superiores de Jocotitlán, México https://orcid.org/0009-0006-8436-8890
Vianney Muñoz Jiménez Universidad Autónoma del Estado de México, México https://orcid.org/0000-0003-2180-6743
Marco Antonio Ramos Corchado Universidad Autónoma del Estado de México, México

Palabras clave:

IoT, lógica difusa, computación vestible, detección de incendios, Wear OS

Resumen

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 (NFPA).

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. 10.1109/ACCESS.2025.3552352.

Ali, M. M., & Ghodrat, M. (2025). Toward reliable fire detection in indoor CCTV footage: Reducing false alarms from benign flames using 3D attention CNNs. IEEE Access. 10.3390/fire8070285.

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., & Mulyana, I. (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.

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

Cahyadi, H. D., & Teary, M. G. (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

Centre for Research on the Epidemiology of Disasters (CRED). (2025). State of wildfires 2024–2025. PreventionWeb.

Chen, Y., et al. (2025). Evaluation of wearable device technology in terms of health and safety in firefighters. International Journal of Industrial Ergonomics, 90, 103325.

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). State of Wildfires 2023-24: CAMS data supports assessment. European Union.

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

FEMA, Agencia Federal para el Manejo de Emergencias. (2023). Sistemas de detección de incendios y nuevas tecnologías de respuesta. Departamento de Seguridad Nacional. URL: 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). 10.1109/IEEESTD.2020.9032420

Istre, G. R., et al. (2020). Smoke alarms and prevention of house-fire-related deaths and injuries. Western Journal of Emergency Medicine, 15(2), 145.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer.

Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8 (Versión 8.0.0) [Software]. https://github.com/ultralytics/ultralytics

Kroese, D. P., Taimre, T., & Botev, Z. I. (2011). Handbook of Monte Carlo Methods. John Wiley & Sons.

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 and cloud-enabled integrated system for smart indoor lighting and ventilation as well as early 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. (2024). NFPA 72: National Fire Alarm and Signaling Code (Ed. 2025). NFPA.

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. 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, June). A fire detection system using multi-sensor networks based on fuzzy logic in indoor scenarios. In 2020 8th International Conference on Information and Communication Technology (ICoICT) (pp. 1-6). IEEE.10.1109/ICoICT49345.2020.9166416.

Rachman, F. Z., & Hendrantoro, G. (2020). A fire detection system using multi-sensor networks based on fuzzy logic in indoor scenarios. Proc. 8th Int. Conf. on Information and Communication Technology (ICoICT), 1–6. https://doi.org/10.1109/ICoICT49345.2020.9166432

Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4a ed.). Pearson.

Vaegae, N., Annepu, V., & Al-Mhiqani, M. (2024). Multisensor fuzzy logic approach for enhanced fire detection in smart cities. Journal of King Saud University-Computer and Information Sciences, 36(2), 101-115. 10.1155/2024/8511649.