4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

ЖАБЫҚ СӨЗ ТІРКЕСТЕРІН ТАНУ ЖӘНЕ ОҚЫТУ ҮШІН ҚАЗАҚ ЫМДАУ ТІЛІНІҢ МОДЕЛІН ӘЗІРЛЕУ

https://doi.org/10.53360/2788-7995-2026-3(23)-8

Толық мәтін:

Аңдатпа

Қазақ ымдау тілі (KSL) қазіргі ымдау тілдерін өңдеу саласындағы зерттеулерде жеткілікті деңгейде ұсынылмаған, бұл ең алдымен ауқымды таңбаланған деректер жиынтықтарының және арнайы есептеу құралдарының жетіспеушілігімен байланысты. Бұл мақалада визуалды кілттік нүктелер тізбегіне негізделген, ымдау тілін фразалық деңгейде тану және әрбір танылған фразаны оның глосс-белгісімен және эталондық аудармасымен сәйкестендіруге арналған терең оқытуға негізделген әдіс ұсынылады. Ұсынылған тәсіл эталондық корпус ретінде FluentSigners-50 деректер жиынтығын пайдаланады және бейнемәліметтерден поза мен қол қимылдарының белгілерін MediaPipe Holistic моделі арқылы бөліп алады. Алынған кеңістіктік-уақыттық тізбектер негізінде екі қабатты екібағытты ұзақ қысқа мерзімді жад (BiLSTM) нейрондық желісі оқытылып, қазақ ымдау тіліндегі қырық түрлі фразаны жіктеуді жүзеге асырады. Модель кіріс ретінде ұзындығы бекітілген 150 кадрдан тұратын тізбекті қабылдайды, әрбір кадр 225 кілттік нүкте белгілерін қамтиды, ал шығыс ретінде көпқабатты перцептрон арқылы болжанған фраза класын береді. Эксперименттік нәтижелер фразаларды жіктеу міндетінде жоғары тиімділікті көрсетеді: бейнеден глосс белгілеріне және олардың сәйкес орыс тіліндегі аудармаларына дәл салыстырулар 94,73% дәлдікке қол жеткізді. Толыққанды ашық сөздікті машиналық аударманың орнына жүйе жабық жиынтықтағы фразаларды жіктеу және глосс-белгі мен эталондық аударманы сәйкестендіру міндетін шешеді, бұл оны көмекші және оқыту қолданбаларында қолдануға жарамды етеді.

Авторлар туралы

Ә. Жақанова
Astana IT University
Қазақстан

Әсем Ерікқызы Жақанова – 1 курс магистранты

010000, Қазақстан Республикасы, Астана, Мәңгілік Ел даңғылы, 55/11, C1 блогы



Ж. Оралбекова
Astana IT University
Қазақстан

Жанар Орымбаевна Оралбекова – PhD, қауымдастырылған профессор, Жасанды интеллект және деректер ғылымы мектебінің профессоры м.а.

010000, Қазақстан Республикасы, Астана, Мәңгілік Ел даңғылы, 55/11, C1 блогы



Д. Оралбекова
Ақпараттық және есептеуіш технологиялар институты
Қазақстан

Дина Орымбаевна Оралбекова – PhD, қауымдастырылған профессор, аға ғылыми қызметкері

050010, Қазақстан Республикасы, Алматы, Шевченко көшесі, 28 



Әдебиет тізімі

1. Aitim A. A systematic review on translating Kazakh sign language to speech using dynamic gesture recognition / A. Aitim, D. Sattarkhuzhayeva, A. Khairullayeva // The Bulletin of KazATC. – 2025. – Т. 138, № 3. – Р. 122-133. https://doi.org/10.52167/1609-1817-2025-138-3-122-133.

2. Creating a Parallel Corpus for the Kazakh Sign Language and Learning / A. Yerimbetova et al // Applied Sciences. – 2025. – Т. 15, № 5. – Р. 2808. https://doi.org/10.3390/app15052808.

3. Advancements in Machine Learning Techniques for Hand Gesture-Based Sign Language Recognition: A Comprehensive Review / U. Rastogi et al // Archives of Computational Methods in Engineering. – 2025. – Т. 32, № 7. – Р. 4265-4302. https://doi.org/10.1007/s11831-025-10258-z.

4. Almjally A., Almukadi W.S. Deep computer vision with artificial intelligence based sign language recognition to assist hearing and speech-impaired individuals / A. Almjally, W.S. Almukadi // Scientific Reports. – 2025. – Т. 15, № 1. – Р. 32268. https://doi.org/10.1038/s41598-025-09106-8.

5. Deep learning pathways for automatic sign language processing / M. Toshpulatov et al // Pattern Recognition. – 2025. – Т. 164. – Р. 111475. https://doi.org/10.1016/j.patcog.2025.111475.

6. Luqman H. SignVLM: a pre-trained large video model for sign language recognition / H. Luqman // PeerJ Computer Science. – 2025. – Т. 11. – Р. e3112. https://doi.org/10.7717/peerj-cs.3112.

7. Enhancing Kazakh Sign Language Recognition with BiLSTM Using YOLO Keypoints and Optical Flow / Z. Buribayev et al // Applied Sciences. – 2025. – Т. 15, № 10. – Р. 5685. https://doi.org/10.3390/app15105685.

8. Application of neural networks ensemble method for the Kazakh sign language recognition / Y. Amirgaliyev et al // Bulletin of Electrical Engineering and Informatics. – 2024. – Т. 13, № 5. – Р. 3275-3287. https://doi.org/10.11591/eei.v13i5.7803.

9. Real-time Kazakh sign language recognition using Mediapipe and SVM / L. Zholshiyeva et al // Academic Scientific Journal of Computer Science. – 2023. – № 1. – Р. 82-93. https://doi.org/10.32014/2023.2518-1726.170.

10. FluentSigners-50: A signer independent benchmark dataset for sign language processing / M. Mukushev et al // PloS ONE. – 2022. – Т. 17, № 9. – Р. e0273649. https://doi.org/10.1371/journal.pone.0273649.

11. Continuous sign language recognition and its translation into intonation-colored speech / N. Amangeldy et al // Sensors. – 2023. – Т. 23, № 14. – Р. 6383. https://doi.org/10.3390/s23146383.

12. Neural Sign Language Translation / N.C. Camgoz et al // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Salt Lake City, USA, 2018. – Р. 7784-7793. https://doi.org/10.1109/CVPR.2018.00812.


Рецензия

Дәйектеу үшін:


Жақанова Ә., Оралбекова Ж., Оралбекова Д. ЖАБЫҚ СӨЗ ТІРКЕСТЕРІН ТАНУ ЖӘНЕ ОҚЫТУ ҮШІН ҚАЗАҚ ЫМДАУ ТІЛІНІҢ МОДЕЛІН ӘЗІРЛЕУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(3(23)):73-82. https://doi.org/10.53360/2788-7995-2026-3(23)-8

For citation:


Zhakanova A., Oralbekova Zh., Oralbekova D. DEVELOPMENT OF A MODEL OF KAZAKH SIGN LANGUAGE FOR CLOSED-SET PHRASE RECOGNITION AND TRAINING. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):73-82. https://doi.org/10.53360/2788-7995-2026-3(23)-8

Қараулар: 23

JATS XML


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X