Visão Computacional Flexível para Autonomia Assistiva: Uma Solução Edge AI Não-Invasiva de Baixo Custo
DOI:
https://doi.org/10.5753/reic.2026.6703Keywords:
Tecnologia Assistiva, Visão Computacional, Edge AI, Fine-TuningAbstract
No Brasil, milhões de pessoas enfrentam barreiras diárias para manter sua independência devido a limitações motoras. Embora a Visão Computacional e a Inteligência Artificial (IA) tenham avançado o campo da tecnologia assistiva, a maioria das soluções disponíveis no mercado é de alto custo, inacessível e carece de padronização para adaptação individualizada. Diante deste cenário, este trabalho propõe o desenvolvimento e a avaliação de um Dispositivo Assistivo Flexível (DAF) de baixo custo, utilizando Edge AI e Visão Computacional. O DAF visa promover a autonomia de indivíduos com severas limitações motoras, permitindo o controle de dispositivos externos através da detecção e interpretação de gestos ou expressões faciais. O grande diferencial metodológico reside na arquitetura flexível, que permite a customização individualizada por meio de fine-tuning remoto. O cuidador utiliza o DAF (baseado na placa Sipeed MAix Bit/Maixduino) para capturar imagens automaticamente rotuladas. Em seguida, essas imagens são enviadas a uma Plataforma Web para que o servidor realize o fine-tuning do modelo pré-treinado (MobileNet 2.5). Os novos pesos são então devolvidos por e-mail para serem atualizados no dispositivo. Em comparação com tecnologias existentes, o DAF demonstrou grandes diferenciais, sendo uma solução não-invasiva, de baixo custo e que não exige um host (computador auxiliar), facilitando sua modularização e transporte. O sistema apresentou um tempo de resposta satisfatório (1 a 2 segundos), propício para uso prático. O trabalho atende, assim, à necessidade de dispositivos flexíveis, acessíveis e adaptáveis às necessidades específicas de cada usuário.
Downloads
Referências
Ariza, J. and Pearce, J. M. (2022). Low-cost assistive technologies for disabled people using open-source hardware and software: A systematic literature review. IEEE Access, 10:124894–124927. DOI: 10.1109/ACCESS.2022.3221449.
Domellöf, F. P. (2019). The extraocular muscles are selectively spared in als. In Hegde, M. L., editor, Amyotrophic Lateral Sclerosis - Recent Advances and Therapeutic Challenges, chapter 6. IntechOpen, London. DOI: 10.5772/intechopen.89504.
González-Cely, A. X., Callejas-Cuervo, M., and Bastos-Filho, T. (2022). Wheelchair prototype controlled by position, speed and orientation using head movement. HardwareX, 11:e00306. DOI: https://doi.org/10.1016/j.ohx.2022.e00306.
Instituto Brasileiro de Geografia e Estatística, . (2022). Censo Demográfico 2022. IBGE, Rio de Janeiro.
Liu, Y., Jiang, F., and Gowda, M. (2020). Application informed motion signal processing for finger motion tracking using wearable sensors. In ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 8334–8338. DOI: 10.1109/ICASSP40776.2020.9053466.
Majaranta, P. and Räihä, K.-J. (2002). Twenty years of eye typing: systems and design issues. In Proceedings of the 2002 Symposium on Eye Tracking Research & Applications, ETRA ’02, page 15–22, New York, NY, USA. Association for Computing Machinery. DOI: 10.1145/507072.507076.
Miller, R. B. (1968). Response time in man-computer conversational transactions. In Proceedings of the December 9-11, 1968, Fall Joint Computer Conference, Part I, AFIPS ’68 (Fall, part I), page 267–277, New York, NY, USA. Association for Computing Machinery. DOI: 10.1145/1476589.1476628.
Naves, E., Rocha, L., and Pino, P. (2012). Alternative communication system for people with severe motor disabilities using myoelectric signal control. In 2012 ISSNIP Biosignals and Biorobotics Conference: Biosignals and Robotics for Better and Safer Living (BRC), pages 1–4. DOI: 10.1109/BRC.2012.6222176.
Pandey, M., Chaudhari, K., Kumar, R., Shinde, A., Totla, D., and Mali, N. (2018). Assistance for paralyzed patient using eye motion detection. In 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), pages 1–5. DOI: 10.1109/ICCUBEA.2018.8697455.
Rabhi, Y., Mrabet, M., and Fnaiech, F. (2018). A facial expression controlled wheelchair for people with disabilities. Computer Methods and Programs in Biomedicine, 165:89–105. DOI: https://doi.org/10.1016/j.cmpb.2018.08.013.
Rafal, T., Grzegorz, W., Piotr, G., Nikodem, C., and Sebastian, L. (2023). Edge devices inference performance comparison. Journal of Computing Science and Engineering, 17(2):51–59. DOI: 10.5626/jcse.2023.17.2.51.
Rosero-Montalvo, P. D., Tözün, P., and Hernandez, W. (2024). Optimized cnn architectures benchmarking in hardware-constrained edge devices in iot environments. IEEE Internet of Things Journal, 11(11):20357–20366. DOI: 10.1109/JIOT.2024.3369607.
Torres-Sánchez, E., Alastruey-Benedé, J., and Torres-Moreno, E. (2020). Developing an ai iot application with open software on a risc-v soc. In 2020 XXXV Conference on Design of Circuits and Integrated Systems (DCIS), pages 1–6. DOI: 10.1109/DCIS51330.2020.9268645.
Wang, M.-Y., Kogkas, A. A., Darzi, A., and Mylonas, G. P. (2018). Free-view, 3d gaze-guided, assistive robotic system for activities of daily living.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
