Detecção de Piscadas Baseada em Aprendizado de Máquina para Controle de Dispositivos por Pessoas com Deficiência Motora Severa

• Felipe Barradas Sebastião IFPR
• Henrique Coelho dos Santos IFPR
• Odair Moreira de Souza IFPR
• Thiago Berticelli Ló IFPR

DOI: https://doi.org/10.5753/latinoware.2025.16530

Resumo

No Brasil, cerca de 14,4 milhões de pessoas apresentam algum tipo de deficiência, muitas com limitações motoras severas que comprometem a autonomia em atividades cotidianas. Este estudo propõe um sistema baseado em visão computacional e aprendizado de máquina para detectar e classificar piscadas, utilizando esse sinal como interface de controle em ambientes residenciais inteligentes. Foram empregadas bibliotecas de rastreamento facial, como Dlib e MediaPipe, para extração de pontos faciais e cálculo da razão de aspecto ocular (Eye Aspect Ratio), permitindo identificar estados oculares em tempo real. O desenvolvimento seguiu o ciclo OSEMN da Ciência de Dados, incluindo coleta e limpeza de dados, modelagem preditiva e interpretação dos resultados. Quatro modelos de classificação foram avaliados: Decision Tree, K-Nearest Neighbors (KNN), Logistic Regression e Random Forest, todos implementados com Scikit-Learn. Os resultados preliminares indicam que a abordagem proposta supera métodos tradicionais baseados em limiares fixos, considerando variações fisiológicas individuais e condições ambientais. O sistema apresenta arquitetura modular, favorecendo expansão e integração com dispositivos de Internet das Coisas (IoT), oferecendo uma solução de baixo custo com potencial impacto positivo na autonomia e na qualidade de vida de pessoas com deficiência motora severa.

Palavras-chave: Tecnologias assistivas, Visão computacional, Modelos preditivos, Interação homem-máquina

Referências

Instituto Brasileiro de Geografia e Estatística (IBGE), “Censo demográfico 2022: Pessoas com deficiência e pessoas diagnosticadas com transtorno do espectro autista – resultados preliminares da amostra,” [link], 2022, acessado em: 9 out. 2025.

V. Baldassin, C. Lorenzo, and H. E. Shimizu, “Tecnologia assistiva e qualidade de vida na tetraplegia: abordagem bioética,” Revista Bioética, vol. 26, no. 4, pp. 574–586, 2018. [Online]. DOI: 10.1590/1983-80422018264276

Brasil, “Lei no 13.146, de 6 de julho de 2015: Institui a lei brasileira de inclusão da pessoa com deficiência,” [link], 2015, acessado em: 21 de agosto de 2025.

Nações Unidas, “Transformando nosso mundo: A agenda 2030 para o desenvolvimento sustentável,” [link], 2015, acesso em: 26 set. 2025.

N. Modi and J. Singh, “A survey of research trends in assistive technologies using information modelling techniques,” Disability and Rehabilitation: Assistive Technology, vol. 17, no. 6, pp. 605–623, 2022. [Online]. DOI: 10.1080/17483107.2020.1817992

A. T. Sugawara, V. D. Ramos, F. M. Alfieri, and L. R. Battistella, “Abandonment of assistive products: assessing abandonment levels and factors that impact on it,” Disability and Rehabilitation: Assistive Technology, vol. 13, no. 7, pp. 716–723, 2018. [Online]. DOI: 10.1080/17483107.2018.1425748

B. R. Ibrahim, F. M. Khalifa, S. R. M. Zeebaree, N. A. Othman, A. Alkhayyat, R. R. Zebari, and M. A. M. Sadeeq, “Embedded System for Eye Blink Detection Using Machine Learning Technique,” in 2021 1st Babylon International Conference on Information Technology and Science (BICITS). Babil, Iraq: IEEE, Apr. 2021, pp. 58–62. [Online]. DOI: 10.1109/BICITS51482.2021.9509908

R. Bersch, “Introdução à tecnologia assistiva,” Porto Alegre: CEDI, vol. 21, pp. 1–20, 2008.

World Health Organization (WHO), “Assistive technology: Fact sheet,” [link], 2023, acesso em: 21 ago. 2025.

S. Federici, F. Meloni, and S. Borsci, “The abandonment of assistive technology in italy: a survey of national health service users,” European journal of physical and rehabilitation medicine, vol. 52, no. 4, pp. 516–526, 2016.

J. Cech and T. Soukupova, “Real-time eye blink detection using facial landmarks,” Center for Machine Perception, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague, pp. 1–8, 2016.

A. Królak and P. Strumillo, “Eye-blink detection system for human–computer interaction,” Universal Access in the Information Society, vol. 11, no. 4, pp. 409–419, 2012. [Online]. Available: [link]

L. C. COSTA et al., “Monitoramento inteligente de fadiga: detecção de sonolência em motoristas com ia e visão computacional para aumentar a segurança no trânsito,” 2024.

H. Mason and C. Wiggins, “A taxonomy of data science,” 2010, acesso em: 6 out. 2025. [Online]. Available: [link]