Escolar Documentos
Profissional Documentos
Cultura Documentos
KEYWORDS
Assistive technology, Artificial Intelligence, AIoT, Machine Learning, Deep Leaning.
1. Introdução
Segundo a Organização Mundial da Saúde (2021) mais de 1 milhão de pessoas possuem algum tipo de deficiência,
cerca de 15% da população mundial, totalizando aproximadamente 190 milhões de pessoas. Este número continua a
crescer em virtude do aumento de condições crônicas de saúde, e pelo envelhecimento da população mundial [1].
Considerando que deficiências se referem a aquelas passageiras e permanentes, coloca-se de baixo deste guarda-chuva
uma grande abrangência de incapacidades, restrições e condições de saúde, dentre elas: doenças degenerativas como
Parkinson, ELA (Esclerose Lateral Amiotrófica) e Alzheimer; as deficiências física, mental, visual e auditiva; doenças
crônicas não transmissíveis; e aquelas decorrentes do envelhecimento, período este marcado pelas maiores taxas de
desenvolvimento de alguma deficiência [2].
De acordo com a Convenção das Nações Unidas sobre os Direitos das Pessoas com Deficiência (CDPD) a deficiência
não é um atributo da pessoa, mas é resultante das barreiras ambientais e comportamentais, frutos da interação entre
pessoas com deficiência e a sociedade, impedindo que estes cidadãos participem de forma igualitária, plena e eficaz na
sociedade. Portanto, lidar com os entraves que afetam as pessoas com deficiências, contribui para a melhoria da sua
participação social de um modo geral [3].
Dentro deste contexto, as Tecnologias Assistivas (TA) contribuem diretamente para a redução das barreiras
encontradas pelas pessoas com deficiência no seu dia a dia, permitindo que elas vivam de forma independente,
saudáveis e produtivas, permitindo que recebam educação e sejam participantes do mercado de trabalho e da
sociedade de forma integral e digna [4].
As TA abrangem serviços, produtos, metodologias, estratégias e práticas que tem por objetivo minimizar e/ou
eliminar restrições e limitações impostas a uma pessoa devido a uma deficiência ou incapacidade, com vistas na
independência, qualidade de vida e inclusão social. São exemplos de TA: aparelhos auditivos, auxiliares de memória,
óculos, cadeiras de roda, aparelhos auditivos, organizadores de pílulas e auxiliares de comunicação [5].
Os grandes avanços da TA estão na sua integração com dispositivos AIoT (Inteligência Artificial das coisas). A AIoT
faz uso da grande quantidade de dados gerados pelos dispositivos IoT e aplica técnicas de Inteligência Artificial, mas
especificamente de Aprendizado de Máquina para processar e analisá-los a fim de descobrir padrões e insight que
podem serem utilizados para tomadas de decisão [6]. TA aliada a AIoT permite que soluções disruptivas sejam
criadas, tais como: sistemas de navegação para pessoas cegas, assistentes de voz para pessoas com deficiências [7],
monitoramento remoto de condições de saúde [8], telemedicina e tele saúde [9], sistemas de comunicação baseados
em linguagem de sinais [10], memoria auxiliar para pessoas com deficiência cognitiva [11] e uma séria de objetos
inteligentes como dispensadores de medicamentos [12], bengala [13], cadeira de rodas [14], exoesqueleto [15] e etc..
As aplicações são inúmeras e de grande relevância para àqueles que precisam, fazendo referência Mary Pat
Radabaugh (ex-diretora do Centro Nacional de Suporte para Pessoas com Deficiência da IBM em 1988) em sua frase
famosa, citada em diversos trabalhos relacionados às deficiências, diz que “Para pessoas sem deficiência, a tecnologia
facilita a vida. Para pessoas com deficiência, a tecnologia torna a vida possível” [16].
O artigo está organizado da seguinte forma. A Seção 2 apresentam os conceitos relacionados a pesquisa. A Seção 3
apresenta a metodologia de pesquisa utilizada, o que incluem: o objetivo e as questões de pesquisa, as etapas da
revisão sistemática de literatura e as ameaças a validade dos resultados. A Seção 4 apresenta os resultados da
pesquisa da revisão de literatura. A Seção 5 apresenta a conclusão com base nos resultados do estudo e as
recomendações para estudos futuros.
Dentro deste contexto, as Tecnologias Assistivas (TA) contribuem diretamente para a redução das barreiras
encontradas pelas pessoas com deficiência no seu dia a dia, permitindo que elas vivam de forma independente,
saudáveis e produtivas, permitindo que recebam educação e sejam participantes do mercado de trabalho e da
sociedade de forma integral e digna [4].
Os grandes avanços da TA estão na sua integração com dispositivos AIoT (Inteligência Artificial das Coisas). A AIoT
é definida pela combinação entre IoT (Internet das Coisas) e técnicas de Inteligência Artificial (IA). A IoT é definida
como coisas que podem ser interconectadas como sensores e dispositivos diversos, que tem a capacidade de coletar em
tempo real muitos dados relevantes. Esta relevância se dá através da Inteligência Artificial em especial fazendo uso de
algoritmos e técnicas de Aprendizado de Máquina (AM), e em alguns casos fazendo uso de Aprendizado Profundo
(AP), para analisar os dados coletados a fim de extrair informações úteis para tomadas de decisão [6].
A Inteligência Artificial é definia por John McCarthy [18] como, “É a ciência e a engenharia de fazer máquinas
inteligentes, especialmente programas de computador inteligentes. Está relacionado à tarefa semelhante de usar
computadores para entender a inteligência humana, mas a IA não precisa se limitar a métodos que são
biologicamente observáveis.". Com relação aos artefatos de IA a IBM define como, quaisquer algoritmos que
permitem aos computadores simular o raciocínio e o comportamento humano, pare resolver problemas que
necessitam de “inteligência” [19].
O Aprendizado de Máquina é uma subárea da IA, que tem por objetivo criar programas de computador que possam
aprender automaticamente através da extração de conhecimento a partir dos dados, e a melhorar e se estender a
partir da experiência, sem que tenham sido explicitamente programados. No contexto da IoT estes algoritmos são
usados para processar e analisar uma grande quantidade de coletados pelos dispositivos, a fim de descobrir
automaticamente padrões e insights significativos sobre estes dados. Tarefa esta que seria impossível para humanos
realizar de forma manual. Em AM estão incluídos algoritmos como: regressão linear, regressão logística, k-means,
naive bayes, arvores de decisão, máquinas de vetores de suporte (SVMs) e redes neurais (RN) [20].
O Aprendizado Profundo é uma subárea de Aprendizado de Máquina, e estuda especificamente as Redes Neurais
Profundas. Isto significa dizer que assim como AM, também utiliza métodos de aprendizado baseado dados,
entretanto, a computação e processamento é feito utilizando redes neurais multicamadas [21]. A diferença básica
entre redes neurais não profundas (também conhecida como RN rasas, em inglês Shallow Network) e profundas (em
inglês Deep Neural Network) está no número de camadas, sendo que a primeira possui 3 camadas e as profundas
apresentam mais de 3 camadas, incluindo a camada de entrada e a camada de saída [22]. A Figura 01 a apresenta uma
rede neural rasa e a Figura 01 b uma rede neural profunda.
Figura 01: Uma arquitetura geral de uma rede rasa (shallow) e uma rede neural profunda (deep)
Fonte: [22]
Dentre as redes neurais profundas mais conhecidas estão as MLP’s (Perceptron multicamadas) com pelo menos duas
camadas intermediárias, a CNN (Redes Neurais Convolucionais) e a RNN (Redes Neurais Recorrentes) [20].
3. Metodologia de pesquisa
Foi realizada uma Revisão Sistemática de Literatura (RSL) para atingir os objetivos deste estudo. A RSL é uma revisão
metodológica rigorosa dos resultados da pesquisa, tem como objetivos, agregar evidências existentes sobre um
problema de pesquisa, assim como, identificar, selecionar, avaliar e sumarizar estudos primários considerados
relevantes sobre o tópico de pesquisa de forma imparcial e repetível. Por agregar estudos primários, a RSL é
considerada um estudo secundário [23]. Foi utilizado a ferramenta de apoio a RSL chamada Parsif.al [24] que
implementa as etapas de pesquisa adotadas por Kitchenhan [25], sendo elas: planejamento, esta etapa inclui as
atividades de, identificar o objetivo da pesquisa, definir as questões de pesquisa, desenvolver um protocolo de revisão
e avaliar o protocolo de revisão, estas atividades podem ser feitas de modo interativo; condução, esta etapa inclui as
atividades de Identificar os estudos primários com uso de estratégias de busca, selecionar os estudos utilizando
critérios de seleção de inclusão e exclusão de estudos, extrair os dados e sintetizar os dados; publicação, esta etapa
inclui as atividades de especificar o relatório, formatar o relatório e a avaliação do relatório [26]. Esta seção aborda: o
objetivo da pesquisa, as questões de pesquisa, o processo de pesquisa, os critérios de seleção dos estudos, a avaliação
de qualidade, a extração de dados e as ameaças a validade do estudo
QP1 Quais são os algoritmos e técnicas de Identificação dos Algoritmos e técnicas de AM utilizados em TA
Aprendizado de Máquina utilizados em TA baseada em AIoT.
baseadas em AIoT?
QP2 Quais são os tópicos de estudo que tem sido Fornecer o contexto relacionado aos tópicos de pesquisa.
pesquisado no contexto de TA baseada em AIoT?
QP3 Quais são os dispositivos de IoT utilizados no Fornecer o contexto relacionado aos tipos de dispositivos de IoT
contexto da TA baseada em AIoT? utilizados.
QP4 Existe disparidade no número de estudos Identificar lacunas para pesquisa e desenvolvimento de soluções.
encontrados de acordo com os problemas
selecionados na pesquisa?
Com a QP1 pretende-se identificar os algoritmos e técnicas de Aprendizado de Máquina que tem sido aplicada no
desenvolvimento de TA baseado em AIoT. Para isso, foram identificadas as técnicas de AM usadas nos artigos
primários selecionados, fazendo da técnica na solução proposta ou como parte dos algoritmos candidatos testados e
avaliados.
Com a QP2 busca-se fornecer um contexto relacionado aos tópicos estudados abordados no desenvolvimento de TA
baseado em AIoT. Para tal, foram identificados os tópicos estudo abordados pelos estudos primários selecionados.
Com a QP3 pretende-se fornecer um contexto relacionado aos tipos de dispositivos IoT que tem sido usado para o
desenvolvimento de TA baseado em AIoT. Para isso, foram identificados os dispositivos IoT usados nas soluções
propostas, incluindo a indicação se o dispositivo foi montado sob placas como Arduino, RaspberryPy e Nvidia Jetson.
Com a QP4 a identificar as lacunas para a pesquisa e desenvolvimento de TA baseado em AIoT. Para tal, foi indicado
para que deficiência ou incapacidade o estudo planeja ou desenvolve uma solução.
El Compendex EIC ("assistive technology" OR "impaired people") AND (AIoT OR IoT OR "internet of http://
things") AND ("machine learning" OR "deep learning" OR "neural networks") www.engine
eringvillage.
com
IEEE Digital IEEE ("assistive technology" OR impaired OR parkinson OR alzheimer) AND (IoT OR http://
Library AIoT OR "Internet of Things" OR "artificial intelligence or things") AND ieeexplore.ie
("machine learning" OR "deep learning" OR "neural network") ee.org
ISI Web of WOS ("assistive technology" OR impaired OR parkinson OR alzheimer) AND (iot OR http://
Science aiot OR "Internet of Things" OR "artificial intelligence or things") AND ("machine www.isikno
learning" OR "deep learning" OR "neural network") wledge.com
Science@Dire SCD ("assistive technology") AND (IoT OR "internet of things") AND ("machine http://
ct learning" OR "deep learning" OR "neural networks") www.science
direct.com
Scopus SCPS ("assistive technology" OR impaired OR parkinson OR alzheimer) AND ( iot OR http://
aiot OR "Internet of Things" OR "artificial intelligence or things" ) AND www.scopus.
( "machine learning" OR "deep learning" OR "neural network" ) com
A busca automática nas bases de dados foi efetuada no dia 14/09/2021, aonde cada base retornou um conjunto de
artigos conforme mostra a Tabela 03. Estes artigos passaram pelo processo de remoção de duplicidades, esta tarefa foi
realizada de forma automatizada pela ferramenta Parsifal. Inicialmente foram selecionados um total de 267 artigos,
destes, 79 eram duplicados, restando assim 188 artigos.
El Compendex 37
Science@Direct 67
Scopus 68
O conjunto de artigos resultante da etapa de pesquisa, passou para a próxima etapa da RSL a de Seleção de Estudos.
CI1 Estudos publicados no período de 2017 a 2021 EIC, IEEE, WOS, SCD, SCPS
CI2 Estudos primários revisados por pares EIC, WOS, SCD, SCPS
CE3 Artigos Curtos, livros e literatura cinza (manuais, relatórios, teses e EIC, WOS, SCD, SCPS
dissertações)
Vale ressaltar que, para que um artigo seja excluído, basta que um dos critérios de exclusão seja atendido.
Diferentemente, para a aceitação de um artigo é necessário que todos os critérios de inclusão sejam satisfeitos. Para
aplicar os critérios de seleção sobre os artigos, foi efetuada leitura do título e resumo de cada artigo, sendo que, nos
casos em que a leitura foi insuficiente para tal, foi efetuada a leitura do artigo até que a seleção ou exclusão pudesse
ser confirmada. Ao final desta etapa restaram um total de 30 artigos, este conjunto passou para a próxima etapa do
processo a de Avaliação de Qualidade.
Nesta RSL foi elaborado um questionário contendo cinco questões para avaliar a qualidade dos artigos, e são
apresentadas na Tabela 06. Cada questão possui três opções, cada qual com as suas respectivas notas, sendo elas:
“sim”, “parcialmente” e “não”, valendo respectivamente 1.0, 0.5 e 0. A nota para cada artigo é definida pelo somatório
dos valores das cinco respostas, tendo como valor máximo 5 (maior qualidade) e 0 (menor qualidade). Foi definido a
nota de corte de 2.0, desta forma, somente os artigos com nota maior que 2.0 serão efetivamente considerados aceitos
pela RSL. Este método de avaliação de qualidade foi implementado e aplicado fazendo uso do Parsifal.
Para a atribuição das notas, os artigos primários foram lidos em sua completude. A Tabela 07 o resultado da avaliação
de qualidade. O conjunto de entrada desta etapa continha 30 artigos, destes, 3 artigos receberam nota menor ou igual
a 2.0. Sendo assim, 27 artigos passaram para a próxima etapa, a de Extração de Dados.
A01 Assistive Technology through Internet of Things and Edge 10.1109/ICCE-Berlin47944.2019.8966148 4.0
Computing
A02 A Deep Learning Based Wearable Medicines Recognition System 10.1109 / AICAS.2019.8771559 3.5
for Visually Impaired People
A03 Localized Assistive Scene Understanding using Deep Learning 10.1109/FiCloudW.2019.00023 4.5
and the IoT
A05 Computer Vision and Iot Based Smart System for Visually 10.1109/Confluence51648.2021.9377120 2.5
Impaired People
A07 Dynamic Hand Gesture Pattern Recognition Using Probabilistic 10.1109/ 3.0
Neural Network IEMTRONICS52119.2021.9422496
A08 A Finger-Worn Device for Exploring Chinese Printed Text With 10.1109/ACCESS.2019.2936143 5.0
Using CNN Algorithm on a Micro IoT Processor
A09 Intelligent Navigation System for the Visually Impaired - A Deep 10.1109/ICCMC48092.2020.ICCMC- 5.0
Learning Approach 000121
A10 AI and IoT-Enabled Smart Exoskeleton System for Rehabilitation 10.1109/ACCESS.2021.3083093 5.0
of Paralyzed People in Connected Communities
A11 Wearable Vision Assistance System Based on Binocular Sensors 10.1109/JIOT.2018.2842229 3.0
for Visually Impaired Users
A14 Assistive Sign Language Converter for Deaf and Dumb 10.1109/iThings/GreenCom/CPSCom/ 5.0
SmartData.2019.00071
A15 IoT Based Smart Wheelchair for Disabled People 10.1109/ICSCAN53069.2021.9526427 4.0
A17 Dhrishti: A Visual Aiding System for Outdoor Environment 10.1109/ICCES48766.2020.9137967 3.5
A18 DeTrAs: deep learning-based healthcare framework for IoT-based 10.1007/s00521-020-05327-2 5.0
assistance of Alzheimer patients
A19 Smart calendar device for differently abled person None 2.5
A20 Parkinson's Disease Assist Device Using Machine Learning and 10.1109/ICCSP.2018.8523831 3.0
Internet of Things
A21 EXGbuds: Universal Wearable Assistive Device for Disabled 10.1145/3173386.3177836 3.5
People to Interact with the Environment Seamlessly
A22 Intelligent face recognition and navigation system using neural 10.1007/s10586-017-1323-4 3.0
learning for smart security in Internet of Things
A24 VIZIYON: Assistive handheld device for visually challenged 10.1016/j.procs.2020.04.269 4.0
A25 Smart Cap: A Deep Learning and IoT Based Assistant for the 10.1109/ICSSIT48917.2020.9214140 5.0
Visually Impaired
A26 A vision-based zebra crossing detection method for people with 10.1109 / ICIoT48696.2020.9089622 5.0
visual impairments
PD8 Problema Abordado Múltipla seleção, tendo como opções: deficiência auditiva, Responder QP4
deficiência cognitiva, deficiência motora, deficiência visual e
doença degenerativa.
Neste estudo, foram definidas 10 propriedades de dados (Tabela 08), sendo que PD1 à PD3 são utilizados para
identificar e localizar com maior facilidade os artigos. As demais propriedades foram definidas responder as questões
de pesquisa. Sendo que: PD4 para responder a QP1; PD5 e PD6 para responder à QP2; PD7 para responder a QP3; e
PD8 para responder a QP4. Os dados foram extraídos após a leitura completa de cada um dos artigos selecionados
(Tabela 07) utilizando a ferramenta Parsifal, a qual, facilitou e organizou todo o processo de extração. Estes dados
foram exportados no formato Excel para a posterior análise dos resultados, que é apresentada na Seção 3.
4. Resultados obtidos
O processo de seleção nas bibliotecas digitais resultou 267 artigos, sendo que destes, 27 artigos foram considerados
aceitos para esta RSL (Tabela 07), pela contribuição que estes artigos trazem ao tema. Esta seção resume as
descobertas e resultados das análises sobre os artigos primários selecionados. A Seção 3.1. procura responder as
perguntas de pesquisa (Tabela 01) com base nos dados extraídos seguindo o formulário de extração de dados (Tabela
08) e a Seção 3.2. busca fazer um resumo das descobertas.
QP1. Quais são os algoritmos e técnicas de Aprendizado de Máquina utilizados em TA baseadas em AIoT?
Dos 27 artigos primários estudados, 81% apresentaram soluções baseadas em ANN (Redes Neurais Artificias), 15%
deles fizeram uso de outras técnicas de AM, e 7% não apresentaram as técnicas utilizadas. Conforme mostra a Tabela
09, dentro do contexto de Redes Neurais, foram abordadas as técnicas de AM: ANN (Artificial Neural Network), CNN
(Convolutional Neural Network), uso de Multiple-CNN, Clever CNN, R-CNN (Region-based CNN), Faster R-CNN,
PNN (Probabilistic Neural Network), RNN (Recurrent Neural Network) e Multi-trained DL models. Sendo que as
técnicas não baseadas em redes neurais foram: Hoeffding Tree, Logistic regression, Naive Bayes, Random Forest, k-
Means, Linear Regression, Independent Component Analysis, SVM e HOG (Histogram of Oriented Gradients).
Tabela 09: Algoritmos e Técnicas de Aprendizado de Máquina utilizadas nos estudos e respectiva deficiência
abordada
Algoritmo ou Técnica de AM utilizada Artigos Deficiências
ANN (Redes Neurais Artificiais) A1, A10, A13, A22 Visual, motora, auditiva
CNN (Redes Neurais Convolucionais) A6, A8, A9, A11, A12, A14, Visual, auditiva, degenerativa
A19, A25
Faster R-CNN (R-CNN mais rápidas) A2, A24 Assistência a idosos, visual
QP2. Quais são os tópicos de estudo que tem sido pesquisado no contexto de TA baseada em AIoT?
Para fornecer uma ideia geral sobre os tópicos que estão sendo estudados com bases nos artigos primários
selecionados, foi criada uma nuvem de palavras utilizando as palavras chaves de cada um destes artigos, o que pode
ser visto na Figura 02.
Os tópicos de pesquisa nos artigos primários foram: Assisted Locomotion (locomoção assistida), Assisted Navigation
(navegação assistida), Facial Recognition (reconhecimento de fala), Human Activity Recognition (reconhecimento de
atividade humana), Image Captioning (legendagem de imagem), Object Detection (detecção de objetos), Object
Recognition (reconhecimento de objetos), OCR (reconhecimento óptico de caracteres), Scene-to-speech (descrição de
cena para fala), Self-Balancing Object (autobalanceamento de objetos), Smart Assistant (assistente inteligente), Speech
recognition (reconhecimento de fala), Rehabilitation (reabilitação), Text-to-speech (conversão de texto para fala) e
Text detection (detecção de texto). A Tabela 10 mostra os artigos onde estes tópicos ocorreram.
Assisted Navigation (navegação assistida) A3, A5, A6, A9, A17, A22, A26
Os dispositivos IoT utilizados nos artigos primários nas soluções propostas sem repetição foram: dispositivo portátil,
wearable, sensores diversos, smartphone, bengala, finger-worm, exoeskeleton, wheelchair e outros. A Tabela 11
mostra os artigos onde estes dispositivos foram utilizados.
Dispositivo Portátil A1, A2, A4, A5, A6, A7, A9, A13, A14, A17, A19, A20, A24, A25
Wearable A2, A4, A5, A6, A7, A11, A13, A21, A23, A25
Sensores Diversos A3, A9, A13, A15, A16, A18, A20, A22, A23
Finger-worm A8
Exoskeleton A10
Wheelchair A15
Outros A18
Dos artigos primários, 60% apresentaram a utilização das placas RaspberryPY, Arduino e Nvidia Jetson na construção
de seus dispositivos, respectivamente com os percentuais de 41%, 15% e 7%. A Tabela 12, apresenta os artigos que
utilizaram placas RaspberryPY, Arduino e Nvidia Jetson.
Tabela 12: Dispositivos IoT construídos sobre as placas RaspberryPY, Arduino e Nvidia Jetson.
Placa Artigo Primário
RaspberryPY A1, A4, A5, A7, A9, A13, A14, A17, A19, A24, A25
QP4. Existe disparidade no número de estudos encontrados de acordo com os problemas selecionados na
pesquisa?
De acordo com os artigos selecionados nesta RSL, existe uma disparidade muito grande no desenvolvimento de TA
baseada em AIoT em relação às deficiências selecionadas neste estudo. Sendo do total dos artigos, 52% deles
abordaram problemas relacionados a deficiência visual, 19% deles a deficiência auditiva e o restante distribuídos entre
deficiência motora 11%, doenças degenerativas 7% e 4% deficiência cognitiva. Isso mostra que a grande parte dos
desenvolvimentos de TA baseada em AIoT, dentro dos artigos selecionados, abordam a deficiência visual.
Em relação aos dispositivos IoT utilizados, observa-se o desenvolvimento de dispositivos portáteis em 50% dos artigos
sendo estes dispositivos por sua vez, são baseados nas placas RaspberryPy, Arduino e Nvidia Jetson respectivamente
41%, 15% e 7% dos casos. E ainda, apresentam a utilização de wearables em 37%, e smartphones em 26% dos artigos
primários, isso mostra, a tendencia de desenvolver TA desenvolvendo dispositivos portáteis próprios e o uso de
wearables e smartphones em sua maioria.
Sobre a questão de tópicos de pesquisa, como 52% dos estudos selecionados abordaram a deficiência visual, a maior
parte dos tópicos de pesquisa estão relacionadas ou baseadas em Visão Computacional (VC) como Scene-to-speech,
assisted navigation, sign recognition com VC, object recognition, facial recognition, text detection, image captioning,
ocr e smart assistant usando VC. E os demais tópicos abordando os demais problemas, tais como, sign recognition
usando luvas e sensores, assisted locomotion, human activity behaivor, reabilitation e self-balance objetct.
E por fim, observou-se que o maior número dos estudos de TA baseados em AIoT, foram voltados para a deficiência
visual em 50% dos casos, seguido por: deficiência auditiva em 19%, deficiência motora em 11%, doenças degenerativas
em 7% e cognitiva em 4%. Isso mostra uma concentração de estudos em deficiência visual e uma lacuna de
oportunidades de desenvolvimento para as demais deficiências.
Algumas ameaças a validade dos resultados foram levantadas, como os vieses na identificação de artigos primário e
extração de resultados, a seleção das bibliotecas digitais, e a quantidade de estudos selecionados na RSL. Como
trabalhos futuros para minimizar a primeira questão pretende-se adotar a revisão por pares nas etapas da RSL de
aplicação dos critérios de seleção, avaliação de qualidade e extração de dados. Para a segunda ameaça, incluir outras
bibliotecas digitais que não foram contempladas nesta RSL e que podem contribuir significativamente com a
abrangência de estudos primários. E a última, adotando uma estratégia de busca hibrida, podendo possivelmente
utilizar além da busca automatizada, o snowballing e a busca manual.
REFERÊNCIAS BIBLIOGRÁFICAS
[2] WHO - World Health Organization. World report on disability, 2011. https://apps.who.int/iris/handle/10665/44575
[5] ITS Brasil. Livro Branco Da Tecnologia Assistiva no Brasil, 2017. http://itsbrasil.org.br/wp-content/uploads/2018/12/Livro-
Branco-Tecnologia-Assistiva.pdftz
[6] Tien-Wen Sung, Pei-Wei Tsai, Tarek Gaber, Chao-Yang Lee, "Artificial Intelligence of Things (AIoT) Technologies
and Applications", Wireless Communications and Mobile Computing, vol. 2021, Article
ID 9781271, 2 pages, 2021. https://doi.org/10.1155/2021/9781271
[7] A. Hengle, A. Kulkarni, N. Bavadekar, N. Kulkarni and R. Udyawar, "Smart Cap: A Deep Learning and IoT Based
Assistant for the Visually Impaired," 2020 Third International Conference on Smart Systems and Inventive Technology (ICSSIT) , 2020, pp.
1109-1116, doi: 10.1109/ICSSIT48917.2020.9214140.
[8] C. J. Baby, A. Mazumdar, H. Sood, Y. Gupta, A. Panda and R. Poonkuzhali, "Parkinson's Disease Assist Device
Using Machine Learning and Internet of Things," 2018 International Conference on Communication and Signal Processing (ICCSP) ,
2018, pp. 0922-0927, doi: 10.1109/ICCSP.2018.8523831.
[9] Ker-Jiun Wang, Hsiao-Wei Tung, Zihang Huang, Prakash Thakur, Zhi-Hong Mao, and Ming-Xian You. 2018.
EXGbuds: Universal Wearable Assistive Device for Disabled People to Interact with the Environment Seamlessly. In
Companion of the 2018 ACM/IEEE International Conference on Human-Robot Interaction (HRI '18). Association for
Computing Machinery, New York, NY, USA, 369–370. DOI:https://doi.org/10.1145/3173386.3177836
[12] W. Chang et al., "A Deep Learning Based Wearable Medicines Recognition System for Visually Impaired
People," 2019 IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS) , 2019, pp. 207-208, doi:
10.1109/AICAS.2019.8771559.
[14] M. A. K. Al Shabibi and S. M. Kesavan, "IoT Based Smart Wheelchair for Disabled People," 2021 International
Conference on System, Computation, Automation and Networking (ICSCAN) , 2021, pp. 1-6, doi: 10.1109/ICSCAN53069.2021.9526427.
[15] S. Jacob et al., "AI and IoT-Enabled Smart Exoskeleton System for Rehabilitation of Paralyzed People in Connected
Communities," in IEEE Access, vol. 9, pp. 80340-80350, 2021, doi: 10.1109/ACCESS.2021.3083093.
[16] Kath, Elizabeth, Guimarães, Osorio Coelho and Buzato, Marcelo El KhouriPOSTHUMANISM AND ASSISTIVE
TECHNOLOGIES: ON THE SOCIAL INCLUSION/EXCLUSION OF LOW-TECH CYBORGS. Trabalhos em Linguística
Aplicada [online]. 2019, v. 58, n. 2 [Accessed 31 January 2022] , pp. 679-703. Available from:
<https://doi.org/10.1590/0103181386558805282019>. Epub 23 Sept 2019. ISSN 2175-764X.
https://doi.org/10.1590/0103181386558805282019.
[17] ATIA – Assistive Technology Industry Association. What is AT?, 2022. https://www.atia.org/home/at-resources/what-is-at/
[18] John McCarthy, “What is Artificial Intelligence?,” Computer Science Department Stanford University Stanford,
CA 94305, 2004, Available from: <http://jmc.stanford.edu/articles/whatisai.htmlf>
[20] Kapoor, Amita. (2019). Hands-On Artificial Intelligence for IoT: Expert machine learning and deep learning
techniques for developing smarter IoT systems.
[21] Katti Facelli et al. (2021) Inteligência Artificial: uma abordagem de aprendizado de máquina. 2. Ed. Rio de Janeiro:
LTC. ISBN: 978-85-216-3734-9.
[22] Sarker, I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research
Directions. SN COMPUT. SCI. 2, 420 (2021). https://doi.org/10.1007/s42979-021-00815-1
[23] Barbara Kitchenham, Pearl Brereton, A systematic review of systematic review process research in software
engineering, Information and Software Technology, Volume 55, Issue 12, 2013, Pages 2049-2075, ISSN 0950-5849,
https://doi.org/10.1016/j.infsof.2013.07.010.
https://doi.org/10.1016/j.infsof.2020.106271.
[26] Kitchenham, Barbara & Charters, Stuart. (2007). Guidelines for performing Systematic Literature Reviews in
Software Engineering. 2. Available from:
<https://www.researchgate.net/publication/302924724_Guidelines_for_performing_Systematic_Literature_Reviews_in_Software_Engineering >
[27] Katia Romero Felizardo et. al. Revisão Sistemática da Literatura em Engenharia de Software: Teoria e Prática. 1.
Ed. Rio de Janeiro: Elsevier, 2017. ISBN:978-85-345-8641-0.