Desenvolvimento de um Sistema Inteligente para Controle de uma Cadeira de Rodas para Usuários Tetraplégicos Matheus Sousa Bezerra, Fernando Vernal Salina Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) - Boituva SP Brasil matheus.sb@outlook.com, fsalina@ifsp.edu.br Abstract. This work describes the development process of an intelligent system of wheelchair controlling by tetraplegic users. By using Artificial Neural Networks, it will be possible, at the end of this project, to simulate the process of human cerebral learning, allowing the system to learn how to identify different users' ocular patterns and adapt itself to each one of them, sending commands to a motorized wheelchair, both in an autonomous manner. Resumo. Este artigo descreve o processo de desenvolvimento do sistema inteligente para controle de uma cadeira de rodas por usuários tetraplégicos. Utilizando-se de Redes Neurais Artificiais, será possível, ao final deste projeto, simular o processo da aprendizagem cerebral humana a fim de que o sistema aprenda a identificar diferentes padrões oculares nos usuários e adaptar-se a cada um, enviando comandos a uma cadeira de rodas motorizada, ambos de maneira autônoma. 1. Introdução Este trabalho descreve a implementação de um módulo para o desenvolvimento de um controle biométrico de uma cadeira de rodas para usuários tetraplégicos. Para tal fim, foi implementado um sistema de reconhecimento biométrico em uma cadeira de rodas motorizada, permitindo ao usuário controlá-la somente pela visão. Dessa forma, usuários tetraplégicos poderão locomover-se com maior facilidade e autonomia, aumentando a acessibilidade desse grupo de pessoas. O trabalho em questão apresenta um algoritmo que define a direção para a qual dirige o olhar do usuário, visto que o algoritmo de localização e rastreamento do olhar pertence a outro projeto. Para realizar tal atividade propõe-se o uso de RNAs (Redes Neurais Artificiais), tendo em vista que trata-se de um sistema nãodeterminístico, dado à natureza do problema. 2. Fundamentação Teórica [Lewis 2006], explica que as Redes Neurais Biológicas (conforme ilustrado na figura 1) funcionam da seguinte maneira: nossos cérebros contêm cerca de 10 11 de neurônios, cada um consiste de um corpo celular, um conjunto de dendritos (levam informações eletroquímicas para a célula) e um axônio (transmite informações eletroquímicas para fora da célula). Um neurônio produz uma saída (output) ao longo de seu axônio, sendo acionado quando o efeito coletivo de suas entradas (inputs) alcança um determinado limiar. O axônio pode influenciar dendritos de outro neurônio por meio de ligações denominadas sinapses. [Lewis 2006] também explica que algumas sinapses gerarão um efeito positivo no dendrito, incentivando o neurônio a disparar, enquanto outras irão produzir um efeito negativo, desestimulando-o a disparar. Um único neurônio recebe entradas a partir de aproximadamente 10 5 sinapses e a quantidade de sinapses no nosso cérebro pode ser da ordem de 10 16. Embora não se saiba exatamente como os processos de aprendizagem e memória 249
aconteçam no cérebro humano, acredita-se que estão associados às sinapses - as interconexões entre os neurônios. As Redes Neurais Artificiais (RNAs) foram projetadas para que o funcionamento das Redes Neurais Biológicas seja recriado por meios tecnológicos. Embora não seja possível recriar tecnologicamente o processo de aprendizagem do cérebro humano em sua totalidade com o aparato tecnológico disponível atualmente, é possível simulá-la, de forma mais simples, permitindo que um software possa aprender a realizar uma tarefa e desempenhá-la de forma autônoma. Segundo [Silva, Spatti e Flauzino 2010], Redes Neurais Artificiais podem ser implementadas para os mais variados fins, aproveitando-se de sua capacidade de aprendizagem a partir da apresentação de amostras. Com a implementação correta de uma Rede Neural Artificial, é possível treinar o software para capturar e seguir os olhos, enviando comandos à cadeira de acordo com sua posição, como piscar duas vezes para parar ou virar à direita ao olhar para esse lado. 2.1 Perceptron Figura 1: [Barra 2013], Neurônio Biológico. Um Perceptron, uma das primeiras RNAs, define-se como uma simples rede neural de neurônio único, com suas respectivas camadas input e output. Comumente utilizado como um classificador linear, restringindo-se à solução de problemas linearmente separáveis. A figura apresenta um exemplo de um neurônio artificial que pode ser implementado utilizando o algoritmo de Perceptron. Figura 2: [Barra 2013], Ilustração de uma rede Perceptron. 2.2 Perceptron Multi-Camadas (Multi-Layer Perceptron MLP) Multi-Layer Perceptron (MLP) é uma rede neural artificial feedforward com mais de uma camada entre as de input e output. Feedforward significa que os dados percorrem a rede neural do input ao output. MLPs são amplamente utilizadas para classificação de padrões, reconhecimento, previsão e aproximação, sendo capazes de resolver problemas não linearmente separáveis. 250
3. Metodologia Figura 3: [Neuroph 2014], Multi-Layer Perceptron. A proposta deste trabalho é a utilização de Redes Neurais Artificiais para reconhecimento da posição dos olhos do usuário da cadeira e, com isso, enviar comandos para a movimentação da mesma. Para que a implementação ocorra, é necessária a presença de parâmetros de entrada, possibilitando o aprendizado e então o processamento, e os de saída, sendo esses os resultados do processamento. De forma sucinta, as variáveis de entrada são os dados já préprocessados da imagem capturada por uma webcam direcionada para os olhos e de saída o resultado desse processamento, ou seja, a posição dos olhos. A Rede Neural receberá os dados de entrada, podendo conter ruídos, e utilizará um algoritmo para treinamento que, após a aprendizagem, permita a análise dos dados e determine a posição dos olhos; com isso, comandos então podem ser utilizados para ditar a direção a ser seguida pela cadeira. Através de um dispositivo móvel, tablet ou smartphone, posicionado na cadeira de rodas, de frente para o usuário, é possível utilizar sua câmera para detecção dos olhos e, através de um sistema inteligente instalado no mesmo, realizar a comunicação com a interface de hardware, repassando-a os comandos correspondentes à posição dos olhos. Utilizou-se para fins de testes o micro controlador Arduino com um módulo Bluetooth e o sistema inteligente desenvolvido para Android. Para um maior aproveitamento do conteúdo, bem como ter a possibilidade de testar conceitos ligados ao desenvolvimento do projeto, optou-se por utilizar duas plataformas como apoio: Neuroph [Neuroph 2014] e OpenCV [OpenCV 2014]. Neuroph é um framework de código aberto em Java para a modelagem de arquiteturas comuns de Redes Neurais, disponível para Windows e Linux. Desenvolvedores, estudantes e pesquisadores ao redor do mundo estão utilizando-o para as mais variadas finalidades dentro do campo de Redes Neurais, mostrando-se uma ferramenta eficaz para implementações mais práticas e eficientes. O OpenCV é uma biblioteca de código aberto para a área de visão computacional e aprendizado de máquina, livre tanto para uso pessoal quanto para comercial. Possui mais de 2500 algoritmos otimizados, podendo ser utilizados para reconhecimento de faces e objetos, por exemplo. Possui suporte para o Linux, Windows e MacOS, além de interfaces para MATLAB, Java, C++, C e Python. Conta com uma comunidade de mais de 47 milhões de usuários, além de ser utilizado por empresas de grande porte como Google, Intel e Microsoft. Outros softwares também foram parte integrante do projeto, como o Android Studio [Android Studio 2014], IDE criada pela Google exclusivamente para o desenvolvimento de aplicativos Android, Arduino IDE [Arduino IDE 2014], utilizado para explorar a comunicação por Blutooth entre dispositivos Android e o Arduino a nível de código. O GIMP [GIMP 2014] (The GNU Image Manipulation Program O Programa GNU de Manipulação de Imagem) 251
foi utilizado para edições das imagens utilizadas na interface gráfica do sistema para controle da cadeira de rodas no Android. Vale frisar que todo o conteúdo gráfico da interface é de autoria própria ou obtido sob licença free for commercial use - livre para uso comercial. 4. Resultados O projeto encontra-se finalizado. Dentre os resultados, obteve-se, principalmente, a criação da interface gráfica de controle da cadeira de rodas por dispositivos Android, bem como a comunicação entre a interface de hardware e o sistema Android via Blutooth, além da vinculação de um algoritmo em OpenCV para detecção de rostos. Este último utilizado para fins de testes, sendo futuramente substituído pelo algoritmo de detecção de olhos, em atual fase de desenvolvimento. Utilizou-se também plataformas para reconhecimento de imagens (Neuroph e OpenCV), tanto para PC quanto para Android, com implementação temporária dos conceitos para testes, confirmando ainda mais o potencial da pesquisa. Figura 4: Janela principal do Sistema. Figura 5: Controle manual da cadeira de rodas. Figura 6: Aprendizagem de máquina. 252
Figura 7: Conexão Bluetooth. Figura 8: Bluetooth ativado. Figura 9: Busca por dispositivos. Referências Figura 10: Seleção de dispositivos pareados. Lewis, Paul. Analogy between human and artificial neural nets. Acesso em Setembro de 2014. Disponível em: <http://users.ecs.soton.ac.uk/phl/ctit/nn/node2.html>. Silva, I. N.; Spatti, D. H.; Flauzino, R. A. (2010). Redes neurais artificiais: para engenharia e ciências. São Paulo: ArtLiber, 399 p. BARRA, Fernanda. (2013). PET Engenharia Civil UFJF. Redes neurais artificiais. Acesso em 16 de abril de 2015. Disponível em: <http://blogdopetcivil.com/2013/07/05/redes-neuraisartificiais/>. 253
Neuroph: Java Neural Network Framework. Acesso em Setembro de 2014. Disponível em: <http://neuroph.sourceforge.net/>. OpenCV: Open Source Computer Vision. Acesso em Setembro de 2014. Disponível em: <http://opencv.org/>. Android Studio. Acesso em Setembro de 2014. Disponível em: <https://developer.android.com/sdk/installing/studio.html>. Arduino IDE. Acesso em Setembro, 2014. Disponível em: <http://arduino.cc/en/main/software>. GIMP. Acesso em Setembro de 2014. Disponível em: <http://www.gimp.org/>. 254