An AI-Powered Intermediate Accessibility App for Visually Impaired Users with Real-Time Voice and Vibration Support
Notice bibliographique
Résumé
This paper presents the design and implementation of an AI-powered, multilingual smart assistant application aimed at enhancing smartphone accessibility for visually impaired individuals. Acting as an intermediate control layer, the application enables complete hands-free operation of essential mobile applications including WhatsApp, YouTube, Contacts, and Maps through intuitive voice commands. The system integrates a suite of assistive technologies to improve user autonomy and safety: voice-based app navigation; real-time emotion recognition; object and product identification using OCR and barcode/QR scanning; and fall detection with emergency alerts. A key innovation lies in the integration of a compact wearable camera attached to the user’s clothing and connected via Bluetooth to the smartphone which captures images of the surrounding environment. These images are processed on the mobile device, enabling real-time feedback through speech synthesis. The application supports multilingual interaction in English, Tamil, and Hindi, enhancing accessibility for diverse user groups. Developed using the Flutter framework, the system ensures cross-platform compatibility and is optimized for devices with limited hardware capabilities. This work contributes a scalable and inclusive solution that leverages artificial intelligence and wearable technology to empower visually impaired users. By bridging the gap between standard mobile interfaces and assistive needs, the proposed system promotes independence, mobility, and digital equity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».