Comprendre les technologies d'assistance basées sur l'IA pour la déficience visuelle : une revue des caractéristiques fonctionnelles
Understanding AI-powered assistive technologies for visual impairment: a review of functional features.
L’essentiel
Cette revue examine les développements récents des technologies d'assistance basées sur l'intelligence artificielle pour les personnes ayant une déficience visuelle, en se concentrant sur la détection d'objets, l'évitement d'obstacles, la navigation, le retour haptique et la conception centrée sur l'utilisateur. Une revue structurée de la littérature a été menée sur plusieurs bases de données, incluant 110 études publiées entre 2017 et 2025. Les résultats montrent des progrès substantiels dans les cannes intelligentes, les systèmes portables, les lunettes intelligentes et les applications pour smartphone, utilisant des approches basées sur la vision et l'apprentissage profond, ainsi que des capteurs ultrasoniques et LiDAR. Les retours haptiques et auditifs offrent des moyens alternatifs de transmettre des informations environnementales. Cependant, des défis subsistent dans les environnements dynamiques, notamment les exigences computationnelles et énergétiques, les fausses détections, la sensibilité environnementale, la charge cognitive, l'utilisabilité, l'abordabilité et la validation limitée dans le monde réel. Les approches multimodales et de pointe émergentes montrent un potentiel pour améliorer l'adaptabilité et l'accessibilité. Les technologies d'assistance basées sur l'IA ont un potentiel considérable pour améliorer la mobilité, la conscience environnementale, l'indépendance et la qualité de vie. Les recherches futures devraient se concentrer sur la perception multimodale, les modèles d'IA avancés, le retour adaptatif, les systèmes économes en énergie et l'évaluation à long terme centrée sur l'utilisateur, avec une plus grande attention à l'abordabilité, l'accessibilité et la validation dans le monde réel.
- Les technologies d'assistance basées sur l'IA pour la déficience visuelle comprennent des cannes intelligentes, des systèmes portables, des lunettes intelligentes et des applications pour smartphone.
- Les approches basées sur la vision et l'apprentissage profond soutiennent la reconnaissance d'objets et la perception de l'environnement, tandis que les capteurs ultrasoniques et LiDAR contribuent à la détection d'obstacles et à la navigation.
- Les retours haptiques et auditifs fournissent des moyens alternatifs de transmettre des informations environnementales.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette revue examine les développements récents des technologies d'assistance basées sur l'intelligence artificielle pour les personnes ayant une déficience visuelle, en se concentrant sur la détection d'objets, l'évitement d'obstacles, la navigation, le retour haptique et la conception centrée sur l'utilisateur. Une revue structurée de la littérature a été menée sur plusieurs bases de données, incluant 110 études publiées entre 2017 et 2025. Les résultats montrent des progrès substantiels dans les cannes intelligentes, les systèmes portables, les lunettes intelligentes et les applications pour smartphone, utilisant des approches basées sur la vision et l'apprentissage profond, ainsi que des capteurs ultrasoniques et LiDAR. Les retours haptiques et auditifs offrent des moyens alternatifs de transmettre des informations environnementales. Cependant, des défis subsistent dans les environnements dynamiques, notamment les exigences computationnelles et énergétiques, les fausses détections, la sensibilité environnementale, la charge cognitive, l'utilisabilité, l'abordabilité et la validation limitée dans le monde réel. Les approches multimodales et de pointe émergentes montrent un potentiel pour améliorer l'adaptabilité et l'accessibilité. Les technologies d'assistance basées sur l'IA ont un potentiel considérable pour améliorer la mobilité, la conscience environnementale, l'indépendance et la qualité de vie. Les recherches futures devraient se concentrer sur la perception multimodale, les modèles d'IA avancés, le retour adaptatif, les systèmes économes en énergie et l'évaluation à long terme centrée sur l'utilisateur, avec une plus grande attention à l'abordabilité, l'accessibilité et la validation dans le monde réel.
Résultats principaux
Les technologies d'assistance basées sur l'IA pour la déficience visuelle comprennent des cannes intelligentes, des systèmes portables, des lunettes intelligentes et des applications pour smartphone. Les approches basées sur la vision et l'apprentissage profond soutiennent la reconnaissance d'objets et la perception de l'environnement, tandis que les capteurs ultrasoniques et LiDAR contribuent à la détection d'obstacles et à la navigation. Les retours haptiques et auditifs fournissent des moyens alternatifs de transmettre des informations environnementales. Des défis subsistent dans les environnements dynamiques, notamment les exigences computationnelles et énergétiques, les fausses détections, la sensibilité environnementale, la charge cognitive, l'utilisabilité, l'abordabilité et la validation limitée dans le monde réel. Les approches multimodales et de pointe émergentes montrent un potentiel pour améliorer l'adaptabilité et l'accessibilité. Les recherches futures devraient se concentrer sur la perception multimodale, les modèles d'IA avancés, le retour adaptatif, les systèmes économes en énergie et l'évaluation à long terme centrée sur l'utilisateur.
Repères pour la pratique
Les technologies d'assistance basées sur l'IA pourraient améliorer la mobilité, la conscience environnementale, l'indépendance et la qualité de vie des personnes ayant une déficience visuelle. Les cliniciens et les rééducateurs devraient être conscients des avantages et des limites de ces technologies pour guider les recommandations et les adaptations. La prise en compte de la charge cognitive et de l'utilisabilité est essentielle lors de la sélection et de la mise en œuvre de ces dispositifs. Une validation à long terme dans le monde réel est nécessaire pour évaluer l'efficacité et l'acceptabilité de ces technologies.
Limites et précautions
L'article traite des technologies d'assistance pour la déficience visuelle, un sujet qui n'est pas directement lié aux troubles neurodéveloppementaux ou aux dimensions cliniques de NeuroWatch. La note est faible car le sujet est hors périmètre. La revue est basée sur un résumé uniquement, ce qui limite la possibilité d'évaluer la qualité méthodologique de la revue. Les détails spécifiques sur les critères d'inclusion et d'exclusion, la qualité des études incluses et les méthodes d'analyse thématique ne sont pas disponibles dans le résumé. La revue couvre la littérature jusqu'en 2025, mais les technologies évoluent rapidement, ce qui pourrait rendre certaines informations obsolètes.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
La revue systématique, basée sur une recherche documentaire structurée dans Scopus, Web of Science, IEEE Xplore, PubMed et Google Scholar (2017-2025), a inclus 110 études. Les auteurs rapportent un développement substantiel de technologies d'assistance basées sur l'IA, notamment des cannes intelligentes, des systèmes portables, des lunettes intelligentes et des applications pour smartphone. Les approches basées sur la vision et l'apprentissage profond soutiennent la reconnaissance d'objets et la perception de l'environnement, tandis que les technologies ultrasoniques et LiDAR contribuent à la détection d'obstacles et à la navigation. Les mécanismes de retour haptique et auditif offrent des moyens alternatifs de transmettre des informations environnementales. Cependant, les auteurs identifient des défis dans les environnements dynamiques, notamment les exigences computationnelles et énergétiques, les fausses détections, la sensibilité environnementale, la charge cognitive, l'utilisabilité, l'abordabilité et la validation limitée dans le monde réel. L'analyse NeuroWatch note que le résumé ne fournit pas d'informations sur l'existence d'un protocole de revue pré-défini ni sur l'évaluation du risque de biais des études incluses ; ces aspects ne sont pas rapportés dans la source analysée. De plus, aucune donnée quantitative sur les tailles d'effet, les intervalles de confiance ou les valeurs p n'est fournie dans le résumé. L'analyse est automatisée et basée uniquement sur le résumé, ce qui limite la vérification des détails méthodologiques complets.
protocolNon déterminable
Le résumé ne mentionne pas l'existence d'un protocole de revue systématique pré-défini ou enregistré.
L’information nécessaire n’est pas rapportée dans la source analysée.risk of biasNon déterminable
Aucune information sur l'évaluation du risque de biais des études incluses n'est fournie dans le résumé.
L’information nécessaire n’est pas rapportée dans la source analysée.search strategyFavorable
La stratégie de recherche est documentée avec les bases de données interrogées (Scopus, Web of Science, IEEE Xplore, PubMed, Google Scholar) et la période de recherche (2017-2025).
Un élément méthodologique adéquat est explicitement documenté.study selectionFavorable
Le processus de sélection des études est décrit avec des critères d'inclusion et d'exclusion prédéfinis.
Un élément méthodologique adéquat est explicitement documenté.synthesis methodFavorable
La méthode de synthèse est documentée : extraction d'informations sur le type d'appareil, les techniques d'IA et de détection, les approches de navigation, les mécanismes de retour et les considérations centrées sur l'utilisateur, suivie d'une analyse thématique.
Un élément méthodologique adéquat est explicitement documenté.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Revue systématique
- Source
- PubMed — neurosciences cognitives developpementales
- Date
- 19 août 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée