codeMAG EduRobots / EduRobots Εκπαιδευτική Ρομποτική
EyeBlink Tracker: Έλεγχος χρόνου χρήσης οθονών μέσω καταμέτρησης βλεφαρισμών
Σήμερα, ο μέσος άνθρωπος περνά περίπου 6 ώρες και 45 λεπτά την ημέρα στις οθόνες. Αυτή η εκτεταμένη χρήση, εκτός από τις επιπτώσεις στην υγεία των ματιών, τον επηρεάζει αρνητικά παράλληλα σε ψυχολογικό και κοινωνικό επίπεδο. Η έντονη συγκέντρωση για μεγάλο χρονικό διάστημα μειώνει το βλεφάρισμα. Τα blinks είναι απαραίτητα καθώς απλώνουν τα δάκρυα στην επιφάνειά των ματιών και τα προστατεύουν από ερεθισμούς και μικρόβια. Χωρίς αυτά, εμφανίζεται ξηροφθαλμία, τσούξιμο, κάψιμο, κοκκίνισμα, θολή όραση και πονοκέφαλος. Ο τυπικός ρυθμός βλεφαρισμών σε ηρεμία για τους ενήλικες είναι περίπου 12–20 βλεφαρισμοί ανά λεπτό. Ωστόσο, μπορεί να μειωθεί (ακόμη και κάτω από 7 βλεφαρισμούς ανά λεπτό) κατά τη διάρκεια απαιτητικής εργασίας μπροστά σε οθόνη. Επομένως, η συσχέτιση των βλεφαρισμών με την κόπωση, κατά τη χρήση οθονών, είναι άμεση και η καταμέτρηση τους μπορεί να αξιοποιηθεί ως μέτρο κόπωσης αλλά και ως εργαλείο εκπαίδευσης του ανθρώπου για την αποφυγή σε υπερέκθεση ή κοινωνική απομόνωση.
Η λύση που προτείνουμε είναι η καταγραφή των βλεφαρισμών ανά λεπτό, μέσω αισθητήρα, κατά τη χρήση οθονών και η σύγκρισή τους με τον φυσιολογικό ρυθμό κάθε χρήστη, ώστε να ανιχνεύεται η κόπωση, ακόμη και όταν ο άνθρωπος δεν την αντιλαμβάνεται. Έτσι, η τεχνολογία αξιοποιείται ως εργαλείο εκμάθησης και διαχείρισης χρόνου, για όσους περνούν πολλές ώρες μπροστά σε οθόνες. Ειδοποίηση μέσω εφαρμογής θα τους ενημερώνει, όταν οι βλεφαρισμοί παραμένουν κάτω από το φυσιολογικό παρατεταμένα. Έρευνες έδειξαν ότι ένας τρόπος ξεκούρασης των ματιών είναι ο κανόνας 20-20-20, όπου έπειτα από 20 λεπτά μπροστά στην οθόνη πρέπει ο χρήστης να στρέφει το βλέμμα για 20 δευτερόλεπτα σε κάτι που βρίσκεται τουλάχιστον 20 πόδια (6 μέτρα) μακριά. Με την πρόταση μας, ο χρόνος αυτός θα προσαρμόζεται στις ανάγκες του κάθε ανθρώπου με βάση το δικό του ρυθμό βλεφαρισμών μετά τα 20 λεπτά.
play_arrow
Για την έρευνα μας σχετικά με τους βλεφαρισμούς αξιοποιήσαμε διάφορες πηγές και επιστημονικά άρθρα συνδυαστικά από το διαδίκτυο αλλά και την AI μηχανή αναζήτησης της Google. Συγκεκριμένα:
https://pmc.ncbi.nlm.nih.gov/articles/PMC10391416/
https://my.clevelandclinic.org/health/articles/blinking
https://en.wikipedia.org/wiki/Blinking
https://seemaeye.com/how-often-should-you-blink-train-your-eyes-to-blink-naturally-again/
Blink Rate and Incomplete Blinks in Six Different Controlled Hard-Copy and Electronic Reading Conditions - Marc Argiles, Genis Cardona, Elisabet Perez-Cabre, and Margarita Rodrıguez
Επίσης, για τη σωστή σύνδεση του κυκλώματος μας και τη κατανόηση της αρχής λειτουργίας του αισθητήρα μελετήσαμε τις πηγές που αναφέρονται παρακάτω:
https://randomnerdtutorials.com/arduino-apds9960-gesture-sensor/
https://cdn.sparkfun.com/assets/learn_tutorials/3/2/1/Avago-APDS-9960-datasheet.pdf
Τέλος, για το προγραμματισμό του αισθητήρα, τη σύνδεση στο WiFi και την επικοινωνία με το App Inventor, κατεβάσαμε τις απαραίτητες βιβλιοθήκες, όπου μέσω των παραδειγμάτων που διαθέτουν καταφέραμε να φτιαξουμε ένα βασικό προγραμματισμό για τα επιμέρους κομμάτια του πρότζεκτ, ώστε τελικά να τα συνδυάσουμε. Σε αυτό χρήσιμο εργαλείο ήταν το ChatGPT, που μας βοηθούσε να εντοπίζουμε τα λάθη μας όταν κάτι δεν λειτουργούσε σωστά και τελικά να βελτιώσουμε τον κώδικα μας να εκτελεί ακριβός αυτό που είχαμε σκεφτεί.
https://github.com/sparkfun/SparkFun_APDS-9960_Sensor_Arduino_Library
Μέλη ομάδας: ΜΙΧΑΗΛ ΧΑΤΖΑΚΗΣ Β' Γυμνασίου, ΓΕΩΡΓΙΟΣ ΔΡΑΓΑΣΑΚΗΣ Β' Γυμνασίου, ΑΓΓΕΛΟΣ ΔΡΑΚΟΓΙΑΝΝΑΚΗΣ Β' Γυμνασίου