技术领域
[0001] 本实用新型涉及视觉控制设备技术领域，具体地说是一种基于眼动信号捕捉的动作判定装置。
相关背景技术
[0002] 现有的感知技术主要集中于各种类型的传感器领域，对于人类大脑的感知仅停留在研究领域，并不能实际应用于现实场景中。一方面，每个人的脑部信号反馈机制有所差异，低性能设备缺少信号精细化处理机制。另一方面，此类感知模型体积较大，需要部署至云端进行数据处理，导致终端设备的普适性造成了影响。
具体实施方式
[0021] 下面结合具体实施例对本实用新型作进一步说明。
[0022] 本实用新型实施例提供了一种基于眼动信号捕捉的动作判定装置，如图1所示，包括头戴式便携脑电信号采集器和微控制器端设备，头戴式便携脑电信号采集器与微控制器端设备有线或无线连接实现数据传输。
[0023] 头戴式便携脑电信号采集器包括EEG采集装置、微处理器、通讯模块Ⅰ和电源Ⅰ，电源Ⅰ分别连接所述EEG采集装置、微处理器和通讯模块Ⅰ；所述微处理器分别连接EEG采集装置和通讯模块Ⅰ；
[0024] 微控制器端设备包括控制端微处理器、控制总线、通讯模块Ⅱ和电源Ⅱ，电源Ⅱ分别连接所述控制端微处理器和通讯模块Ⅱ，控制端微处理器连接控制总线，控制总线用于连接控制终端设备。
[0025] 电源Ⅰ和电源Ⅱ均为3.3V电源。
[0026] 所述头戴式便携脑电信号采集器与微控制器端设备通过WiFi/4G无线通讯连接。本实施例中，头戴式便携脑电信号采集器的通讯模块Ⅰ为4G模块，该4G模块通过UART与微处理器连接；EEG采集装置通过UART与微处理器连接。
[0027] 所述微控制器端设备的通讯模块Ⅱ为4G模块，该4G模块通过UART与控制端微处理器。
[0028] 控制端微处理器采用ESP32微控制器。控制端微处理器连接模型训练装置。模型训练装置可通过TinyML进行机器学习模型训练，得到轻量化模型部署于控制端微处理器。
[0029] 控制端微处理器还连接有存储元件，存储元件用于存储供模型训练的EEG信号数据。
[0030] 头戴式便携脑电信号采集器通过EEG采集装置收集用户的眼动信号及脑电波视觉区域的信号，然后配合对应的动作标签，通过微处理器进行眼动行为的脑电波信号分析、数据处理等；并结合物联网技术将眼动信号传输至微控制器端设备，控制端微处理器部署轻量化推理模型，在接收到脑信号数据时进行模型推理，并根据推理结果进行控制终端设备的动作控制。
[0031] 参考图2所示，根据实验收集的数据进行TinyML模型的训练，然后将模型部署到微控制器端设备。利用EEG采集装置融合物联网通讯模组，将收集到的视觉脑电波信号传输至微控制器端设备，根据部署的TinyML模型进行推理，根据推理的结果进行终端设备的进一步控制。
[0032] 存储元件存储的供模型训练的EEG信号数据可以是EEG采集装置采集的眼动数据，每当屏幕出现眼动提示开始记录EEG数据，眼动提示消失停止记录EEG数据，然后将作为一组数据通过EEG采集装置和通讯模组发送至微控制器端设备存入存储元件。模型训练装置根据存储的眼动和EEG信号的数据集通过数据处理、模型训练、模型量化和模型部署可以得到适用于微控制器端设备的轻量化模型。可以提高数据预处理的效率，提前组成规律化、可读性的数据集。同时，配合微控制器端设备，实时将脑信号数据发送至微控制器中，进行模型的推理，根据推理结果进行设备的控制或根据推理结果可以进行视觉控制或者脑电控制等应用的开发。
[0033] 本装置可应用至各种需要视觉信号来进行控制的应用场景，可以彻底解放双手的束缚，扩展更多样化的应用方法。
[0034] 通过上面具体实施方式，所述技术领域的技术人员可容易的实现本实用新型。但是应当理解，本实用新型并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。
[0035] 除说明书所述的技术特征外，均为本专业技术人员的已知技术。
