CN108628007B - 近视防控眼镜及镜腿 - Google Patents

Abstract

本发明提供了一种近视防控眼镜，包括镜框和镜腿，所述镜腿包括：镜腿壳体，以及集成在所述镜腿壳体中的：数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离和光照强度的数据；主控模块，用于根据所述用眼状态数据对用眼行为进行判断，生成提醒指令；提醒模块，用于在接收提醒指令时产生提醒信号以提醒用户。本发明还相应提供了一种镜腿。本发明通过将近视防控的功能集成在镜腿中，使得近视防控眼镜的外观与普通眼镜无异，更利于用户在各种场景下使用，同时可以跟踪用户的用眼数据，针对用眼过程中的不良用眼习惯实时提醒。

Description

近视防控眼镜及镜腿

技术领域

本发明电子产品技术领域，尤其涉及一种近视防控眼镜及镜腿。

背景技术

近视眼镜是一种普通消费品，用于近视矫正。但近视眼镜无法阻止近视的加深。并且近视的发生与危害都是不可逆的。高度近视容易产生各类眼底病变，造成严重的永久性的视功能损害。近视的可遗传性和家族聚集性，会影响我国未来的人口素质。

目前市场上出现了一些对用眼行为进行提醒的近视防控设备。然而，这些设备往往需要在眼镜上安装额外的检测装置，例如通过夹在镜腿上方或者外侧从而对用眼行为进行监控的云夹。这些额外安装的检测装置通常会影响眼镜的外观，容易引起他人注意，让佩戴者有被歧视的感觉。

因此，亟待开发一种能够对近视行为进行提醒，且不影响眼镜外观的近视防控设备。

进一步地，因为检测传统的用眼行为数据(用眼距离、用眼时长、环境光照)可以一定程度上去预测当前用眼健康、疲劳状态，但是这些是人体外指标，并且每个人视觉疲劳阀值都不一样，因此很难准确的描述当前使用状态是否会造成视觉疲劳。因此，近视防控设备还需进一步具有个性化预测视疲劳的功能。

发明内容

本发明要解决的技术问题在于，针对上述现有技术中的一个或多个缺陷，提供一种近视防控眼镜及镜腿。

为了解决上述技术问题，本发明第一方面，提供了一种近视防控眼镜，包括镜框和镜腿，所述镜腿包括：镜腿壳体，以及集成在所述镜腿壳体中的：

数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离、光照强度和用眼角度的数据；

主控模块，用于根据所述用眼状态数据对用眼行为进行判断，生成提醒指令；

提醒模块，用于在接收提醒指令时产生提醒信号以提醒用户。

在根据本发明所述的近视防控眼镜中，所述数据采集模块包括：

距离传感器，用于测量用户的用眼距离的数据；

光强传感器，用于测量光照强度的数据；

角度传感器，用于测量用眼角度与偏头角度；

所述距离传感器和光强传感器均位于所述镜腿壳体前侧开口处。

在根据本发明所述的近视防控眼镜中，所述提醒模块包括安装在镜腿前部的LED指示灯和震动马达；所述近视防控眼镜还包括安装在镜腿尾部的电池和充电磁吸母座；所述镜腿前部和尾部之间通过耳挂部进行连接。

在根据本发明所述的近视防控眼镜中，所述镜框和镜腿可拆卸连接；所述镜框端部具有上侧缘和下侧缘，所述镜腿前部卡设于所述上侧缘和下侧缘之间且通过镜框用螺丝连接。

在根据本发明所述的近视防控眼镜中，所述镜腿前部内侧壁上安装有与耳前肌贴合的力传感器，所述力传感器用于测量拉力或张力给所述主控模块；所述主控模块包括眨眼检测单元，用于接收所述力传感器采集的所述拉力或张力判断是否符合眨眼动作的条件，是则计入一次眨眼动作。

在根据本发明所述的近视防控眼镜中，所述眨眼检测单元检测到力传感器受到向前方的力且大于预设阈值时判定完成一次闭眼动作，当检测到力传感器受到向后方的力且大于预设阈值时判定完成一次睁眼动作，所述主控模块在连续时间间隔内先后连续检测到完成一次闭眼动作和睁眼动作时，判断符合眨眼动作的条件。

在根据本发明所述的近视防控眼镜中，所述主控模块还包括：

眨眼次数预测单元，用于根据历史的用眼状态数据预测预设时间m后的单位时间内眨眼次数BlinkCnt_t+m；

疲劳判断单元，用于判断所述眨眼次数预测单元预测的单位时间内眨眼次数BlinkCnt_t+m是否满足以下公式，是则判断眼部进入疲劳状态，产生眼疲劳提醒指令：

BlinkCnt_t+m≥1/2（BlinkCnt_tried+BlinkCnt_avg）

其中BlinkCnt_avg为预先测得的当前用户在光照大于1000lux下的单位时间眨眼次数的均值，BlinkCnt_tried为预先测得的用户持续近距离用眼时长超过20分钟后的单位时间内眨眼次数的均值。

在根据本发明所述的近视防控眼镜中，所述眨眼次数预测单元用于构建基于Attention机制的多层LSTM模型，其中输入编码器的数据为当前分钟的平均用眼距离D_t、持续近距离用眼时长T_{max_t}、当前分钟的平均光照强度L_t，输入解码器的数据为当前分钟的眨眼次数BlinkCnt_t。

在根据本发明所述的近视防控眼镜中，所述近视防控眼镜还包括：脑电波播放模块，脑电波播放模块，用于在眼疲劳提醒指令时播放α脑波音乐，在接收到停止眼疲劳提醒指令时停止播放α脑波音乐。

本发明还提供了一种近视防控镜腿，包括：镜腿壳体，以及集成在所述镜腿壳体中的：

数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离、光照强度和用眼角度的数据；

主控模块，用于根据所述用眼状态数据对用眼行为进行判断，生成提醒指令；

提醒模块，用于在接收提醒指令时产生提醒信号以提醒用户。

实施本发明的近视防控眼镜及镜腿，具有以下有益效果：

1、本发明通过将近视防控的功能集成在镜腿中，使得近视防控眼镜的外观与普通眼镜无异，更利于用户在各种场景下使用；同时可以跟踪用户的用眼数据，针对用眼过程中的不良用眼习惯实时提醒；

2、本发明提供了镜腿的一种具体结构设计方案，将LED指示灯和震动马达安装在镜腿前部，将镜腿尾部的电池和充电磁吸母座安装在镜腿尾部，镜腿前部和尾部之间通过耳挂部进行连接，从而充分且合理地利用镜腿内部空间。

3、本发明的近视防控眼镜的镜腿为可拆卸设计，可以灵活地进行组装，并可在发生故障时拆下了进行维修或者更换。

4、本发明的近视防控眼镜还通过在镜腿前部内侧壁上安装有与耳前肌贴合的力传感器来检测耳前肌运动情况，进而判断眨眼动作，该方法简单易行，且准确率高。

5、本发明的近视防控眼镜还构建基于Attention机制的多层LSTM模型，并根据历史的用眼状态数据来预测未来时间段的单位时间内眨眼次数，进而判断眼部是否进入疲劳状态，该眼疲劳评估及预测方法很好地结合了用眨眼次数的生理指标及用眼负荷状况，提高了眼疲劳预测的准确性，更有利于进行近视防控。

6、本发明的近视防控眼镜还可以在接受到眼疲劳提醒指令播放α脑波音乐，以缓解用眼疲劳。

附图说明

图1为根据本发明优选实施例的近视防控眼镜的立体结构图；

图2为根据本发明优选实施例的近视防控眼镜中镜腿的内部结构图；

图3为根据本发明的近视防控眼镜眨眼动作检测的原理示意图；

图4为根据本发明的基于Attention机制的多层LSTM模型的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为根据本发明优选实施例的近视防控眼镜的立体结构图。图2为根据本发明优选实施例的近视防控眼镜中镜腿的内部结构图。如图所示，该实施例提供了一种近视防控眼镜，包括镜框1和镜腿2，其特征在于，所述镜腿2包括：镜腿壳体20，以及集成在所述镜腿壳体20中的：数据采集模块、提醒模块和提醒模块。

其中数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离、光照强度和用眼角度的数据。优选地，数据采集模块包括：距离传感器、光强传感器和角度传感器。距离传感器用于测量用户的用眼距离的数据。光强传感器，用于测量光照强度的数据。其中距离传感器优选采用红外测距传感器，包括一对红外信号的发射模块与接收模块。红外线的传播是需要时间的，根据红外线从发射模块发出，碰到反射物回来后被接收模块接收到所消耗的时间乘以红外线的传播速度可以计算出距离传感器与被测物之间的距离，即用眼距离。角度传感器则用于测量用眼角度与偏头角度。

主控模块与所述数据采集模块电连接，用于根据用眼状态数据对用眼行为进行判断，生成提醒指令。例如，主控模块用于在用眼距离、光照强度或者偏头角度各自超出预设范围时发送提醒指令。

提醒模块用于在接收提醒指令时产生提醒信号以提醒用户。优选地，该提醒模块包括：震动马达23，用于在接收提醒指令时产生震动；和/或LED指示灯24，用于在接收提醒指令时产生光信号。

如图2所示，提供了本发明的近视防控眼镜的一种具体镜腿内部构造。镜腿至少包括镜腿壳体20，以及安装在镜腿壳体20内的主板21、感应芯片22、震动马达23和LED指示灯24。其中镜腿壳体20包括外侧壳和内盖，外侧壳和内盖扣合后形成封闭的内部空间。优选地，镜腿前部和尾部之间通过中间的耳挂部进行连接，则本发明中镜腿2的内部空间被耳挂部分成前部空间和后部空间。其中主板21平行于所述外侧壳的外侧面安装于镜腿2的前部空间内。感应芯片22置于主板21的前端，且感应芯片22上安装有距离传感器和光强传感器，且距离传感器和光强传感器均位于镜腿壳体20的前侧开口处，在感应芯片22上覆盖透明镜片从而封装于外侧壳的前端。优选地，距离传感器和光强传感器的感应面的法线与镜腿壳体20长度方向的轴线的夹角为10°～15°，从而更贴近真实阅读用眼。主板21上安装有主控模块(图中未示出)和LED指示灯24。优选地，主板21上还安装有开关按键25。震动马达23安装在镜腿2的前部空间内主板21后方的位置。镜腿前部空间还可进一步安装角度传感器(图中未示出)。该近视防控眼镜还包括安装在镜腿尾部空间的电池26和充电磁吸母座27，充电磁吸母座27用于为电池26充电。

优选地，本发明的近视防控眼镜的两条镜腿中包括一条如图2所示的智能镜腿和一条普通镜腿。镜框和镜腿为可拆卸连接，镜框端部具有上侧缘11和下侧缘12，所述镜腿前部卡设于上侧缘11和下侧缘12之间且通过镜框用螺丝3连接。

在本发明更优选的实施例中，镜腿前部内侧壁上安装有与耳前肌贴合的力传感器(图中未示出)，该力传感器用于测量拉力或张力给主控模块，且主控模块还用于根据所述力传感器采集的所述拉力或张力判断是否符合眨眼动作的条件，是则计入一次眨眼动作。正常情况下，人每分钟平均眨眼约18次，但玩手机看电脑的时候，就容易忘记眨眼研究显示使用电脑或者其他数码设备时，眨眼次数会减半。长时间阅读、写作或者其他注意力集中，近距离工作都会导致眼疲劳。如图3所示，人眨眼时，眼轮匝肌通过自主地持续收缩，牵动其上的皮肤，完成眨眼动作。眼轮匝肌的收缩会牵动耳前肌的收缩与扩张。本发明通过在眼镜镜腿前部内侧壁上(与皮肤接触的一边)安装力传感器，用于测量拉力或张力。当眨眼动作发生时，眼轮匝肌的收缩会牵动耳前肌的收缩，力传感器检测到耳前肌的运动过程，符合设定的阀值，则计入一次眨眼动作。

如图3所示，我们将眨眼动作分成两个部分，闭眼和睁眼。眨眼动作的条件如下：

闭眼动作时：眼轮匝肌收缩，带动耳前肌收缩，力传感器检测到向前方的力，大于预设阀值，则判定当前完成了一次闭眼动作。

睁眼动作：眼轮匝肌扩张，带动耳前肌扩张，力传感器检测到向后方的力，大于预设阀值，则判定当前完成了一次睁眼动作。

人每次眨眼要用时在300ms以上，力传感器每隔100ms检测一次当前力的状态，主控模块判断连续在一定时间间隔里，即预设时间段内连续发生了闭眼动作、睁眼动作，则判定为一次眨眼动作。优选地，当检测到闭眼动作时，启动计时，当在时间间隔400ms内检测到睁眼动作，则判定为一次眨眼动作。

在本发明更优选的实施例中，还基于眨眼次数对用户的疲劳状态进行判断。优选地，主控模块还包括：眨眼次数预测单元和疲劳判断单元。

其中，眨眼次数预测单元，用于根据历史的用眼状态数据预测预设时间m后的单位时间内眨眼次数BlinkCnt_t+m；优选地，m＝5。

疲劳判断单元用于判断所述眨眼次数预测单元预测的时刻t+m的单位时间内眨眼次数BlinkCnt_t+m是否满足以下公式，是则判断眼部进入疲劳状态，产生眼疲劳提醒指令：

BlinkCnt_t+m≥1/2(BlinkCnt_tried+BlinkCnt_avg)；

其中BlinkCnt_avg为预先测得的当前用户在光照大于1000lux下的单位时间眨眼次数的均值，BlinkCnt_tried为预先测得的用户持续近距离用眼时长超过20分钟后的单位时间内眨眼次数眨眼频率的均值。例如，当前时刻预测5分钟后的单位时间内眨眼次数BlinkCnt_t+5，当满足上述公式时生成眼疲劳提醒指令。疲劳判断单元在生成眼疲劳提醒指令后可以发送给提醒模块通过声光进行眼疲劳提醒。优选地，疲劳判断单元在判断满足以下公式时发送停止眼疲劳提醒指令从而停止眼疲劳提醒：

BlinkCnt_t＜1/2(BlinkCnt_tried+BlinkCnt_avg)；

其中BlinkCnt_t为当前时刻t的单位时间内眨眼次数。

更优选地，眨眼次数预测单元用于构建基于Attention机制的多层LSTM模型，其中输入编码器的数据为当前分钟的平均用眼距离D_t、持续近距离用眼时长T_{max_t}、当前分钟的平均光照强度L_t，输入解码器的数据为当前分钟的眨眼次数BlinkCnt_t。

现有技术中通常是采用度量疲劳/瞌睡的物理量PERCLOS(Percentage of EyeIidCIosure over the PupiI，over Time)或者纯粹的用眼负荷来判断视疲劳，PERCLOS更多的是进行疲劳预警，可能并不是视觉疲劳；纯粹的用眼负荷虽然标准，但是没有考虑到每个人的独特性，因此本发明同时使用眨眼次数的生理指标、用眼负荷状况多个数值进行互相验证，来评估用户当前的视疲劳状况。

本发明选择四个维度去评估、预测眼疲劳状态。分别是：

1、单位时间内的平均用眼距离，如1分钟内的平均用眼距离；

2、持续近距离用眼时长，即当前时间为止的持续近距离用眼时长；

3、单位时间内平均光照强度，如1分钟内的平均光照强度；

4、单位时间内眨眼次数，即1分钟内的眨眼次数。

其中1、2、3都是从用眼负荷去评估视疲劳，4是从生理指标去印证视疲劳状态。

因为每个人的用眼抗负荷能力不同，对于每个人来说，很难有一个统一的参数进行标准化。因此本发明的眨眼次数预测单元引入机器学习的方法来自动调校用户适合的参数值。目前的主要科学研究表明，随着视觉疲劳的加深，眨眼次数也会逐渐减少，这一点在PERCLOS相关论文中被反复证明。

本发明引入深度学习模型，我们假设用眨眼次数等价于用眼疲劳的描述值，个人的视疲劳状态由三个因素决定，即单位时间内用眼距离、持续近距离用眼时长、单位时间内光照强度。每个时刻的用眼疲劳值可以用眨眼次数描述，且它由前一段时间内上述三个因素决定，因此等价于一个时间序列预测问题，针对时间序列问题我们采用目前效果较好的seq2seq端到端序列模型，其中循环神经网络单元我们选用LSTM(Long Short-TermMemory)基本单元。

本发明针对用眼的具体场景，考虑到每个节点的多个因素输入，设计出基于层次的编码器(Hierarchical Encoder)；考虑到时序比较长，本发明加入注意力机制(Attention Mechanism)来保障对于重要节点对结果的影响，针对本场景所设计架构“基于层次编码器的attention based LSTM模型”如图4所示。图4中i表示输入的时间序列；t表示注意力机制的时间序列，注意力机制是生成目标端s(**)时候为已经存在的输入端每个节点赋权。每一步生成新的s，都需要用注意力机制为其决定，哪几个输入节点更重要；

f(i-1,1)、f(i-1,2)、f(i-1,3)表示第i-1时间点输入的三元组数据；f(i,1)、f(i,2)、f(i,3)表示第i时间点输入的三元组数据；f(i+1,1)、f(i+1,2)、f(i+1,3)表示第i+1时间点输入的三元组数据；

a(t,i-1)、a(t,i)、a(t,i+1)表示在预测第t时刻时i-1时间点、i时间点和i+1时间点数据的权重；

s(i)是第i时刻预测出的结果；s(i-1)是第i-1时刻预测出的结果；s(i+1)是第i+1时刻预测出的结果；

y(i)是预测出的结果s(i)，是眨眼次数。

传统的LSTM模型存在的问题是：当输入序列非常长时，模型难以学到合理的向量表示。输入序列不论长短都会被编码成一个固定长度的向量表示，而解码则受限于该固定长度的向量表示。这个问题限制了模型的性能，尤其是当输入序列比较长时，模型的性能会变得很差。

本发明引入Attention机制的实现是通过保留LSTM编码器对输入序列的中间输出结果，然后训练一个模型来对这些输入进行选择性的学习并且在模型输出时将输出序列与之进行关联。

如图4所示，使用多层LSTM和Attention机制来提高预测度。每一刻的y(i)取决于所有输入状态的一个权重集合，而不只是最后一个状态。a是决定每个输入状态对于输出状态的贡献。

本发明中眨眼次数预测单元预测预设时间m后的单位时间眨眼次数BlinkCnt_t+m的具体步骤如下所示：

1.确定数据集

数据集从当前设备采集数据中获取，原始数据中的完整列表有：

Date:年、月、日

Time:时、分

Distance:当前分钟的平均用眼距离D_t(cm)

Duration:持续近距离用眼时长T_{max_t}(当用眼距离小于近距离用眼阀值，累计连续的用眼时长，单位为mins)

Intensity:当前分钟的平均光照强度L_t(lux)

BlinkCnt:当前分钟的眨眼次数，即单位时间内眨眼次数。

使用以上数据构成一个预测问题，基于当前用眼疲劳情况描述(当前眨眼次数)，我们预测之后时刻的用眼疲劳值。

2.准备数据集

用户使用设备的过程中，前几天为数据收集阶段，按照以上数据需求收集更多的数据，用于模型训练，收集的用户数据越多，模型预测的越为精准。

数据通过APP上传到服务器，数据列表格式如下

NO,Date,Time,Distance,Duration,Intensity,BlinkCnt

1,2017.4.17,14:21,28,2,340,15,

2,2017.4.17,14:22,30,3,351,18,

3,2017.4.17,14:23,35,4,303,20,

4,2017.4.17,14:24,37,5,321,17,

5,2017.4.17,14:25,26,6,333,13,

6,2017.4.17,14:26,NA,NA,NA,NA,

其中数据为NA的表示无数据，表明该分钟产品未被使用，因此无数据。

3.清洗数据

清理无效数据，清理所有数值为NA的行。

清理异常数据：

(1)对时间列(date,time)清除乱序结点；

(2)对训练数据列(distance,duration,intensity,blinkcnt)分别做无量纲归一化，将与均值差距大于三个标准差的点算作异常点去掉。

4.训练模型

平台选用Pytorch或者TensorFlow，Python版本为python3.*，GPU选用Tesla K20M

时间列用于确定输入先后顺序

训练数据：

输入编码器的数据为(distance,duration,intensity)

输入解码器的数据为blinkcnt

5.测试模型

将训练好的模型，可用于测试新数据，输入一段(distance,duration,intensity,blinkcnt)模型可输出接下来的blinkcnt，用于预测下一阶段的用眼疲劳程度。

6.额外设置

(1)模型需要完成增量训练，用于对每个用户每天的新数据进行增量训练、改进模型精确度；

(2)因为个体差异，模型可以为针对每个用户做定制训练，根据每个用户的用户画像，训练出更适合该用户的眼疲劳深度学习模型。

在本发明更优选的实施例中，还设置了眼疲劳缓解系统，用于通过物理、生理、行为控制的方式去缓解眼疲劳程度。该眼疲劳缓解系统用于在接收眼疲劳提醒指令时启动。

眼疲劳专家系统判定当前处于眼疲劳状态时，则触发眼疲劳缓解系统工作。眼疲劳专家系统包括但不限于以下几种缓解方式：

在本发明的一个实施例中，近视防控眼镜还包括脑电波播放模块，用于在眼疲劳提醒指令时播放α脑波音乐，在接收到停止眼疲劳提醒指令时停止播放α脑波音乐。

在本发明的一个实施例中，镜腿前部内侧壁上安装有热敷装置和/或冷敷装置，用于根据疲劳提醒指令启动以缓解耳前肌疲劳状态。热敷装置和冷敷装置还可以在眼疲劳发生后，使用冷热角度方式去缓解耳前肌疲劳状态，从一定程度上减轻疲劳状态。

在本发明的一个实施例中，眼镜镜腿上配置一个白噪声播放状态，当眼疲劳后，持续的播放白噪声，来缓解疲劳。

在本发明的一个实施例中，镜腿上装置一个按摩模块，当眼疲劳发生后，按摩模块启动工作，来缓解疲劳。

当眼疲劳专家系统判定当前眼疲劳状态接触，可以自动停止眼疲劳缓解系统，并可以通过振动、声音、光等方式提醒用眼。

本发明还相应提供了上述用于近视防控的镜腿。本发明可以采用该用于近视防控的镜腿替代传统近视眼镜中的普通镜腿，从而使普通的近视眼镜拥有近视防控的功能。

综上所述，本发明提供的近视防控眼镜及镜腿，与普通近视眼镜外形无异，有利于用户接受，又能实现全部场景覆盖，可以针对用眼过程中的不良用眼习惯实时振动提醒，并能监测用户的用眼数据，提前预测眼疲劳，并可进一步形成用眼报告与建议，全面的促进用户养成良好用眼习惯，从而达到防控近视的作用。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种近视防控眼镜，包括镜框和镜腿，其特征在于，所述镜腿包括：镜腿壳体，以及集成在所述镜腿壳体中的：

数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离、光照强度和用眼角度的数据；

主控模块，用于根据所述用眼状态数据对用眼行为进行判断，生成提醒指令；

提醒模块，用于在接收提醒指令时产生提醒信号以提醒用户；

所述镜腿前部内侧壁上安装有与耳前肌贴合的力传感器，所述力传感器用于测量拉力或张力给所述主控模块；所述主控模块包括眨眼检测单元，用于接收所述力传感器采集的所述拉力或张力判断是否符合眨眼动作的条件，是则计入一次眨眼动作；

所述主控模块还包括：

眨眼次数预测单元，用于根据历史的用眼状态数据预测预设时间m后的单位时间内眨眼次数BlinkCnt_t+m；

疲劳判断单元，用于判断所述眨眼次数预测单元预测的单位时间内眨眼次数BlinkCnt_t+m是否满足以下公式，是则判断眼部进入疲劳状态，产生眼疲劳提醒指令：

BlinkCnt_t+m≥1/2(BlinkCnt_tried+BlinkCnt_avg)

其中BlinkCnt_avg为预先测得的当前用户在光照大于1000lux下的单位时间眨眼次数的均值，BlinkCnt_tried为预先测得的用户持续近距离用眼时长超过20分钟后的单位时间内眨眼次数的均值；

所述眨眼次数预测单元用于构建基于Attention机制的多层LSTM模型，其中输入编码器的数据为当前分钟的平均用眼距离D_t、持续近距离用眼时长T_{max_t}、当前分钟的平均光照强度L_t，输入解码器的数据为当前分钟的眨眼次数BlinkCnt_t。

2.根据权利要求1所述的近视防控眼镜，其特征在于，所述数据采集模块包括：

距离传感器，用于测量用户的用眼距离的数据；

光强传感器，用于测量光照强度的数据；

角度传感器，用于测量用眼角度与偏头角度；

所述距离传感器和光强传感器均位于所述镜腿壳体前侧开口处。

3.根据权利要求2所述的近视防控眼镜，其特征在于，所述提醒模块包括安装在镜腿前部的LED指示灯和震动马达；所述近视防控眼镜还包括安装在镜腿尾部的电池和充电磁吸母座；所述镜腿前部和尾部之间通过耳挂部进行连接。

4.根据权利要求1所述的近视防控眼镜，其特征在于，所述镜框和镜腿可拆卸连接；所述镜框端部具有上侧缘和下侧缘，所述镜腿前部卡设于所述上侧缘和下侧缘之间且通过镜框用螺丝连接。

5.根据权利要求1所述的近视防控眼镜，其特征在于，所述眨眼检测单元检测到力传感器受到向前方的力且大于预设阈值时判定完成一次闭眼动作，当检测到力传感器受到向后方的力且大于预设阈值时判定完成一次睁眼动作，所述主控模块在连续时间间隔内先后连续检测到完成一次闭眼动作和睁眼动作时，判断符合眨眼动作的条件。

6.根据权利要求1所述的近视防控眼镜，其特征在于：所述近视防控眼镜还包括：脑电波播放模块，用于在眼疲劳提醒指令时播放α脑波音乐，在接收到停止眼疲劳提醒指令时停止播放α脑波音乐。

7.一种镜腿，其特征在于，包括：镜腿壳体，以及集成在所述镜腿壳体中的：

数据采集模块，用于采集用眼状态数据，所述用眼状态数据至少包括用眼距离、光照强度和用眼角度的数据；

主控模块，用于根据所述用眼状态数据对用眼行为进行判断，生成提醒指令；

提醒模块，用于在接收提醒指令时产生提醒信号以提醒用户；

所述镜腿前部内侧壁上安装有与耳前肌贴合的力传感器，所述力传感器用于测量拉力或张力给所述主控模块；所述主控模块包括眨眼检测单元，用于接收所述力传感器采集的所述拉力或张力判断是否符合眨眼动作的条件，是则计入一次眨眼动作；

所述主控模块还包括：

眨眼次数预测单元，用于根据历史的用眼状态数据预测预设时间m后的单位时间内眨眼次数BlinkCnt_t+m；

疲劳判断单元，用于判断所述眨眼次数预测单元预测的单位时间内眨眼次数BlinkCnt_t+m是否满足以下公式，是则判断眼部进入疲劳状态，产生眼疲劳提醒指令：

BlinkCnt_t+m≥1/2(BlinkCnt_tried+BlinkCnt_avg)

其中BlinkCnt_avg为预先测得的当前用户在光照大于1000lux下的单位时间眨眼次数的均值，BlinkCnt_tried为预先测得的用户持续近距离用眼时长超过20分钟后的单位时间内眨眼次数的均值；

所述眨眼次数预测单元用于构建基于Attention机制的多层LSTM模型，其中输入编码器的数据为当前分钟的平均用眼距离D_t、持续近距离用眼时长T_{max_t}、当前分钟的平均光照强度L_t，输入解码器的数据为当前分钟的眨眼次数BlinkCnt_t。