AILD 智慧健康 高中组指导老师：牛玉坤
郑州第五十六中学 · 高一六班 · 董嘉怡 郑州第五十六中学 · 高一六班 · 董嘉怡
让每一次学习，
更健康，更科学。
基于iPhone 7后置摄像头录制的测试视频，使用OpenCV与MediaPipe Face Landmarker离线分析近距用眼和低头风险，并生成匿名事件日志。
3 类实测状态验证
3 s异常持续阈值
本地处理不上传人脸视频
iPhone 7 VIDEO · OFFLINE
58 cm
姿态识别正常
Face Landmarker
Head pose
Local inference
01问题与方案
从真实学习场景出发，
把“提醒”变成可验证的系统。
传统提醒依靠家长和老师观察，容易滞后。智护学伴通过iPhone 7录制真实学习片段，在电脑端进行视觉识别和规则判断，将健康风险识别过程做成可核验记录。
02 · 离线分析
学习健康分析台
交互演示模式：以下场景用于说明系统逻辑，真实结论以本地视频分析日志为准。
演示中
离线视频姿态识别iPhone 7 VIDEO / 25 FPS
TRACKING · 98.6%
HEAD 7° · DIST 57 CM
头部角度正常
7°建议范围 ≤ 18°
眼屏距离正常
57cm个体校准后建议 ≥ 50 cm
扩展光照正常
532lux扩展模块演示，本次实测不计入
连续学习正常
34min40 分钟后触发休息提示
03算法闭环
从采集、判断到干预，
每一步都可解释。
用可复现的规则与实验阈值代替模糊的“AI分析”，便于验证、调试与现场答辩。
iPhone 7后置摄像头录制测试视频，AirDrop传输到Mac后由电脑端读取图像帧。
iPhone · AirDrop · OpenCV→
通过人脸关键点和人脸变换矩阵估算眼距与俯仰角。
MediaPipe · Calibration→
异常持续超过时间阈值后触发，减少瞬时动作误报。
Rules · Time window→
异常持续超过3秒后记录风险事件，并生成匿名事件和健康报告。
Event · Report关键设计
眼距采用“一次50 cm个体校准＋面部关键点尺度变化”估算；近距或低头异常连续保持3秒后再记录风险，兼顾灵敏度与误报率。BH1750光照为扩展模块，本次尚未接入实测。
04 · 验证结果不仅“能运行”，
不仅“能运行”，
还要用真实日志证明有效。
真实运行结果只读取 calibration.json、events.csv 和 final_metrics.json，以下三项为本次冻结实验指标。
92%风险识别准确率
3cm眼距平均绝对误差
3s异常判定窗口
结果边界测试结果基于固定设备位置和50cm个体化校准环境；仅用于学习健康行为风险提示，不代表医疗诊断能力。
风险状态识别测试正常坐姿、近距离用眼、低头姿态三类
AccuracyP01
92%
P02
92%
P03
92%
P04
92%
P05
92%
识别正确误差/误判空间
05 · 应用价值一次记录定位风险，
一次记录定位风险，
一份报告帮助养成习惯。
系统面向家庭书桌、自习室与教室，不进行医学诊断，只提供学习健康行为的风险提示与趋势反馈。
真实运行结果系统验证摘要
已汇总92%识别准确率
感知能力MAE≈3cm
识别能力92%
响应能力3秒窗口
所有数字来自最终统计文件；本系统不做医学诊断或治疗效果承诺。