به گزارش سرویس فناوری اطلاعات «خبرنامه دانشجویان ایران»، به نقل از نیواطلس این فناوری‌ها که با نام‌های گیز ترک(GazeTrak) و آی‌اکو(EyeEcho) شناخته می‌شوند، توسط گروهی به سرپرستی دانشجوی دکترای علوم اطلاعات، که لی(Ke Li)، در دانشگاه کرنل توسعه می‌یابند.
هر دو می‌توانند در عینک‌های هوشمند یا هدست‌های واقعیت مجازی گنجانده شوند. این فناوری‌ها انرژی بسیار کمتری نسبت به سیستم‌های مبتنی بر دوربین مصرف می‌کنند. آنها همچنین هیچ تصویری از چهره کاربر نمی‌گیرند.
گیز ترک(GazeTrak) در حال حاضر از یک بلندگو و چهار میکروفن استفاده می‌کند که در داخل هر قاب لنز روی یک عینک قرار گرفته‌اند و در مجموع دو بلندگو و هشت میکروفن روی هر عینک نصب است. بلندگوها امواج صوتی غیرقابل شنیدن منتشر می‌کنند که از کره چشم منعکس می‌شود و توسط میکروفن دریافت می‌شود.
از آنجایی که کره چشم انسان کره‌های کاملا گردی نیست، هر انعکاس زمان متفاوتی برای رسیدن به هر یک از میکروفن‌ها نیاز دارد و این وابسته به این است که کره چشم به چه سمتی قرار گرفته است.
بنابراین، با استفاده از نرم افزار مبتنی بر هوش مصنوعی در تلفن هوشمند یا لپ‌تاپ به صورت بی‌سیم که به طور مداوم این تفاوت‌های میلی ثانیه‌ای را تجزیه و تحلیل می‌کند، می‌توان جهت نگاه کاربر را ردیابی کرد و مهمتر از همه، این فناوری تحت تاثیر نویزهای بلند پس زمینه قرار نمی‌گیرد.
لازم به ذکر است که گیز ترک در شکل اثبات مفهومی فعلی خود به اندازه پوشیدنی‌های معمولی ردیابی چشم مبتنی بر دوربین، دقیق نیست. گفته می‌شود، این دستگاه تنها پنج درصد دستگاه‌های معمولی انرژی مصرف می‌کند. دانشمندان بیان می‌کنند که اگر یک سیستم گیز ترک از باتری با ظرفیت مشابه باتری عینک سری ۳ توبی پرو(Tobii Pro Glasses ۳) استفاده کند، می تواند ۳۸.۵ ساعت در مقابل ۱.۷۵ ساعت آن کار کند.
علاوه بر این، محققان بیان می‌کنند که با توسعه بیشتر فناوری، دقت سیستم به طور چشمگیری بهبود می‌یابد.
فناوری آی‌اکو(EyeEcho) نیز امواج صوتی را ارسال می‌کند و پژواک آنها را دریافت می‌کند. اگرچه این کار را با استفاده از یک بلندگو و یک میکروفن که در کنار هر یک از دو لولای دسته عینک قرار دارند و در مجموع دو بلندگو و دو میکروفن انجام می‌دهد.
در این حالت، حرکات ظریف پوست صورت چیزی است که بر مدت زمانی که بین انتشار هر پالس و تشخیص پژواک آن می‌گذرد، تأثیر می‌گذارد. نرم افزار هوش مصنوعی این تفاوت‌های زمانی را با حرکات خاص پوست تطبیق می‌دهد که به نوبه خود با حالات خاص صورت مطابقت دارد.
پس از تنها چهار دقیقه آموزش روی صورت هر یک از ۱۲ داوطلب، سیستم ثابت کرد که در خواندن عبارات آنها بسیار دقیق است، حتی زمانی که آنها در حال انجام انواع فعالیت‌های روزمره در محیط‌های مختلف بودند.
