CN109923618A - 用于确定预测主观验光数据或预测矫正值的设备和计算机程序 - Google Patents

用于确定预测主观验光数据或预测矫正值的设备和计算机程序 Download PDF

Info

Publication number
CN109923618A
CN109923618A CN201780070361.5A CN201780070361A CN109923618A CN 109923618 A CN109923618 A CN 109923618A CN 201780070361 A CN201780070361 A CN 201780070361A CN 109923618 A CN109923618 A CN 109923618A
Authority
CN
China
Prior art keywords
data
subjective
optometry
correction value
eyes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780070361.5A
Other languages
English (en)
Inventor
A.奥伦多夫
S.瓦尔
C.莱比希
A.吕贝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Vision International GmbH
Original Assignee
Carl Zeiss Vision International GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=57348474&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN109923618(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Carl Zeiss Vision International GmbH filed Critical Carl Zeiss Vision International GmbH
Publication of CN109923618A publication Critical patent/CN109923618A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/1015—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for wavefront analysis

Abstract

提供了一种基于待检查的眼睛的客观验光数据来确定该待检查的眼睛的预测主观验光数据或预测主观矫正值的设备。该设备包括评估装置（1），该评估装置具有计算单元（10），该计算单元通过函数（101）根据该眼睛的客观验光数据来确定该预测主观验光数据或预测主观矫正值。该函数是非线性多维函数（101）或非线性多维函数族，该非线性多维函数或该非线性多维函数族是对回归模型（9）或分类模型进行训练的结果，其中已经基于训练数据记录对该回归模型（9）或分类模型进行训练（103），针对多个受试者，该训练数据记录在每种情况下至少包括客观验光数据、以及已确定的分配主观验光数据或已确定的分配主观矫正值。

Description

用于确定预测主观验光数据或预测矫正值的设备和计算机 程序
本发明涉及一种基于实测的眼睛的客观验光数据来确定针对该眼睛的预测主观验光数据或预测主观矫正值的设备。另外，本发明涉及一种具有程序代码的计算机程序，该程序代码有助于基于实测的眼睛的客观验光数据来确定针对该眼睛的预测主观验光数据或预测主观矫正值。
验光确定涉及确定（人）眼睛的屈光特性。在验光确定的情况下，可以区分主观验光确定与客观验光确定。
在这种情况下，用于主观验光确定的方法基于来自待检查的人关于人的视觉感知的（主观）反馈。用于主观验光确定的一个实例是基于验光字体（例如，数字或字母）不断减小或符号不断减小的视力检查表来确定屈光特性，在这种情况下，待检查的人提供关于他可以辨别哪些字符的反馈。
传统上，主观验光确定是通过试镜架和试镜片或者手动的或数字的综合屈光检查仪、并且使用显示在外部监视器上的验光字体来实现的。作为实例，在截止于2016年10月13日的https://de.wikipedia.org/wiki/Phoropter上描述了综合屈光检查仪。在此，待检查的人观察验光字体，并且验光师或眼科医生将具有不同矫正焦度的不同试镜片插入到试镜架中，或者在使用综合屈光检查仪的情况下改变矫正设定。随后，待检查的人提供关于何种试镜片或何种综合屈光检查仪的设定允许尽可能最佳程度地识别验光字体的反馈。
在此，在每种情况下将在该过程中使用的试镜片、或综合屈光检查仪的相应矫正设定分配给某一屈光不正，该屈光不正由相应的试镜片或综合屈光检查仪的设定来矫正。在此，上述主观验光确定可以针对每只眼睛（以单眼方式）单独实施或者针对两只眼睛一起（以双眼方式）实施。
用于客观验光确定的方法和设备不需要这种来自待检查的人关于人的视觉感知的反馈。在必要时通过计算准备从直接实测的变量来测量屈光不正。作为实例，WO 2004/112576 A2描述了一种用于基于实测波前像差来确定视觉敏锐度的量度的方法和设备。在此，使用点扩散函数从较低阶和较高阶的波前像差来计算视觉敏锐度的量度。作为实例，客观验光确定在自动验光仪、摄影验光仪、波前分析仪、视网膜镜等的帮助下进行。
上述过程是基本上静止的；即其受限于验光师或眼科医生的办公场所，并且需要经适当培训的验光师或眼科医生来进行验光确定、确定屈光不正、并且在必要时例如通过处方眼镜来充分矫正屈光不正。例如可以从2016年10月21日下载的“https://de.wikipedia.org/wiki/Refraktion_(Augenoptik)”来收集主观验光、客观验光与处方之间的差异的生动解释。
对眼睛的屈光异常（俗称眼睛的屈光不正）进行描述的数据在本说明书的范围内被称为验光数据。在此，主观验光数据是通过主观验光获得的数据；客观验光数据是通过客观验光确定来确定的数据。主观验光数据和/或客观验光数据可以例如以泽尼克系数的形式通过以下方式来指定：使用球镜、柱镜和轴位的常规表示法，其中球镜表示球镜屈光值S、柱镜表示柱镜屈光值C、并且轴位表示柱镜轴线的位置（轴线取向）；使用焦度向量表示法（SÄ，J0，J45），其中SÄ表示等效球镜度、J0表示杰克逊交叉柱镜的水平分量或竖直分量、并且J45表示相对于水平分量或竖直分量成45°或135°的角度延伸的杰克逊交叉柱镜分量；或者使用任何其他合适的表示法。焦度向量分量SÄ、J0和J45与针对球镜、柱镜和轴位的S值、C值和α值相关，并且通过如下方程得到：
矫正值是表征矫正装置（例如，眼镜镜片）的、例如与分别确定的屈光异常相适合的值，并且至少包含球镜、柱镜和轴位的传统表示法中的球镜的S值。如果屈光异常包含散光，则矫正值还包含柱镜和轴位的C值和α值。此外，矫正值可能进一步包括其他值，例如用于对目斜视（目偏视）进行矫正的棱镜及其基底、以及对远视进行矫正的下加光（近用下加光）值。客观验光和主观验光的结果可以单独使用或组合使用，以用于确定处方眼镜的矫正值（同义词：处方、眼镜值、矫正、处方值）。如果通过客观验光或主观验光获得的客观验光数据或主观验光数据可在球镜、柱镜和轴位表示法中提供，则客观验光数据或主观验光数据可以直接用作矫正值。下面，客观矫正值表示基于客观验光数据的矫正值，而主观矫正值表示基于主观验光数据的矫正值。
用于从眼睛的客观验光数据的测量值来声明关于眼睛的主观验光数据或主观矫正值的方法已经存在了很长时间。在此，可以使用较低阶和/或较高阶的像差或其组合。
WO 2013/058725 A1已经披露，初步主观验光数据可以根据眼睛的像差（其表征为眼睛的波前像差）的客观测量值的结果进行预测，验光师或眼科医师可以将该初步主观验光数据用作确定主观验光数据的起点。在此，使用线性方程组（其系数具有分配给它的比例因子）来实施从像差的客观测量值中确定该初步主观验光数据，其中借助于算法来确定适合用于实测的眼睛的比例因子的值。随后，通过方程组和已确定的比例因子的值来计算初步主观验光数据。
WO 2008/049503 A2已经描述了一种用于确定眼镜镜片处方的方法，其中由客观验光数据、或客观验光数据与已确定的主观验光数据的组合来确定眼镜镜片处方。
US 7,357,509 B2已经披露了对眼睛的波前像差的主观影响进行预测的度量。这些度量取决于波前像差、或取决于波前像差与神经传递函数。特别地，US 7,357,509 B2描述了包括神经对比敏感度的度量。这些度量可以用于确定用于对屈光异常进行矫正的预测矫正值。
同样地，US 2015/0346512 A1已经披露了一种用于确定眼镜镜片处方的方法，即用于基于表示视觉质量的度量根据实测的眼睛的像差来确定用于对屈光异常进行矫正的矫正值。在US 2015/0346512 A1中，将表示评估函数的项（其将预测眼镜镜片处方中的散光矫正程度考虑在内）被添加到度量中。
然而，在考虑到视觉的感觉性生理感知方面，在先使用的计算用于对屈光异常进行矫正的预测矫正值的度量是受到限制的。通常仅将单个生理测量值变量（对比敏感度）考虑在内。因此，例如在US 7,357,509 B2中描述的方法中，对比敏感度用于部分地确定最佳矫正值。在此，例如使用单一自动验光仪或波前像差仪来确定客观验光数据。US 7,357,509B2的度量试图对成像的光学部分和神经部分二者建模，以便根据客观验光数据来预测最佳可能矫正值。然而已知的是，对比敏感度尤其受到非常显著的个体差异的限制。由于神经传递函数尤其是高度非线性的、并且在某些情况下难以描述，因此获得的结果在某些情况下是不准确的。此外，仅考虑对比敏感度是将视觉能力描述为物理光学特性与感觉性生理感知的组合，其准确度不足，不应该单独使用CSF（对比敏感度函数）。
因此，与使用综合屈光检查仪或试镜架的主观验光数据的实际确定相比，使用度量从眼睛的像差的客观测量值来计算预测主观验光数据或预测主观矫正值的在先解决方案是繁琐的和/或不够准确的。
DE 10 2014 226 824 A1描述了一种用于提供基于学习的诊断辅助模型的方法。为此，通常表示阴性案例研究的新的或扩展的训练数据被收集。随后，教育软件利用表示训练实例的训练数据来对诊断系统进行训练。所谓的神经网络可以用于设计教育软件。
WO 2005/079546 A2已经披露了一种用于确定待检查的眼睛的主观矫正值与待检查的眼睛的客观验光数据之间的相关性的设备。已经通过神经网络获得的统计模型被用于确定该相关性。
关于作为最接近的现有技术的WO 2005/079546 A2，本发明的一个目的是提供一种用于基于客观验光数据来确定针对眼睛的预测主观验光数据或预测主观矫正值的有利的设备，所述设备有助于提高从眼睛的客观验光数据计算预测主观验光数据或预测主观矫正值的可靠性。
本发明的另一个目的是提供一种有利的具有软件的计算机程序产品，该软件用于基于客观验光数据来确定待检查的眼睛的预测主观验光数据或预测主观矫正值，所述计算机程序产品尤其有助于提高根据眼睛的客观验光数据来计算预测主观验光数据或预测主观矫正值的可靠性。
第一个目的是通过如权利要求1所述的设备来实现的，并且第二个目的是通过如权利要求9所述的计算机程序产品来实现的。从属权利要求包含本发明的有利实施例。
根据本发明的解决方案使用机器学习方法。通过使用具有所分配的已捕获的主观验光数据或所分配的已捕获的主观矫正值的客观验光数据的训练数据记录，通过具有足够大容量的、并且优选地具有与其匹配的正则化以避免过度拟合的模型来确定非线性多维函数或非线性多维函数族，随后借助于该非线性多维函数或该非线性多维函数族而根据客观验光数据来预测主观验光数据或主观矫正值。
为此，根据本发明的用于基于待检查的眼睛的客观验光数据来确定待检查的眼睛的预测主观验光数据或预测主观矫正值的设备包括评估单元，该评估单元包括计算单元，该计算单元通过函数根据该眼睛的客观验光数据来计算该预测主观验光数据或预测主观矫正值。根据本发明的设备的区别在于该函数是非线性多维函数或非线性多维函数族，该非线性多维函数或该非线性多维函数族是对回归模型或分类模型进行训练的结果，已经基于训练数据记录对该回归模型或分类模型进行训练，针对多个受试者，该训练数据记录在每种情况下至少包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值。在分类模型的情况下获得离散的预测主观验光数据或离散的预测主观矫正值。
特别地，受试者可以是形成代表性群体横断面的一群人。人群越大，在后续允许根据实测客观验光数据来预测主观验光数据或主观矫正值就越准确。如果用于确定预测主观验光数据或预测主观矫正值的设备应仅用于矫正特定的屈光不正，则具有相应屈光不正的一群人、而不是形成代表性群体横断面的一群人作为受试者是有利的。作为结果，与形成代表性群体横断面、仅在一定百分比的人中出现屈光不正的受试者相比，可以减少受试者的数量。然而，非线性多维函数或非线性多维函数族是专用于屈光不正的函数，该函数不能通用。
特别地，如果待检查的眼睛的预测主观验光数据或预测主观矫正值的后续确定应基于待检查的眼睛的客观验光数据而以睫状肌麻痹方式实现，则对于受试者的测量同样可以用睫状肌麻痹方式实现。在此，以睫状肌麻痹方式是指在客观验光数据的测量期间眼睛的调节能力受到抑制。然而，即使是在形成受试者的一群人中已经以睫状肌麻痹方式测量了客观验光值，如果受试者的数量足够多，则也可以使用设备以非睫状肌麻痹方式（即眼睛的调节不受抑制）来确定预测主观验光数据或预测主观矫正值，原因在于大量的受试者使得在对回归模型或分类模型进行训练时能够以足够的准确度对眼睛调节的效果建模。当然，也可以在形成受试者的一群人中用非睫状肌麻痹方式对客观验光值进行测量。特别地，如果儿童的验光数据是以非睫状肌麻痹方式测得的，则非线性多维函数或非线性多维函数族也提供这些儿童的验光数据。通过非线性多维函数或通过非线性多维函数族获得的验光结果与儿童在睫状肌麻痹下测量的情况下的测量值相当。
根据截止于2013年9月27日的Heraus. Norbert Gronau、Jörg Becker、KarlKurbel、Elmar Sinz、Leena Suhl的Enzyklopädie der Wirtschaftsinformatik - Onine-Lexikon; Heraus. Norbert Gronau, Jörg Becker, Karl Kurbel, Elmar Sinz, LeenaSuhl （经济信息学百科全书-在线百科词典，http://www.enzyklopaedie-der-wirtschaftsinformatik.de），分类模型是描述了将元素分配给预定类别的映射。在当前情况下，将作为元素或数据对象的客观验光数据分配给作为类别的主观验光数据，其中可以例如以泽尼克系数的形式提供客观验光数据，并且可以例如以具有针对球镜、柱镜和轴位的离散值的传统表达法的方式来提供主观验光数据的相应类别。在分类模型中，主观验光数据类在球镜、柱镜和轴位的离散值中的至少一个离散值上彼此不同。然而，代替由球镜、柱镜和轴位的离散值来定义的主观验光数据类别，主观验光数据类别还可以由其他再现主观验光的离散规范（例如由焦度向量系数的离散值）来定义。在将元素或数据对象分配给预定类别时，离散分类变量的类别特性（即在指定实例中球镜、柱镜和轴位的离散值）来源于数据对象的属性的特征（即在指定实例中来源于作为客观验光数据的属性的泽尼克系数的特征）。分类模型的基础由数据池形成，在本实例中针对受试者所测量的客观验光数据和主观验光数据（其数据对象在指定实例中由客观验光数据提供）各自被分配给预定类别，即在指定实例中分别被分配给由针对球镜、柱镜和轴位的值来定义的主观验光数据类别。分类模型被用于预测数据对象所属的类别，该类别所属是迄今未知的，即在当前情况下预测针对患者所测量的客观验光数据归属于由球镜、柱镜和轴位的值所定义的类别。
与分类模型相反，回归模型使用多个独立变量表示相依的、连续的变量。因此，在指定实例中，没有将客观验光数据分配给由球镜、柱镜和轴位的离散值所定义的主观验光数据类别，但是在每种情况下都对由球镜、柱镜和轴位的连续值所定义的主观验光数据进行单独分配。因此，回归模型同样可以用于通过相关联的独立变量的特征来预测相依变量的未知值。与分类模型的区别在于相依变量的基数。在分类模型的情况下存在离散变量，而回归模型具有连续变量。
评估单元特别地可以被设计成用于处理以客观确定的波前像差的形式的、例如以正交函数系的指定客观波前像差的系数的形式（例如以泽尼克系数的形式）的客观验光数据。此外，评估单元可以被设计成使用具有球镜、柱镜和轴位的传统表达法或任何其他合适的表达法来以焦度向量系数的形式输出预测主观验光数据或预测主观矫正值。
在分类模型或回归模型方面，所有达到足够高性能的方法都会受到质疑。作为实例，合适的方法包括关于非线性特征（多项式特征、深度网络特征等）的线性回归、神经网络（即由人工神经元构成的、具有多个层的网络）、具有非线性核的支持向量回归（例如，径向基函数核）、决策树、高斯过程、与多个回归量集成等。例如通过使输出值（例如球镜值）离散化，将回归模型重构成分类模型提供了等效的解决方案。由此得出，所有实现足够高性能的分类方法都会受到质疑。可想到的分类方法的实例包括：神经网络、支持向量机、最近邻法、线性/二次判别分析、朴素贝叶斯法、决策树、高斯过程、集成多个回归量等。通过足够的容量可以捕获映射（客观验光→主观验光；通过光学方式和神经方式二者）而无需必须获知用于光学部分和神经部分的力学模型。
使用根据本发明的设备可以非常快速地实施确定预测主观验光数据或预测主观矫正值，原因在于无需测量对比敏感度。此外，使用从经过训练的回归模型或分类模型得出的非线性多维函数或使用从经过训练的回归模型或分类模型得出的非线性多维函数族，根据本发明的设备有助于从患者的客观验光数据来可靠地预测针对患者的主观验光数据或主观矫正值。
对主观验光数据的预测或预测主观矫正值尤其包括神经传递函数，该神经传递函数如开头所述是高度非线性的。因此，使用对比敏感度获得的结果是不准确的；这可以追溯到神经传递函数的非线性。相比之下，使用非线性多维函数允许可靠地并且准确地对预测主观验光数据或预测主观矫正值进行计算。在此，经过训练的模型（即从其得出非线性多维函数或非线性多维函数族）捕获了在测量群体（即形成受试者的一群人）上可再现的、用训练数据记录表示的所有光学贡献和神经贡献。由于使用非线性函数或非线性函数族，在计算主观验光数据或主观矫正值时可以特别充分地将高度非线性神经传递函数考虑在内。
此外，非线性函数或非线性函数族的多维特性允许在从客观验光值来计算主观验光值或主观矫正值时在多个变量上考虑多个光学像差。存在的变量越多，即非线性函数或非线性函数族的维数越高，则可以考虑越多的像差。如果例如以泽尼克系数的形式提供客观验光数据，则该维度对应于所考虑的泽尼克系数的数量。为了从客观验光数据来计算足够精确的主观矫正值，应存在至少三个变量，即例如至少三个泽尼克系数；即应存在至少一个三维非线性函数或三维非线性函数族。然而优选地，应存在至少十个变量，即例如至少十个泽尼克系数；即应存在至少一个十维非线性函数或十维非线性函数族。变量的数量（即例如使用的泽尼克系数的数量）在30至50之间是尤其有利的，原因在于在这种情况下可以非常准确地对光学像差建模。
由于通过根据本发明的设备对视觉的物理光学特性和感觉性生理感知进行改进的考虑是可用的，因此还可以针对不同视觉需求（例如用于暗视觉或中间视觉）来对指定矫正值进行预测。作为实例，这可以借助于对回归模块进行训练时所使用的训练数据记录来实施，在训练数据记录中，存在较大瞳孔的主观验光数据，并且通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值包含特定矫正（例如夜晚环境下）所需要的那些主观验光数据或主观矫正值。为此，评估装置尤其还可以考虑待检查的眼睛的瞳孔直径数据。
在一种有利配置中，该评估装置包括回归模型或分类模型。此外，该评估装置包括训练模块，该回归模型或分类模型通过该训练模块能够基于训练数据记录进行训练，针对多个受试者，该训练数据记录在每种情况下包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值而用于获得该非线性多维函数或该多维函数族。特别地，在该评估装置包括连接到该训练模块以用于接收或输入训练数据记录的输入接口的情况下，这样可以进一步对多维函数或多维函数族进行优化或在必要时使其适应于特定需求。因此，对回归模型的进一步训练可以使用接收到的训练数据记录来实施。
在另一个有利配置中，该评估装置包括正则化单元，该正则化单元与回归模型或分类模型匹配以避免在训练时过度拟合。过度拟合会导致非线性多维函数或非线性多维函数族与统计变化拟合，而不与客观验光数据与通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值之间的基础统计关系拟合。为了避免这种情况，该正则化单元执行正则化；即该正则化单元将附加信息引入到训练中，借此抑制非线性多维函数或非线性多维函数族与统计变化的拟合。
除了评估装置外，根据本发明的设备还可以包括用于确定并提供待检查的眼睛的客观验光数据的验光测量设备。在此，该验光测量设备可以包括用于输出客观验光数据的输出接口，所述输出接口连接到评估单元的用于接收客观验光数据的对应的输入接口。为了确定客观验光数据，该验光测量设备可以基于比如自动验光、摄影验光等方法、并且基于波前像差仪或其他客观验光仪。
在根据本发明的设备的范围内，该非线性多维函数或该非线性多维函数族还可以被配置为从眼睛的客观验光数据和眼睛的瞳孔直径来计算预测主观验光数据或预测主观矫正值，其中被用作训练目的的训练数据记录在每种情况下还包括针对每个受试者的捕获瞳孔直径。在此情况下，另一个选择是根据本发明的设备包括瞳孔直径测量设备，该瞳孔直径测量设备用于确定待检查的眼睛的瞳孔直径。在此，该瞳孔直径测量设备可以被构造成产生表示实测瞳孔直径的瞳孔直径数据、并且可以包括用于输出该瞳孔直径数据的输出接口，所述输出接口连接到评估装置的用于接收该瞳孔直径数据的对应的输入接口。
根据本发明的设备尤其可以被集成在光学观察器械中，该光学观察器械包括用于对屈光进行测量的模块。作为实例，这种光学观察器械可以是自动验光仪、像差仪、显微镜、手术显微镜、望远镜、双筒望远镜等。
此外，本发明提供了一种具有程序代码的计算机程序产品，该程序代码用于基于眼睛的客观验光数据来确定该眼睛的预测主观验光数据或预测主观矫正值。在此，计算机程序产品应理解为意为存储在合适的介质上的和/或可从合适的介质上调用的程序代码。任何适合用于对软件进行存储的介质（例如DVD、USB棒、闪存卡等）都可以用于存储程序代码。作为实例，程序代码可以通过互联网或内联网或任何其他合适的无线或有线网络被调用。
根据本发明的计算机程序产品的程序代码以这样的方式设计，使得当所述计算机程序产品被加载到计算机上和/或在计算机上运行时，通过随后的方法步骤来实施对预测主观验光数据或预测主观矫正值的确定，具体地：
-提供客观验光数据；
-基于非线性多维函数或非线性多维函数族来计算该预测主观验光数据或该预测主观矫正值，该非线性多维函数或该非线性多维函数族是对回归模型或分类模型进行训练的结果，其中已经基于训练数据记录对该回归模型或分类模型进行训练，针对多个受试者，该训练数据记录在每种情况下至少包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值，以及
-输出该眼睛的预测主观验光数据或预测主观矫正值。
在此，该程序代码可以包含回归模型或分类模型以及基于训练数据记录来训练该回归模型或分类模型的可选的方法步骤。
该程序代码尤其可以被设计成用于接收以客观确定的波前像差的形式的、例如以正交函数系的指定客观波前像差的系数的形式（例如以泽尼克系数的形式）的客观验光数据。此外，该程序代码可以被设计成使用具有球镜、柱镜和轴位的传统表达法或以任何其他合适的表达法来以焦度向量系数的形式输出预测主观验光数据或预测主观矫正值。
为了避免对回归模型进行训练时的过度拟合，该程序代码还包含与该回归模型或分类模型匹配的正则化。换句话说，该程序代码将附加信息引入到训练中，这样在训练过程中抑制非线性多维函数或非线性多维函数族与统计变化的拟合，而不抑制与客观验光数据与通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值之间的基础统计关系的拟合。
该程序代码可以按如下方式配置，使得在对预测主观验光数据或预测主观矫正值进行计算的方法步骤中，除了眼睛的客观验光数据外，眼睛的瞳孔直径也被考虑在内。因此，用于对回归模型或分类模型进行训练的训练数据记录还分别包括针对每个受试者的捕获瞳孔直径。
该计算机程序产品允许借助于商用计算机来实现根据本发明的设备。因此，在可获得的优点方面可以参考根据本发明的设备的优点。
从以下参考附图对示例性实施例的描述中，本发明的其他特征、特性和优点将变得清楚。
图1 以框图形式示出了用于确定主观验光数据的设备。
图2 示出了基于实测的待检查的眼睛的客观验光数据来确定该待检查的眼睛的预测主观验光数据或预测主观矫正值的示意性图示。
下面参考图1，阐释了根据本发明的用于基于已确定的待检查的眼睛的客观验光数据来确定该待检查的眼睛的预测主观验光数据或预测主观矫正值的设备的一个示例性实施例。该图示出了评估装置1，在本示例性实施例中有作为可选附件存在的验光测量设备2和瞳孔直径测量设备3连接到该评估装置。
评估装置1包括用于接收客观验光数据的输入接口4，所述输入接口在本示例性实施例中连接到验光测量设备2的输出接口5。验光测量设备2经由输出接口5输出客观验光数据，所述客观验光数据表示在眼睛上测量的客观验光数据。在本示例性实施例中，波前像差仪被用于确定客观验光数据的目的。然而替代性地也可以使用基于自动验光或摄影验光的验光测量设备。然而，代替验光测量设备2，输入接口4也可以接收来自数据存储器（例如USB棒、CD、DVD或存储卡）的客观验光数据。同样地可以从网络（例如从因特网或内联网）获得客观验光数据。
此外，评估装置1进一步包括输入接口6，该输入接口连接到瞳孔直径测量设备3的输出接口7，该瞳孔直径测量设备也可以被集成在验光测量设备2中。输入接口6接收瞳孔直径数据，这些瞳孔直径数据由瞳孔直径测量设备经由输出接口7输出、并且表示实测的眼睛的瞳孔直径。在这种情况下，输入接口6也可以接收来自数据存储器（例如USB棒、CD、DVD或存储卡）、而不是来自瞳孔直径测量设备3的瞳孔直径数据。同样地可以再次从网络（例如从因特网或内联网）获得瞳孔直径数据。
此外，在本示例性实施例中，评估装置1可选地进一步包括输入接口8，在必要时可以将训练数据记录通过该输入接口输入到评估装置1中。这些训练数据记录的含义将在下面进行解释。训练数据记录也可以从数据存储器（例如USB棒、CD、DVD或存储卡）或从网络（例如从因特网或内联网）获得。
在本示例性实施例中，评估装置1包括作为其他部件的回归模型9、计算单元10、用于对回归模型9进行训练的训练模块12、以及输出接口11。在本示例性实施例中，训练模块12还包含正则化单元13以避免在对回归模型9进行训练期间的过度拟合。
计算单元10连接到输入接口以用于接收客观验光数据的目的并且连接到回归模型9。基于接收到的客观验光数据，在计算单元10中对预测主观验光数据或预测主观矫正值进行计算。随后，通过输出接口11输出计算结果。
对预测主观验光数据或预测主观矫正值进行计算是参考图2中示出的框图进行描述的。在本示例性实施例中，基于非线性多维函数（框101）来实施计算，该非线性多维函数通过或已经通过对回归模型9进行训练来获得。然而还可以基于通过训练相应的回归模型9获得的非线性多维函数族来进行计算。为了对回归模型9进行训练，在本示例性实施例中经由训练数据记录的输入接口8读取训练数据（框102），所述训练数据包含针对测量群体已确定的客观验光数据以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值。在此，针对测量群体中的每个人而言，已确定的客观验光数据以及通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值包含已确定的客观验光数据记录、以及分配给该客观验光数据记录并且通过主观验光确定的主观验光数据记录和/或分配给该客观验光数据记录并且通过主观验光确定的主观矫正值记录。
在本示例性实施例中，已确定的客观验光数据是以泽尼克系数的形式提供的，并且已确定的主观验光数据或已确定的主观矫正值可用于根据DIN EN ISO 13666-213的球镜、柱镜和轴位表示法。此外，在本示例性实施例中，针对测量群体中的每个人而言，训练数据还包含关于被分配给客观验光数据的实测瞳孔直径的数据。因此，训练数据包括多个训练数据记录、通常是大量的训练数据记录，每个训练数据记录都表示在受试者身上确定的客观验光数据、已确定的瞳孔直径、以及通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值。
在本示例性实施例中，借助于深度神经网络（DNN）来实施训练（框103），借助于此，在一方面基于客观验光数据由回归模型所预测主观验光数据或主观矫正值与在另一方面针对这些客观验光数据而通过主观验光确定的主观验光数据或通过主观验光确定的主观矫正值之间的均方差是最小化的。为此，在这种情况下使用具有单线性初始单元的小型多层前馈网络。该网络具有两个隐藏层（这两个隐藏层分别具有128个隐藏单元和37个隐藏单元）以及针对整流器的参数化非线性，例如，He, K. et al., “Delving deep intorectifiers: Surpassing human level performance on ImageNet classification”,International Conference on Computer Vision, 2015 [He, K.等人，“深入钻研整流器：超越ImageNet分类的人类水平表现”，2015年国际计算机视觉会议]（http://doi.org/10.1109/ICCV.2015.123）。通过高斯函数获得初始权重，其平均值为0、并且标准偏差为，其中n表示接入连接的数量。同样地，在He et al. In principle, developmentsof the network architecture, i.e., of the number of layers, number of neuronsand type of the nonlinearity, are modifiable [He等人，原则上网络架构（即层数、神经元数量和类型）的发展]中所描述的过程是可修改的。这可能会影响性能（均方误差、成本函数等），取决于这些修改的强度。同样地，还可以设想对网络参数的替代性初始化。通过减去已经通过训练数据记录进行计算的每个特征维度的平均值来对所有数据进行预处理。作为实例，学习率为0.001的RMSprop可以用于对网络进行训练，以便使预测主观验光数据或矫正值与包含在训练数据记录中的通过主观验光确定的主观验光数据或矫正值之间的均方差最小化。通过可从http://www.cs.toronto.edu/～tijmen/csc321/slides/lecture_slides_lec6.pdf获得的Hinton et al, “Neutral Networks for Machine Learning,Lecture 6” [Hinton等人，“用于机器学习的神经网络，第6讲”]，对该过程进行了描述。为了避免过度拟合，通过λ = 0.02的L2正则化得到的网络中的小权重是本实例的优选。
作为使用DNN进行训练的替代方案，可以通过针对多项式特征的弹性网络来进行训练。为此，在设定的基函数上例如利用L1（lasso）和L2（ridge）正则化（弹性网络）的组合来执行线性回归。在此，由直到第二阶并且包括第二阶的特征的多项式组合给出基函数。可以通过训练数据记录上的交叉验证来设定对正则化的总强度α以及lasso和ridge的相对分布ρ进行控制的超参数。
作为另一个替代方案，可以选择基于具有径向基函数核的支持向量回归进行训练。在支持向量回归的情况下，可以通过使用径向基函数核实现非线性。随后可以在训练数据上通过交叉验证来进行超参数的优化。在Kaneko et al., "Fast Optimization ofHyperparameters for Support Vector Regression Models with Highly PredictiveAbility", Chemometrics and Intelligent Laboratory Systems, 142, pages 64 to69 [Kaneko等人，“用于具有高度预测能力的支持向量回归模型的超参数的快速优化”，化学计量学和智能实验室系统，142，第64-69页]中包含了关于C值和ε值的建议。
上述提及的方法通过进行十倍交叉验证来测试。也就是说，对于每种主观验光数据或矫正值的组合而言、并且对于这三种所描述的用于训练的方法中的每种方法而言，基于数据记录对10种模型进行测试，已经发现该数据记录的90%用作训练数据、而剩余的10%被用于对从客观验光数据来确定预测主观验光数据或矫正值的准确性进行检查。机器学习和检查的所有三种方法都在Python 2.7中实现。深度学习库“keras”被用于神经网络部分；“scikit-learn”被用于弹性网络和支持向量回归。
因此再次参考图2，训练数据被读取（框102）并且使用上述提及的方法中的一种方法（在本示例性实施例中为DNN）被训练（框103）。因此，训练的结果是多维非线性函数（框101），该多维非线性函数最终用于从客观验光数据来计算预测主观验光数据或预测主观矫正值（框104）。
在此应注意的是，为了获得非线性多维函数，可以事先进行回归模型的训练，使得该步骤无需在随后的从客观验光数据来计算预测主观验光数据或预测主观矫正值（框104）中再次进行。因此，对预测主观验光数据或预测主观矫正值的计算仅需要读取客观验光数据（框105），并且如果非线性多维函数允许将瞳孔直径考虑在内，则读取瞳孔直径数据（框106）。由于训练回归模型（框103）仅需要事先进行一次，因此从客观验光数据以及可选的瞳孔直径数据来计算预测主观验光数据或预测主观矫正值（框104）的速度可以仅受到可以实施计算的速度的限制、并因此受到设备的计算能力的限制。
最后，输出计算出的预测主观验光数据或计算出的预测主观矫正值（框107）。随后可以基于这些数据来创建用于眼镜、用于隐形眼镜、用于人工晶状体、用于屈光外科手术等的处方。同样地，可以基于输出数据通过手术来对眼睛的屈光进行矫正。
尽管在用于确定预测主观验光数据或预测主观矫正值的设备在实践中获得应用之前通常实施回归模型9的训练（框103），但是能够选择进一步对回归模型9进行训练可能是有利的。作为实例，如果存在附加训练数据记录，则可以扩大用于确定非线性多维函数的基数，其结果是当从客观验光数据来确定预测主观验光数据或预测主观矫正值时可以进一步提高可靠性。此外，附加数据记录例如可以被用于将多种不同的群体中的区域差异或个体差异考虑在内。此外，可以扩展该设备的使用领域。作为实例，如果原始训练数据没有包含瞳孔直径数据、并且经过训练的非线性多维函数因此不能将瞳孔直径考虑在内，则可以通过使用还包含瞳孔直径数据的训练数据记录进行更新训练来执行更新训练，以便使设备适应于新的使用领域，例如在暗视觉或中间视觉的情况下确定预测主观验光数据或预测矫正值。
用于确定预测主观验光数据或预测主观矫正值的设备的评估装置1可以实现为专门为此目的而创造的器械。然而，还可以使用商用计算机来实现评估单元1。在这种情况下，输入接口和输出接口4、6、8、11被实现为数据界面，并且回归模型9和计算单元10以由程序代码表示的软件模块的形式提供。因此，程序代码可以作为计算机程序产品而被存储在存储介质上、或作为计算机程序产品而可从网络调用。
根据本发明的用于基于客观验光值来确定预测主观验光数据或预测主观矫正值的设备可以被集成在光学设备中，该光学设备对客观验光值进行测量、并且随后基于计算出的预测主观验光数据进行矫正。随后可以手动或自动地、一次或重复地或连续地、并且尤其是实时地实现矫正。作为实例，这种设备可以是验光仪、显微镜、手术显微镜、望远镜、双筒望远镜、智能眼镜、主观验光单元等。取决于在其中集成有用于确定预测主观验光数据或预测主观矫正值的设备的光学器械，评估单元自身或与验光测量设备和/或瞳孔直径测量设备组合地集成到器械中。作为实例，如果光学设备是验光仪，则仅评估单元和可选的瞳孔直径测量设备被集成到验光仪中。相比之下，如果光学单元是手术显微镜，则验光测量设备另外还可以被集成到该手术显微镜中。这同样适用于不包含验光测量设备的其他光学器械。
如果根据本发明的设备被集成到手术显微镜中，则基于计算出的预测主观验光数据、例如当植入人工晶状体（IOL）时提供了对患者进行术中客观测量以及对手术结果或最终实现的屈光的评估进行预测的选择。
特别地，在移动器械或便携式器械的情况下也可以对屈光进行测量。在此，应该主要考虑智能电话或筛查器械。以计算机程序产品的形式、特别是以app的形式的本发明的实施形式使其自身适用于智能电话，可以将所述计算机程序产品加载到智能电话上。
已经出于说明性的目的基于示例性实施例对本发明进行了详细描述。然而，本领域技术人员应了解的是，可以脱离本示例性实施例。因此，出于对客观验光数据进行描述的目的，例如可以使用基于其他多项式或其他表征波前像差的变量的系数来代替泽尼克系数。作为实例，可以设想的是使用基于Bessel多项式、Jacobi多项式、Legendre多项式或其他正交多项式的系数。甚至可以设想借助于样条或其他多项式来对客观验光数据进行数学描述。以与输入数据的替代性数学描述类似的方式，还可以使用回归模型或分类模型的替代公式。特别地，对于给定的指定模型，得到等效解决方案的替代性超参数通常也能够在特定界限内。因此，本发明并不旨在受限于所描述的示例性实施例，而是仅仅受所附权利要求的限制。
附图标记清单
1 评估装置
2 验光测量设备
3 瞳孔直径测量设备
4 输入接口
5 输出接口
6 输入接口
7 输出接口
8 输入接口
9 回归模型
10 计算单元
11 输出接口
12 训练模块
13 正则化单元
101 非线性多维函数
102 读取训练数据记录
103 训练回归模块
104 计算预测主观验光数据或预测主观矫正值
105 读取客观验光数据
106 读取瞳孔直径数据
107 输出预测主观验光数据或预测主观矫正值

Claims (14)

1. 一种用于基于待检查的眼睛的客观验光数据来确定该待检查的眼睛的预测主观验光数据或预测主观矫正值的设备，所述设备包括评估装置（1），该评估装置包括计算单元（10），该计算单元通过函数（101）根据该眼睛的客观验光数据来计算该眼睛的预测主观验光数据或预测主观矫正值，其中该函数是对回归模型（9）或分类模型进行训练的结果，其中已经基于训练数据记录对该回归模型（9）或分类模型进行训练（103），针对多个受试者，该训练数据记录在每种情况下至少包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值，
其中
-该函数是非线性多维函数（101）或非线性多维函数族。
2.如权利要求1所述的设备，其中，该非线性多维函数（101）或该非线性多维函数族是至少一个三维非线性函数或三维非线性函数族。
3.如权利要求2所述的设备，其中，该非线性多维函数（101）或该非线性多维函数族是至少一个十维非线性函数或十维非线性函数族。
4.如权利要求1至3中任一项所述的设备，其中，该评估装置（1）包括该回归模型（9）或分类模型、并且另外包括训练模块（12），通过该训练模块能够基于训练数据记录对该回归模型（9）或分类模型进行训练，针对多个受试者，该训练数据记录在每种情况下包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值以用于获得该非线性多维函数（101）或该非线性多维函数族。
5.如权利要求4所述的设备，其中，该训练模块（12）另外包括与该回归模型（9）或分类模型匹配的正则化单元（13）。
6.如权利要求4或权利要求5所述的设备，其中，所述设备另外包括输入接口（8），该输入接口连接到该训练模块（12）以用于接收或输入训练数据记录。
7.如前述权利要求中任一项所述的设备，其中，该评估装置（1）另外包括验光测量设备（2），该验光测量设备用于确定并提供该待检查的眼睛的客观验光数据。
8.如前述权利要求中任一项所述的设备，其中，该非线性多维函数（101）或该非线性多维函数族被配置用于根据该眼睛的客观验光数据和该眼睛的瞳孔直径来计算该眼睛的预测主观验光数据或预测主观矫正值，其中用于训练目的的该训练数据记录在每种情况下还包括捕获的每个受试者的瞳孔直径。
9.如权利要求8所述的设备，其中，所述设备另外包括瞳孔直径测量设备（3），该瞳孔直径测量设备用于确定该待检查的眼睛的瞳孔直径。
10.一种光学观察器械，该光学观察器械具有如前述权利要求中任一项所述的设备。
11.一种具有程序代码的计算机程序产品，该程序代码用于当该程序代码被加载到计算机上和/或在计算机上运行时，通过随后的方法步骤基于眼睛的客观验光数据来确定该眼睛的预测主观验光数据或预测主观矫正值，具体地：
-提供（105）该客观验光数据（4）；
-基于非线性多维函数（101）或非线性多维函数族来计算（104）该预测主观验光数据或该预测主观矫正值，该非线性多维函数或该非线性多维函数族是对回归模型（9）或分类模型进行训练的结果，其中已经基于训练数据记录对该回归模型（9）或分类模型进行训练，针对多个受试者，该训练数据记录在每种情况下至少包括已确定的客观验光数据、以及通过主观验光确定的分配主观验光数据或通过主观验光确定的分配主观矫正值，以及
-输出（107）该眼睛的预测主观验光数据或预测主观矫正值。
12.如权利要求11所述的计算机程序产品，其中，该程序代码另外包含基于训练数据记录来对该回归模型（9）或分类模型进行训练（103）的可选方法步骤。
13.如权利要求12所述的计算机程序产品，其中，该程序代码另外包括用于在该训练（103）期间进行正则化的方法步骤，所述正则化与该回归模型或分类模型匹配。
14.如权利要求11至13中任一项所述的计算机程序产品，其中，用于计算（104）该预测主观验光数据或该预测主观矫正值的方法步骤的程序代码是用于基于非线性多维函数（101）或非线性多维函数族来计算该预测主观验光数据或该预测主观矫正值，除了该眼睛的客观验光数据外，该程序代码还将该眼睛的瞳孔直径考虑在内，其中用于训练目的的该训练数据记录在每种情况下还包括捕获的每个受试者的瞳孔直径。
CN201780070361.5A 2016-11-14 2017-11-03 用于确定预测主观验光数据或预测矫正值的设备和计算机程序 Pending CN109923618A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16198607.0 2016-11-14
EP16198607.0A EP3321831B1 (de) 2016-11-14 2016-11-14 Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm
PCT/EP2017/078161 WO2018087002A1 (de) 2016-11-14 2017-11-03 Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm

Publications (1)

Publication Number Publication Date
CN109923618A true CN109923618A (zh) 2019-06-21

Family

ID=57348474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780070361.5A Pending CN109923618A (zh) 2016-11-14 2017-11-03 用于确定预测主观验光数据或预测矫正值的设备和计算机程序

Country Status (6)

Country Link
US (1) US20190258930A1 (zh)
EP (1) EP3321831B1 (zh)
JP (1) JP6672529B2 (zh)
KR (1) KR102072637B1 (zh)
CN (1) CN109923618A (zh)
WO (1) WO2018087002A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008945A (zh) * 2019-12-31 2020-04-14 哈工大机器人(中山)无人装备与人工智能研究院 基于机器学习的多像质参数自适应像差矫正方法及装置
CN112383829A (zh) * 2019-11-06 2021-02-19 致讯科技(天津)有限公司 一种体验质量测评方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018216295B4 (de) 2018-09-25 2022-05-05 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines Ansteuersignals zum Ansteuern eines Aktors
US11704600B2 (en) * 2019-06-27 2023-07-18 Microsoft Technology Licensing, Llc Multistage feed ranking system with methodology providing scalable multi-objective model approximation
US11950844B2 (en) * 2019-09-30 2024-04-09 Alcon Inc. Ocular aberrometer characterization systems and methods
US11931104B2 (en) 2019-12-19 2024-03-19 Alcon Inc. Vision quality assessment based on machine learning model and wavefront analysis
CN111914995A (zh) * 2020-06-18 2020-11-10 北京百度网讯科技有限公司 正则化线性回归生成方法、装置、电子设备及存储介质
DE102020128958B4 (de) * 2020-11-03 2022-07-28 Rodenstock Gmbh Verfahren zum Bestimmen eines Brillenglases, Vorrichtung zum Bestimmen von individuellen biometrischen Daten sowie Vorrichtung zum Herstellen eines Brillenglases
DE102020128951B4 (de) * 2020-11-03 2022-07-28 Rodenstock Gmbh Verfahren zum Herstellen eines Brillenglases, Computerprogrammprodukt und Vorrichtung zum Bestimmen zumindest eines individuellen biometrischen Parameters
US20230081566A1 (en) * 2021-09-03 2023-03-16 Johnson & Johnson Vision Care, Inc. Systems and methods for predicting myopia risk
DE102021213511A1 (de) 2021-11-30 2023-06-01 Carl Zeiss Meditec Ag Verfahren zum bestimmen eines ergebnisses einer postoperativen subjektiven refraktionsmessung

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005079546A2 (en) * 2004-02-20 2005-09-01 Ophthonix, Inc. System and method for analyzing wavefront aberrations

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724258A (en) 1996-05-09 1998-03-03 Johnson & Johnson Vision Products, Inc. Neural network analysis for multifocal contact lens design
US5839438A (en) 1996-09-10 1998-11-24 Neuralmed, Inc. Computer-based neural network system and method for medical diagnosis and interpretation
US7130835B2 (en) 2002-03-28 2006-10-31 Bausch & Lomb Incorporated System and method for predictive ophthalmic correction
US7338165B2 (en) 2003-06-20 2008-03-04 Visx, Incorporated Systems and methods for prediction of objective visual acuity based on wavefront measurements
WO2004096014A2 (en) 2003-04-28 2004-11-11 University Of Rochester Metrics to predict subjective impact of eye's wave aberration
US8079707B2 (en) 2006-10-25 2011-12-20 Carl Zeiss Vision Gmbh Eyeglass prescription method
EP2779889B1 (en) 2011-10-17 2018-01-03 Carl Zeiss Vision, Inc. Statistical autorefractor
US9784992B2 (en) 2013-02-11 2017-10-10 Carl Zeiss Vision International Gmbh Method and system for determining an eyeglass prescription
DE102014226824A1 (de) * 2014-12-22 2016-06-23 Siemens Aktiengesellschaft Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem
JP7044724B2 (ja) * 2016-06-14 2022-03-30 プレンオプティカ インク 調整可能レンズベースの屈折検査

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005079546A2 (en) * 2004-02-20 2005-09-01 Ophthonix, Inc. System and method for analyzing wavefront aberrations

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛勇华等: "深度学习应用技术研究", 《计算机应用研究》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112383829A (zh) * 2019-11-06 2021-02-19 致讯科技(天津)有限公司 一种体验质量测评方法及装置
CN111008945A (zh) * 2019-12-31 2020-04-14 哈工大机器人(中山)无人装备与人工智能研究院 基于机器学习的多像质参数自适应像差矫正方法及装置
CN111008945B (zh) * 2019-12-31 2024-03-29 哈工大机器人(中山)无人装备与人工智能研究院 基于机器学习的多像质参数自适应像差矫正方法及装置

Also Published As

Publication number Publication date
JP6672529B2 (ja) 2020-03-25
EP3321831A1 (de) 2018-05-16
KR20190076044A (ko) 2019-07-01
JP2019533516A (ja) 2019-11-21
KR102072637B1 (ko) 2020-02-03
WO2018087002A1 (de) 2018-05-17
EP3321831B1 (de) 2019-06-26
US20190258930A1 (en) 2019-08-22

Similar Documents

Publication Publication Date Title
CN109923618A (zh) 用于确定预测主观验光数据或预测矫正值的设备和计算机程序
AU2005215056B2 (en) System and method for analyzing wavefront aberrations
JP2007531559A5 (zh)
CN102165362B (zh) 设计眼镜镜片的方法
CN1516560A (zh) 客观式显然验光
CN102113000A (zh) 用于定制镜片的系统和方法
Fernández et al. Prediction of visual acuity and contrast sensitivity from optical simulations with multifocal intraocular lenses
JP7166473B2 (ja) 眼検査
CN112700858B (zh) 一种儿童青少年近视预警方法及设备
CN112102940A (zh) 一种屈光检测方法、装置、计算机设备及存储介质
Fülep et al. Simulation of visual acuity by personalizable neuro-physiological model of the human eye
Comastri et al. Zernike expansion coefficients: rescaling and decentring for different pupils and evaluation of corneal aberrations
US20210145271A1 (en) System and method for determining prescription of corrective lenses using predictive calculations and corrected-eyesight simulation
Marin et al. Refraction: patients are sensitive to increments smaller than a quarter diopter
Leube et al. Machine Learning based Predictions of Subjective Refractive Errors of the Human Eye.
KR20230038248A (ko) 시각 작업을 수행하는 대상자의 피로 상태의 변화의 자동 예측을 제공하기 위한 방법 및 장치
CN116634920A (zh) 主观屈光检查系统
CN116725479B (zh) 一种自助式验光仪以及自助验光方法
US20230145888A1 (en) Visual acuity determination
US20230009821A1 (en) Evaluation and control system for cornea and intraocular refractive surgery
Yu Examination Mode and Operating Procedure of the Double-Pass Optical Visual Quality Analysis System
CN116570231A (zh) 一种屈光度计算方法及装置
Ozhan et al. Dynamic accommodation measurement using Purkinje reflections and machine learning
CN117717309A (zh) 一种人眼高阶像差的检测方法、装置和存储介质
Krueger Visual simulation of refractive errors on monochromatic images and the evaluation of the absolute threshold for vision

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination