CN112351727A - 用于测量视觉功能图的系统和方法 - Google Patents

Abstract

一种系统可以包括非暂时性存储器，其存储机器可读指令和数据，以及处理器，其访问非暂时性存储器并执行机器可读指令。机器可读指令可以包括全局模块，对该全局模块进行编程，以生成视野图(VFM)模型，该VFM模型可以包括用于受试者的整个视野的一组视觉功能图参数。可以对全局模块进行编程以基于在每次进行对受试者的视力测试间生成的受试者响应数据来与更新VFM的形状相对应的更新一组视觉功能图参数。

Description

用于测量视觉功能图的系统和方法

政府资助

本发明是在美国国家眼科研究所(NEI)授予的EY021553和EY025658号资助奖由政府扶持完成的。政府对本发明享有一些权利。

技术领域

本公开总体上涉及一种用于测量视觉功能图的系统和方法。

背景技术

视野图是一种用于测量整个视野上的视觉功能的心理物理学方法。当前，存在用于测量整个受试者视野上的视网膜位置处的光敏度的视野图装置。这些装置可以被配置成生成表征在整个视野上的受试者的光敏度的视野图(VFM)。视野广义上是指受试者可以在视觉上检测到刺激物的区域。VFM通常用于诊断由诸如青光眼、年龄相关性黄斑变性(AMD)、糖尿病、中风、垂体疾病、脑肿瘤或其它神经系统疾病的特定医学情况而引起的视觉功能障碍。

发明内容

在示例中，一种系统可以包括：非暂时性存储器，其存储机器可读指令和数据；以及处理器，其访问非暂时性存储器，并且执行机器可读指令。机器可读指令可以包括全局模块，对该全局模块进行编程以生成视野图(VFM)模型，该VFM模型可以包括用于受试者的整个视野的一组视觉功能图参数组。可以对全局模块进行编程以基于在每次进行对受试者的视力测试期间生成的受试者响应数据来与更新VFM的形状相对应的更新该组视觉功能图参数。机器可读指令可以包括切换模块，可以对该切换模块进行编程以评估全局模块的性能并且确定是否切换到局部模块，并且在切换时基于全局模块中的一组视觉功能图参数来计算视野的每个视网膜位置的独立参数。该机器可读指令可以包括局部模块，可以对该局部模块进行编程以基于在后续进行对受试者的视力测试期间生成的受试者响应数据来更新独立参数，以在受试者视野的每个视网膜位置处提供视觉功能的评估。

提供“发明内容”仅出于概述一些示例性实施例的目的，以提供对本公开的某些方面的基本理解。因此，将理解的是，上述示例性实施例仅仅是示例，并且不应被解释为以任何方式缩小本公开的范围或精神。通过以下结合附图的详细描述，本公开的各个所公开实施例的其它实施例、方面和优点将变得显而易见，所述附图以示例的方式示出了所描述的实施例的原理。

附图说明

图1描绘了用于测量视觉功能图的系统的示例。

图2描绘了用于实施用于测量视觉功能图的另一系统的示例性环境。

图3描绘了示出用于测量视觉功能图的方法的流程图的示例。

图4A至图4Q示出了通过用于测量视觉功能图的例如图3中所描绘的方法和是/否(YN)方法的模拟生成的示例性估计光敏度视野图(VFM)。

图5A示出了基于用于测量视觉功能图的例如图3中所描绘的方法和YN方法的模拟的示例性平均均方根误差(RMSE)、平均绝对偏差、标准偏差(SD)和可信区间的半宽(HWC1)。

图5B示出了基于用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯YN方法的模拟的示例性平均缺损(MD)、缺失方差(LV)、短期波动(SF)、校正缺失方差(CLV)。

图6A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者1的示例性估计光敏度VFM。

图7A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者2的示例性估计光敏度VFM。

图8A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者3的示例性估计光敏度VFM。

图9A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者4的示例性估计光敏度VFM。

图10A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者5的示例性估计光敏度VFM。

图11A至图6P示出了用于测量视觉功能图的例如图3中所描绘的方法和YN方法生成的针对受试者6的示例性估计光敏度VFM。

图12示出了基于用于测量视觉功能图的例如图3中所描绘的方法和YN方法的示例性均方根误差(RMSE)和68.2％的HWCI。

图13示出了用于测量视觉功能图的例如图3中所描绘的方法的示例性测试-重测可靠性的图。

图14示出了示例性滤波后的斯隆字母。

图15A至图15P示出了通过用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯YN方法生成的针对受试者1(8只眼)的示例性估计对比敏感度VFM。

图16A至图16P示出了通过用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯YN方法生成的针对受试者2(8只眼)的示例性估计对比敏感度VFM。

图17A至图17P示出了通过用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯YN方法生成的针对受试者3(8只眼)的示例性估计对比敏感度VFM。

图18A至图18P示出了通过用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯YN方法生成的针对受试者4(8只眼)的示例性估计对比敏感度VFM。

图19A示出了8只眼睛上的VFM的表面下方的平均对比敏感体积(VUSVFM)。

图19B示出了针对8只被测试眼睛的估计对比敏感度VUSVFM(每次4轮测试)的变异作为测试次数的函数的示例性系数。

图20A示出了在64个位置和8只眼睛上的估计的对比敏感度的平均68.2％HWCI的示例结果的示图。

图20B示出了基于用于测量视觉功能图的例如图3中所描绘的方法和贝叶斯强制选择(FC)方法的估计对比敏感度的RMSE的示图。

图21A示出了根据用于测量视觉功能图的例如图3中所描绘的方法的估计对比敏感度的测试-重测比较的示例性曲线结果。

图21B示出了根据用于测量视觉功能图的例如图3中所描绘的方法的估计对比敏感度的示例性Bland-Altman图。

具体实施方式

本公开涉及用于测量视觉功能图(VFM)的系统、方法和/或产品，通常被称为系统和方法。该系统和方法可以对现有的视野图装置进行改进，现有的视野图装置仅限于在单个视野(VF)位置处测量视觉功能。因此，现有装置提供了有限的视觉功能表征。例如，用于评估中央和周边视觉(例如，低视力)的现有装置仅限于在单个视网膜位置上测量视觉敏锐度、对比敏感度和阅读性能，而不是测量需要在视野的所有视网膜上进行测量的受试者的VFM。更进一步地，用于测量光敏度的现有视野图装置效率低下并且在对视觉功能进行建图方面缺乏鲁棒性。例如，对受试者对光敏度进行建图是评估受试者视觉功能障碍诸如青光眼的标准。然而，使用这些装置对诸如青光眼之类的疾病进行视野评估的频率通常在各眼科医师之间是不一致的，并且即使是在单个测试阶段中，(通过重复测试测量的)静态参数阈值的变异通常随着距注视(偏心率)距离的增加而增加。除了不精确以外，获取受试者的视野的完整且精确的测量也是非常耗时的(例如，可能需要数小时)。

与用于测量视觉功能图的现有装置相比，本文描述的系统和方法提供了针对受试者的视觉功能图的更加准确、精确和有效的测量。本文描述的系统和方法可以定量地评估知觉系统。在一些示例中，知觉系统可以包括视觉系统或人工视觉系统。视觉系统可以至少包括眼睛、人造眼或电子眼。本文描述的系统和方法可以用于评估视觉系统的性能。评估可以包括视觉系统的视野性能的测量。因此，根据本文描述的系统和方法，可以量化受试者的视野以生成VFM。

在一些示例中，根据本文所述的系统、方法和/或产品，可以评估VFM的功能障碍。例如，可以对VFM进行评估以检测中央或周边视觉的功能障碍。中央和/或周围视觉的功能障碍可能是由青光眼、中风、垂体疾病、脑瘤、暗细胞瘤或其它视觉或神经功能障碍引起的。在一些示例中，本文描述的系统和方法可以被配置成评估VFM以评估功能障碍(例如疾病进展)，和/或确定针对所述功能障碍的医学治疗。

本文描述了用于对光敏度和对比敏感度进行建图的示例。然而，本文描述的示例不应被解释和/或仅限于光敏度和对比敏感度建图。本文所述的系统和方法等同地适用于视觉功能图，包括但不限于视觉敏锐度、对比敏感度函数(CSF)、颜色、立体视觉、临时频率、运动敏感度、阅读速度和拥挤(crowding)。视觉功能图可以具有本文所述的多种不同的函数形式，诸如例如，椭圆函数、圆锥函数、双曲面函数、双曲线抛物面函数或其它表面函数。因此，本文所述的系统和方法可以生成表征不同视觉功能的多个VFM。通过本文描述的示例，本文描述的系统和方法相对于现有视野图装置所具有的优点和技术改进将变得更加显而易见，并且可以被更好地理解。

图1描绘了用于测量视觉功能图的系统100的示例。系统100可以被配置成生成VFM。VFM可以包括与受试者的视野中的视网膜位置相对应的多个VF位置。VFM可以包括针对每个VF位置的视野数据，该每个VF位置的视野数据表征视野中的相应视网膜位置的视觉功能。例如，给定的VF位置的视野数据可以包括表示视野中的相应视网膜位置的视觉性能的得分。VFM可以响应于物理刺激使每个视网膜位置量化。因此，VFM可以表示受试者响应于物理刺激，在每个视网膜位置处产生的感觉和/或知觉。

系统100可以被配置成根据正被测量的特定视觉功能来生成多个不同的VFM。系统100可以被配置成基于给定的视野测试(本文中也称为“视力测试”)生成每个VFM。系统100可以被配置成对受试者进行视力测试。因此，跨越视野中的视网膜位置，每个VFM可以提供给定视觉功能的性能测量。给定的视觉功能可以包括但不限于光敏度、对比敏感度、视觉敏锐度、对比敏感度函数、颜色敏感度、立体视觉、临时频率敏感度、运动敏感度、阅读速度和拥挤度。在示例中，系统100可以被配置成基于视力测试，来在视野中的每个视网膜位置处测量光敏度。系统100可以被配置成基于视野中每个视网膜位置处的所测量的光敏度来生成光敏度VFM。系统100可以被配置成对光敏度VFM进行评估以检测受试者的视力功能障碍。在一些示例中，可以针对受试者中的青光眼来对光敏度VFM进行评估。在另一示例中，系统100可以被配置成基于视力测试来在视野中的每个视网膜位置处测量对比灵敏度。系统100可以被配置成基于视野中每个视网膜位置处所测量的对比敏感度来生成对比敏感度VFM。系统100可以被配置成对对比敏感度VFM进行评估以检测受试者的视力功能障碍。在一些示例中，可以针对受试者中的AMD来评估对比敏感度VFM。

系统100可以包括存储器102。存储器102可以包括可执行的机器可读指令。系统100可以进一步包括处理单元104，其可以被配置成访问存储器102并执行所存储的机器可读指令。在一些示例中，处理单元104可以包括图形处理单元(GPU)。GPU可以包括启用了CUDA的GPU，诸如

GeForce 1080视频卡等。与当前可用的VFM装置相比，系统100可以被配置成处理与测量视觉功能图相关联的更多视野数据。现有的VFM装置不能以及时有效的方式，有效地处理所需量的视野数据，而且不能为受试者提供准确且精确的VFM。与现有的VFM装置相比，通过使用GPU，系统100可以被配置成根据本文描述的方法，以更有效的方式生成更准确且更精确的VFM。因此，系统100包括相对于现有VFM装置的技术优势。因此，根据本文描述的方法，系统100改进了用于测量视觉功能图的基础技术。在本示例中，虽然系统100的组件(例如，模块)被示出为在相同系统上实施，但是在其它示例中，不同组件可以分布在不同系统上并且例如通过网络进行通信。在一些示例中，存储器102可以是处理单元104的一部分。在一些示例中，可以在私有云环境和/或公共云环境中实施存储器102和/或处理单元104的部分或全部。

存储器102可以进一步包括视力测试数据(图1中未示出)。视力测试数据可以包括用于视力测试的视力测试参数。系统100可以对受试者进行视力测试，以提供受试者视力的测量，这包括他们的中央视力和/或周围(侧面)视力。视力测试参数可以是用户可定义的，并且可以作为视力测试参数数据存储在存储器102中。如本文所述，可以响应于视力测试，基于来自受试者的性能数据来连续更新一个或多个视力测试参数。性能数据(或受试者响应数据)可以包括但不限于受试者的响应精度、响应时间、指向和/或眼睛移动数据。可以在每次视力测试期间，基于来自受试者的用户输入来生成性能数据。因此，可以基于来自先前视力测试的用户输入来针对将来的视力测试更新视力测试参数。因此，可以在每次对受试者实施视力测试之后，动态地调整视力测试。

系统100可以进一步包括视力刺激装置106和视力测试模块108。视力刺激装置106可以包括显示器(图1中未示出)。可以对视力测试模块108进行编程，以基于视力测试数据来控制对受试者进行视力测试。可以在给定的时间段内或在药物治疗之间顺序地实施每次视力测试。可以对视力测试模块108进行编程，以控制视力刺激装置106基于视力测试参数对受试者进行视力测试。例如，在对光敏度进行建图中，视力测试参数可以包括亮度参数、尺寸和/或形状参数、位置参数和持续时间参数。

每次进行的视力测试可以包括使受试者相对于视力刺激装置106定位，并且在给定的时间段内在显示器上的特定位置呈现刺激物。例如，在对光敏度进行建图中，每次视力测试可以包括在显示器上的基于位置参数的给定位置处，呈现具有由亮度参数所定义的亮度的刺激物(例如，光目标)。根据持续时间参数，可以使显示器上给定位置处的光呈现给定时间。可以通过视力刺激装置106，基于视力测试参数以计算机化的方式对受试者进行视力测试。

在每次进行视力测试期间，受试者可以基于刺激物(例如，光目标)而提供一个或多个响应。一个或多个响应可以包括表征刺激物的信息和/或与刺激物有关的信息。例如，可以向受试者呈现给定位置处的光目标，并且询问该受试者是否能够检测到给定位置处的光。受试者可以在视力测试期间，通过输入装置(图1中未显示)提供一个或多个响应。输入装置可以包括音频输入装置，例如麦克风等。因此，受试者可以口头(例如，用“是”)确认检测到光，或口头(例如，用“否”)确认没有检测到光。另外地或可选地，输入装置可以包括键盘、鼠标、指示装置、眼动仪等。在该示例中，受试者可以使用例如键盘来提供确认检测到光和确认没有检测到光。

输入装置可以被配置成在视力测试期间，基于受试者提供的一个或多个响应来生成性能数据。响应数据可以例如由处理器104存储在存储器102(图1中未示出)中。在一些示例中，系统100可以包括在视力测试期间记录受试者的眼睛运动的眼跟踪单元(图1中未示出)。眼跟踪单元可以被配置成生成眼睛运动数据，该眼睛运动数据表征在视力测试期间的作为对刺激物的响应的受试者的眼睛运动。眼睛运动数据可以作为响应数据的一部分而存储在存储器102中。眼跟踪单元可以被配置成在视力测试期间，提供来自受试者的注视位置、注视持续时间、注视稳定性、扫视幅度、扫视方向、扫视次数，眼睛运动控制的扫视准确性以及关于注视眼睛运动的信息(例如，微扫视和/或漂移)。

该系统可以进一步包括全局模块110。可以对全局模块110进行编程以基于与对受试者进行的先前视力测试相关联的响应数据来更新用于后续视力测试的视力测试参数。如本文中所述，可以对全局模块110进行编程以基于参数空间中的所选择参数来生成视力测试参数更新数据。可以对全局模块110进行编程以与视力刺激模块108通信。可以对视力刺激模块108进行编程以接收视力测试参数更新数据。可以对视力刺激模块108进行编程，以基于视力测试参数更新数据来更新用于后续视力测试的视力测试参数。例如，在对光敏度进行建图时，可以对视力测试模块108进行编程以更新用于后续视力测试的亮度参数、尺寸参数、形状参数、位置参数和/或持续时间参数。

可以对全局模块110进行编程以生成VFM模型。VFM模型可以表征受试者的视野(例如，形状)的整体视觉功能图。VFM模型可以包括针对视野的每个视网膜位置的视觉功能测量。每个视觉功能可以表征视野的相应视网膜位置的视觉性能(例如，视觉功能)。在一些示例中，视觉功能图可以通过参数函数(例如，指数函数，抛物线函数、两条线、高斯函数、多项式函数等)来表征。可以对全局模块110进行编程以检索基线响应数据(图1中未示出)。基线响应数据可以存储在存储器102中。基线响应数据可以表征一组受试者的视野的视网膜位置的先前测量视觉性能。该组受试者在视野的给定视网膜位置处可以具有正常的(或健康的)测量视觉功能。健康受试者可以对应于在与视觉功能相关的运动、感觉和认知功能中的任何一项或多项中没有缺陷或病理的人。可以按年龄和其它人口统计学因素对健康受试者进行分层。该受试者组也可以是患有特定类型和程度的与视觉相关的疾病的受试者。

可以对全局模块110进行编程以生成初始VFM模型，以提供受试者的整体视觉功能图的初始表征。因此，每个视觉功能图可以提供视野中的每个视网膜位置的初始视觉性能。可以对全局模块110进行编程以基于响应于视力测试而生成的响应数据来更新视野中的所有视网膜位置的视觉功能图。因此，可以对全局模块110进行编程以迭代地更新表征视野的整体视觉功能图的VFM模型。

可以对全局模块110进行编程，以利用一组视觉功能参数来生成视野中的所有视网膜位置的视觉功能图。在示例中，每个视觉功能图可以对应于倾斜椭圆抛物面函数(TEPF)。在一些示例中，一组视觉功能图参数可以包括(1)中央增益(例如，中央凹处的敏感度)，EPZ；(2)水平方向上的带宽(正焦弦)，EPA，其可以在视野的水平方向上、以半宽度(例如，以倍频程)来描述视觉功能图的全部宽度；(3)垂直方向上的带宽，EPB；(4)水平方向上的倾斜级别，SLA；(5)垂直方向上的倾斜级别，SLB；以及(6)光检测中的判定标准(例如，是/否)任务)。

在对光敏度进行建图的示例中，可以对全局模块110进行编程以使得TEPF的高度τ(x,y)可以在视网膜位置(x,y)处、以固定的d’＝1.0级来定义光敏度(1/阈值)：

可以由全局模块110将每个视网膜位置(x,y)的d'心理测量函数，即给定刺激物强度s的感知灵敏度建模为：

其中s是刺激物的强度，γ是d'心理测量函数的斜率，β是心理测量函数的渐近线。心理测量函数在低到中刺激物强度上可以近似线性，并且在高强度下可以饱和。在一些示例中，γ和β可以是固定的。例如，可以固定为γ＝2.1并且β＝5.0。

在视网膜位置(x,y)处的是/否检测任务中，可以根据感知敏感度和判定标准来确定受试者报告目标存在(“是”)的概率，感知敏感度和判定标准可以由全局模块110建模为：

其中()是标准正态分布函数的概率密度函数，Φ()是标准正态分布函数的累积概率密度函数，d'(s,x,y)是在视网膜位置(x,y)处的、与具有信号强度s的刺激物相关联的d'值，λ(x,y)是视网膜位置(x,y)处的判定标准。

可以对全局模块110进行编程，以跨越所有视网膜位置来使用单个λ。如本文中所述，可以对局部模块114进行编程以在每个视网膜位置处使用独立λ(x,y)。可以对全局模块110进行编程以生成针对视野的每个视网膜位置的似然函数。似然函数可以完整地描述遍及所有视网膜位置、以所有光级别来检测光的概率。在示例中，可以由全局模块110将似然函数表示为：

其中P(s,x,y)是心理测量函数，ε是递减率(lapse rate)，(x,y)是给定的视网膜位置，s是给定视力测试的刺激参数。

在一些示例中，全局模块110可被编程为在等式(4)中针对受试者使用固定的递减率ε。在一些示例中，可以使用固定的递减率0.03来对全局模块110进行编程。可选地，可以根据受试者的响应来估计递减率。

在对对比敏感度进行建图的示例中，使用了10个替代的强制选择字母识别任务和关联的似然函数。

最初，可以对全局模块110进行编程，以基于基线响应数据来对视野中的所有视网膜位置建立视觉功能的一组视觉功能图参数。可以对全局模块110进行编程以基于每次进行视力测试之后的响应数据来更新视野中的所有视网膜位置的一组视觉功能图参数。可以对全局模块110进行编程，以在受试者的每次视力测试之后完善针对视野中的所有视网膜位置的视觉功能图。因此，全局模块110可以在每次后续视力测试之后，提供针对受试者的视觉功能图的更准确估计。

可以对全局模块110进行编程，以根据贝叶斯推论、基于在每次视力测试期间生成的响应数据来更新视野中的所有视网膜位置的一组视觉功能图参数。可以对全局模块110进行编程，以基于在每次视力测试实施期间生成的响应数据来更新所有视觉功能图参数的联合概率分布。可以对全局模块110进行编程，以通过概率密度函数来表征每个视觉功能图参数，以表示给定视觉功能参数的值将等于该样本的相对可能性。在示例中，每个概率密度函数的先验可以是均匀密度函数、双曲概率密度函数和其组合的一个。

另外地或可选地，可以对全局模块110进行编程，以通过参数空间中的n维联合概率分布来表征所有视觉功能图参数，其中n是等于视觉功能参数数量的整数。可以对全局模块110进行编程，以定义n维参数空间中的宽联合先验分布p₀(θ)。参数空间可以表示在视野中的给定视网膜位置处的视觉功能的所有可能变化。例如，在对光敏度进行建图时，概率密度函数

其中

可以基于TEPF的六维参数空间和判定标准来定义。可以对全局模块110进行编程，以生成针对任何响应数据收集之前(例如，t＝0)的所有视觉功能图参数的初始先验概率分布

可以对全局模块110进行编程以根据多种方法来通知先验：(1)基于结构的先验：可以使用诸如眼底图像或OCT SLO(OSLO)的结构成像来定位暗点、解剖窝和首选视网膜位点(PRL)并且通知先验；(2)从统计或机器学习中得出的先验：可以使用统计和/或机器学习算法来对对患者进行分类并且到出不同类型患者的信息先验；(3)从分层自适应方法中导出的先验：本文所述的分层贝叶斯扩展方法可以提供一种采用两个互补的推理方案(具有过去数据和将来数据)来获得信息增益方面的更高准确性和更高效率的明智方式。以这种方法，将每个到来的受试者分配给几种具有概率的可能患者类别。每种类型的患者都有自己的先验知识。在整个测试过程中，分层方法可以同时地更新患者分类和VFM的概率，并在测试每个新受试者之后更新类别的先验；(4)由其它VFM通知的先验：对于每个新的VFM(例如，对比敏感度的VFM)，可以通过来自先前VFM(例如，光敏度的VFM)的结果通知先验。

可以对全局模块110进行编程，以在每次视力测试之后更新整个视野中的所有视网膜位置处的所有视觉功能图参数的先验概率分布。可以对全局模块110进行编程，以根据贝叶斯法则、基于每个视力测试期间生成的响应数据，将先验概率分布更新为后验概率分布。例如，可以对全局模块110进行编程，以根据贝叶斯法则来将第i次视力测试中的先验概率分布

更新为具有受试者对利用刺激物s的视力测试的响应r_t(例如，是或否，或刺激物识别)的后验概率分布

其中θ表示给定视觉功能的一组视觉功能图参数，

是

的先验概率分布函数。

可以由全局模块110通过利用先验对经验响应概率进行加权来估计给定刺激物条件s下的响应r_t的概率

其中

是在给定

和刺激物s的情况下观察响应r_t的可能性。

第t次视力测试后的后验

可以用作后续视力测试中的先验

可以对全局模块110进行编程以基于边缘后验分布来在每次视力测试之后估计给定视觉功能的视觉功能图参数。可以对全局模块110进行编程以确定用于每次进行视力测试的刺激参数。可以对全局模块110进行编程以基于刺激参数来生成视力测试参数更新数据。在一些示例中，视力测试参数更新数据可包括刺激参数。刺激参数可以对应于视力测试的多个视力测试参数中的一个或多个。例如，在对光敏度进行建图时，刺激参数可以包括亮度值、尺寸和/或形状值、持续时间值、和/或位置值。因此，刺激参数可以包括亮度参数、尺寸参数、形状参数、持续时间参数、位置参数及其组合中的一个。

可以对视力测试模块108进行编程以生成刺激空间，该刺激空间可以包括表征所有可能的刺激位置(x,y)和刺激强度的多个刺激参数。在其它示例中，可以对全局模块110进行编程以生成刺激空间。可以对全局模块110进行编程，以在多个刺激参数之中选择使关于视野中的每个视网膜位置的视觉功能的一组视觉功能图参数的预期信息增益最大化的刺激参数。可以对全局模块110进行编程，以基于视觉功能图参数的先验概率分布来从每次进行视力测试的参数空间中选择刺激参数。可以对全局模块110进行编程以基于在每次进行视力测试期间生成的响应数据来更新所有视觉功能图参数的后验概率分布。利用先验概率分布和刺激空间，全局模块110可以根据等式(4)来计算在所有可能观察者的视野中的检测或识别出任何刺激物的概率。

为了确定用于第t次视力测试的刺激参数，可以对全局模块110进行编程以基于针对一组视觉功能图参数的、当前估计的后验概率密度函数，来预测在第t次视力测试中观察者对每个可能刺激参数的响应。可以对全局模块110进行编程，以针对每个可能刺激参数来计算一组视觉功能图参数的预期后验分布。可以对全局模块110进行编程以从用于第t次视力测试的多个刺激参数之中识别来自具有最小预期熵的刺激空间的刺激参数。这可以等同于对量化为视野中所有视网膜位置处的一组视觉功能图参数的先验概率密度函数和后验概率密度函数之间的熵变化的预期信息增益进行优化。在示例中，可以从刺激空间中的多个刺激参数之中随机选择在随后的视力测试中使用的刺激参数，例如具有预期信息增益的前10％的刺激空间。

在示例中，可以对全局模块110进行编程以对刺激空间中的最小熵执行一步前向搜索。可以对全局模块110进行编程以选择针对进行后续视力测试、将产生最小预期熵的最佳刺激参数。可以对全局模块110进行编程以基于当前先验概率分布、针对所有可能刺激参数的预期后验概率分布以及针对每个可能刺激参数的预期熵，来计算在进行后续视力测试中的每个可能刺激条件下的受试者的响应概率P_t+1(r|s)。

可以对全局模块110进行编程以将后验概率分布的熵定义为：

其中r表示观察者对信号强度为s的视力测试的响应(是或否，或刺激物识别)。

可选地，可以对全局模块110进行编程，以定义视觉功能图参数的子集或视觉功能图参数的全部或子集的加权和的后验概率分布的熵。

可以由全局模块110将利用刺激物s的信号强度的视力测试之后的预期熵计算为后验熵的加权和：

E[H_t+1(s，r)]＝Σ_rH_t+1(s，r)*P_t+1(r|s) (9)

可以由全局模块110根据以下等式来针对下次视力测试选择具有最小预期熵的刺激参数：

这等同于使量化为先验和后验之间的熵变化的预期信息增益最大化。因此，可以对全局模块110进行编程以计算预期信息增益，在每次进行视力测试之前，该预期信息增益被计算为每个潜在刺激参数的先验概率分布的熵与期望后验概率分布的熵之间的差值。

根据贝叶斯更新和最佳刺激参数选择，可以对全局模块110进行编程，以基于在每次进行视力测试期间的受试者的响应来更新所有视网膜位置处的设定视觉功能图参数的联合后验分布。例如，连同判定标准和心理测量函数的斜率，可以对全局模块110进行编程以预测在受试者的视野中的每个视网膜位置处检测到光的概率。可以对全局模块110进行编程以生成视野中的每个视网膜位置的分数，该分数表征在给定视网膜位置处的视觉功能的性能。例如，在对光敏度进行建图时，每个视网膜位置的分数可以表示给定的视网膜位置处的、以固定d'级的感知灵敏度(1/阈值)。

系统100可以进一步包括切换模块112。可以对切换模块112进行编程，以由全局模块110相对于信息增益标准来评估信息增益率。可以对切换模块112进行编程，以基于由全局模块110生成的、用于一组视觉功能参数的后验概率分布来生成关于每个视网膜位置处的视觉功能测量的先验概率分布。例如，在对光敏度进行建图时，在受试者视野中的每个视网膜位置处，先验概率分布可以超过感知灵敏度和判定标准两者。

可以对切换模块112进行编程，以根据前10％的潜在刺激来在全局模块中计算总预期信息增益(TEI)。随着进行视力测试的次数增加，因为系统100学习了更多关于视野中的所有视网膜位置的每个视觉功能的一组视觉功能图参数，所以可以预期TEI将从初始值逐渐降低。当基于进行多次视力测试，学习饱和时，TEI的趋势可能会逆转-也就是说，在视力测试t+1中的TEI可能会高于先前视力测试。可以对切换模块112进行编程，以将视力测试t+1中的TEI与前三次视力测试t-2、t-1和t的平均TEI进行比较来确定是否应当启用局部模块114。可以对切换模块112进行编程，以基于比较的结果来启用局部模块114，这对应于“切换”局部模块114。例如，当视力测试t+1中的TEI小于前三次视力测试t-2、t-1和t的平均TEI时，可以对切换模块112进行编程以启用局部模块114。

在一些示例中，可以对切换模块112进行编程以在全局模块110中评估信息增益速率，并当信息增益速率低于标准值时确定启用局部模块114。可选地，可以对切换模块112进行编程以评估来自全局模块和局部模块的潜在信息增益、全局模块中视觉功能参数的收敛性，或用于预先诊断的眼部疾病的固定试验次数，并且基于评估来确定是否启用局部模块114。

可以对切换模块112进行编程，以响应于基于全局模块中的一组视觉参数的后验而启用局部模块114来生成视野中的每个视网膜位置处的视觉功能测量的先验分布。例如，可以对切换模块112进行编程以对来自全局模块的后验分布进行采样以生成每个视网膜位置的先验分布。局部模块114可以被配置成计算视野中的每个视网膜位置处的独立参数。例如，在对光敏度进行建图中，根据等式(2)的τ(x，y)不再根据等式(1)进行描述，而是对于每个视网膜位置可以是独立的。另外，判定标准λ(x，y)对于每个视网膜位置可以是独立的。因此，每个视网膜位置可以与独立参数相关联，因此可以与独立先验分布和后验分布相关联。如本文中所述，可以由切换模块112生成局部模块114的初始先验。虽然遍及视网膜位置，参数是独立的，但是可以基于遍及所有视网膜位置的总预期熵来进行最佳刺激参数选择。可以对局部模块114进行编程以评估视野中的所有视网膜位置的预期熵，从而选择测试位置、刺激强度、尺寸、形状和/或持续时间(例如，刺激空间中的刺激参数)。

可以对局部模块114进行编程以根据自适应过程来评估视野中的每个视网膜位置处的视觉功能。在一些示例中，自适应过程可以包括贝叶斯自适应过程。可以对局部模块114进行编程，以基于遍及位置的相对信息增益来确定视力测试的顺序和刺激物。例如，在对光敏度进行建图时，可以使用贝叶斯是/否(贝叶斯YN)方法作为自适应过程。可以使用贝叶斯YN方法来评估每个视网膜位置处的视觉功能以及所有视网膜位置处的预期信息增益和刺激物强度级别，以确定每次视力测试的最佳刺激物。例如，在对对比灵敏度进行建图时，可以将贝叶斯强制选择(贝叶斯FC)方法用作自适应过程。可以使用贝叶斯FC方法来评估每个视网膜位置处的视觉功能以及所有视网膜位置处的预期信息增益和刺激物强度级别，以确定每次视力测试的最佳刺激物。可以对局部模块114进行编程，以在进行给定次数的视力测试之后，根据自适应过程来终止对视野中的每个视网膜位置的视觉功能的评估。可选地，可以对局部模块114进行编程以在达到定义的受试者之后终止(例如，在达到视觉功能的视觉功能参数的精度标准级别或遍及所有视网膜位置的感知灵敏度之后，或者达到时间限制之后)。

在每次视力测试中，本文所述的系统100可以基于等同最小期望熵的最大期望信息增益来选择最佳测试刺激参数。在一些示例中，系统100可以被配置有用于信息增益的其它度量，诸如可以使用费歇尔信息、交互信息，或者后验分布的可变性的测量。而且，系统100可以利用除一步前向策略之外的其它方法，诸如基于动态编程策略的多步前向搜索、或在Humphrey和Octopus周界中使用的“区域增长”技术来实施刺激物选择。在一些示例中，可以使用穷举搜索算法。在其它示例中，可以使用诸如马尔可夫链蒙特卡洛(MCMC)的方法来搜索刺激空间。系统100可以进一步包括打印机(图1中未示出)。打印机可以被配置为提供可以在眼科诊断中使用，以提供受试者视野的详细打印输出。本文所述的混合贝叶斯自适应测试框架显著减少了用于估计个人基本视觉功能的测试时间，从而改善了功能障碍的诊断和治疗，这包括但不限于年龄相关的黄斑变性(AMD)、青光眼、糖尿病性视网膜病、色素性视网膜炎或其它神经系统疾病。

系统100可以被配置成提供对受试者的视野中的每个视网膜位置处的视觉功能的测量。临床视力中广泛使用的视野测量法仅限于提供光敏度VFM。其它视觉功能(例如，视觉敏锐度)通常仅在一个单个空间位置，在中央窝或优选的视网膜位置(PRL处进行测量。然而，在单个视网膜位置处的视力测试不能完全表示眼科患者日常活动中残余视力的典型用法。为了更全面地评估患者的残余视力，还需要其它视觉功能图，这包括但不限于视觉敏锐度、对比敏感度函数、双目视力、色觉、时间频率、运动敏感度、阅读速度和拥挤图。实际上，由于需要大量的数据收集，因此现有技术不能有效地和/或高效地生成VFM。也就是说，由于现有设备使用效率较低的测试策略并且不能处理大量测试数据，因此现有设备不能提供如本文中所述的系统100的准确度和精确度。已经开发出传统的自适应过程来估计阈值，并且在一些应用中，一次仅针对单个刺激条件的心理测量函数的斜率。虽然可以使用单个阈值的测量，但是这些常规方法没有利用条件之间的关系，所以数据收集的需求被乘以条件的数量。

本文描述的系统和方法高效地解决了在对与现有VFM装置相关联的视觉功能进行建图时的主要技术挑战。例如，本文描述的系统和方法可以提供光敏度和对比灵敏度的准确、精确、有效的视野建图。本文描述的技术可以适用于对包括但不限于光敏度，视觉敏锐度、对比敏感度函数、颜色敏感度、双目视觉、阅读速度和拥挤的视觉功能进行建图。所有这些VFM的临床评估都可以对残余视力功能进行全面评估，以监测视力丧失、评估治疗干预措施并且为眼科患者开发有效的康复方法。此外，本文所述的系统和方法可用于识别功能性视觉的核心指标。通过测量一大群受试者的一系列日常视觉任务中的表现，可以利用本文中的技术提供的候选指标(例如，光敏度、对比度敏度、敏锐度)来在日常视觉任务中对受试者的表现进行建模，并且识别核心指标。核心指标可用于评估视力缺陷，并且对受试者的残余视力提供全面评估。

本文描述的系统和方法包括贝叶斯自适应过程以估计是/否检测任务中的灵敏度阈值。这些自适应过程应用SDT框架以直接估计灵敏度阈值。通过直接评估敏感性和判决参数，贝叶斯YN方法解决了是/否阈值的标准依赖性，这在很大程度上阻止了在心理物理应用中的广泛应用。本文所述的系统和方法还包括贝叶斯自适应过程以估计强制选择任务中的灵敏度阈值。这些自适应过程应用SDT框架来直接估计灵敏度阈值。通过直接评估敏感性和判定参数，贝叶斯FC方法还可以解决强制选择任务中的标准依赖性问题。

本文所述的系统和方法可以被配置成组合全局框架和局部框架以基于贝叶斯自适应技术来测量视觉功能图。该框架减少了用于估计正常和视觉受损个体的基本视觉功能的测试时间和成本，同时提高了测量受试者的视觉功能的质量和精度。因此，本文描述的系统和方法包括混合贝叶斯自适应测试框架，其组合了用于对VFM的形状进行初步评估的全局方法和用于评估各个视野位置的方法。

此外，本文描述的系统和方法可以整合针对测量单个位置处的光敏度而开发的贝叶斯YN方法来遍及视野地测量光敏度。可以通过在计算机模拟和心理物理评估两者中，将在每个单个位置处使用贝叶斯YN方法来在多个空间位置处对光敏度的独立测量和使用本文中描述的技术而获得的测量进行比较来验证本文中描述的系统和方法的效率性。

本文描述的系统和方法可以整合用于在单个位置处测量对比灵敏度而开发的贝叶斯FC方法来，以遍及视野地测量对比灵敏度。可以通过在计算机模拟和心理物理评估两者中，将在每个单个位置处使用贝叶斯FC方法来在多个空间位置处对对比灵敏度的独立测量和使用本文中描述的技术而获得的测量进行比较来验证本文中描述的系统和方法的效率性。

本文中的技术不仅可以应用于利用贝叶斯YN和贝叶斯FC方法对其它关键视觉功能进行建图，而且可以应用于利用评估诸如视力测试中的字母识别的视觉功能中使用的其它替代任务和方法来对其它关键视觉功能进行建图。

其它视觉任务，包括视觉敏锐度、对比敏感度函数、颜色、立体视觉、临时频率、运动敏感度、阅读速度和拥挤图可适于在本文所述的系统和方法中实践。字母或由字母组成的刺激物可用于测量功能性视觉指标，诸如视觉敏锐度、对比敏感度功能、颜色、阅读速度和拥挤图。例如，在字母任务中有更多的响应选择可以降低猜测率并增加心里测量函数的斜率，从而增加每次视力测试中的信息增益并且提高自适应过程的效率。另外地或可选地，与格栅相比，字母包含沿所有方向的宽带的空间频率。在对比敏感度函数过程中，斯隆字母以1倍频程带宽进行带通滤波。在对比敏感度函数中，立体视觉和临时频率、运动任务、静态或移动格栅也可以用作视觉刺激物。此外，本文描述的系统和方法可以扩展到双目VFM。此外，虽然所描述的系统和方法针对局部模块114使用贝叶斯YN和贝叶斯FC方法，但是可以利用其它方法，诸如阶梯法或用于阈值评估的另一替代方法，来代替贝叶斯YN和贝叶斯FC方法。另外，本文描述的系统和方法可以与眼底照相机和/或OCT SLO(OSLO)系统集成以提供视野的结构和功能评估。例如，眼跟踪可以被集成到系统100中以监测固视稳定性并且测量受试者对任务中的刺激物的响应。

图2描绘了用于实现用于测量视觉功能的系统200的示例性环境。在一些示例中，系统200可以对应于如图1所示的系统100。在其它示例中，系统200可以对应于系统100的一部分，因此可以包括系统100中的一些组件。根据本文描述的方法，系统200可以被配置成进行视力测试以提供受试者的视觉功能性能的测量。

鉴于上述的前述结构和功能特征，将参照图3更好地理解可以实施的方法。虽然为了简单说明起见，图3的方法被示出并描述为顺序地执行，但是应当理解并意识到的是，因为在其它示例中，某些方面可能会以不同的顺序和/或与来自本文示出和描述的方面的其它方面同时地发生，所以这种方法不受所示出的顺序的限制。而且，可能不需要所有示出的特征来实现一种方法。该方法或其部分可以被实现为存储在一个或多个非暂时性存储介质中的指令，并且可以由系统，例如如图1所示的系统100或如图2所示的系统200的处理资源执行。因此，可以由如图1所示的系统100或如图2所示的系统200来实施方法300。

因此，与用于测量视觉功能的现有VFM装置相比，本文描述的系统和方法提供了一种更加准确、精确和有效的视觉功能图的测量。通过前述的模拟和实验评估，将更好地理解本文所述的系统和方法相对于用于测量视觉功能图的现有VFM装置所具有的至少一些优点和改进。

实施方式一：光敏度建图

在第一组模拟和实验评估中，对100个VF位置(60×60度)进行了采样，并将本文所述的测量视觉功能图的方法的性能与独立地评估每个位置的用于测量视觉功能的已知方法进行了比较。

模拟评估

为了评估本文描述的用于测量视觉功能图的方法的性能，模拟了本文描述的方法和用于测量视觉功能图的已知方法。已知方法是贝叶斯YN方法。根据本文所述的方法和贝叶斯YN方法，对正常观察者进行模拟和提示，以报告在100个视网膜位置中的一个处存在或不存在亮度目标。如本文所述，模拟观察者的参数被定义为近似于心理物理评估中的观察者。定义了六个参数，其包括

EPZ＝24.3(dB)、SLA＝0.020(dB/度)、SLB＝0.032(dB/度)和λ＝1.20。模拟OS眼睛的盲点在[-15(度)、-3(度)]。

用于模拟的参数空间包括20个线性间隔的EPA值(例如，从69.0至

)、20个线性间隔的EPB值(例如，从33.6至

)、32个线性间隔的EPZ值(例如，从16.3至25.0dB)、15个线性间隔的SLA值(例如，从-0.2至0.2dB/度)、15个线性间隔的SLB值(例如,从-0.17至0.23dB/度)和20个线性间隔λ值(例如，从0.4至2.1)。宽泛的参数空间用于基本减轻极值的影响，当观察者的真实参数值接近参数空间的边界时，这些极值可能会向参数空间的中央偏移。生成了表征模拟的视觉功能的视觉功能图模型。视觉功能图模型包括六个参数。六个参数中的每个参数都对应于概率分布。在模拟中，使用了用于心理物理验证的六个参数的先验概率分布。每个先验都由双曲正割(sech)函数定义。

对于用于模拟的每个先验参数，θ_i，i＝1、2、3、4、5、6，根据对该参数的最佳猜测θ_i,猜测来定义边际先验p(θ_i)的模式，并根据与最佳猜测相关的置信度值θ_i,置信度来定义宽度：

P(θ_i)＝sech(θ_{i，置信度}×(θ_i-θ_i，猜测)). (11)

其中：

为了进行模拟，先验被定义为围绕θ_i,猜测的对数对称，其各个参数的值为：

EPZ＝24.5(dB)、SLA＝0.019(dB/度)、SLB＝0.048(dB/度)和λ＝1.16。对于每个参数的θ_置信度，对于EPA将该值设置成0.67、对于EPB将该值设置成1.26、对于EPZ将该值设置成1.93、对于SLA设将该值置成3.13、对于SLB将该值设置成3.03，对于λ将该值设置成2.68。联合先验被定义为边际先验的归一化乘积。刺激空间包括视网膜位置的10×10网格[60(度)×60(度)]和线性间隔的亮度值(例如，从10.2dB至25.0dB)。在模拟中，线性间隔的亮度值包括与全局模块相关联的60个值和与局部模块相关联的120个亮度值。

相对于用于对视觉功能进行建图的贝叶斯YN方法，评估了本文所述方法的性能。本文描述的方法基于全局模块、切换模块和局部模块。贝叶斯YN方法仅基于局部模块。基于模拟受试者的多次测试(例如，1200次测试)的多次重复模拟(例如，1000次重复模拟)来比较每种方法。在模拟中，基于与本文描述的方法相关联的全局模块的先验来生成与贝叶斯YN方法相关联的初始先验。

准确度可以定义为对估计值平均偏离了真实值多少的测量。第i次试验后，遍及100个VF位置的估计灵敏度的均方根误差(RMSE)可以计算为：

其中，τ_ijk是在第j次模拟中获得的第i次试验之后的第k个VF位置处的估计灵敏度(1/阈值)，而τ_k ^真实是该位置的真实灵敏度。将第i次试验之后的每个位置的估计阈值的平均绝对偏差计算为：

精度可以定义为估计值的可变性的倒数。在模拟中，使用了两种技术来评估方法的精度。第一种技术基于重复测量的标准偏差：

第二种技术基于视网膜位置的估计阈值的后验分布的可信区间(HWCI)的一半宽度。HWCI可以指表示分布的给定部分的最短间隔。68.2％可信区间可以表示实际值的概率为68.2％的范围，而置信区间(最常用的精度指标)可以表示可以包括68.2％的参数真实值无限重复的区间。后验分布的HWCI可以对应于适当的精度指标，该精度指标可以通过单次应用本文所述的方法来获得。

图4A-Q示出了通过模拟用于测量视觉功能图的本文所述的方法和贝叶斯YN方法而生成的针对模拟受试者的示例性估计光敏度VFM。第一列中列出了针对模拟观察者的VFM。第二列和第三列中列出了通过本文所述的方法经过1200次测试和300次测试后获得的估计结果。第四列中列出了使用贝叶斯YN方法获得的估计结果。在每个各自列中，利用对应颜色图在第一行中并且利用每个相应列中的数值在第二行中列出了VFM估计值。在第三行、第四行和第五行中列出了VFM估算值的绝对偏差、标准偏差和68.2％HWCI。

图5A示出了基于用于测量视觉功能图的本文所述方法和贝叶斯YN方法的模拟的示例性平均RMSE、平均绝对偏差、标准偏差和68.2％HWCI。在本文所述的方法和贝叶斯YN方法两者中，遍及100个视网膜位置处的估计灵敏度的平均RMSE始于1.41dB。在前300次测试后，平均RMSE在本文描述的方法中减少到0.76dB，在贝叶斯YN方法中减少到1.15dB，并且在1200次测试结束时，平均RMSE在本文中描述的方法中减少到0.15dB，在贝叶斯YN方法中减少到0.26dB。

在本文所述的方法和贝叶斯YN方法中，所有100个视网膜位置处的估计灵敏度的平均绝对偏差均始于0.28dB。在前300次测试后，平均绝对偏差在本文描述的方法中减少到0.06dB，在贝叶斯YN方法中减少到0.28dB，并且在1200次测试结束时，平均RMSE在本文中描述的方法中减少到0.01dB，在贝叶斯YN方法中减少到0.04dB。在300次测试后，SD在本文所述方法中为0.63dB，在贝叶斯YN方法中为0.75dB，在1200次测试后，SD在本文所述方法中减少到0.15dB，在贝叶斯YN方法中减少到0.24dB。在所有条件下，68.2％HWCI随着试验次数而相应减少，并且在本文所述方法中提供了更高的精度。68.2％HWCI在本文所述方法和贝叶斯YN方法中均始于2.12dB，在前300次测试后，68.2％HWCI在本文所述方法减少到0.20dB，在贝叶斯YN方法中减少到0.69dB，并且经过1200次测试后，68.2％HWCI在本文所述方法中减少到0.15dB，在贝叶斯YN方法中减少到0.24dB。

图5B示出了基于用于测量视觉功能图的本文所述方法和贝叶斯YN方法的模拟的示例性平均缺损、缺失方差、短期波动、校正缺失方差。第i次测试后，将所有100个VF位置的估计灵敏度的平均缺损计算为：

其中，τ_ijk是在第j个模拟中获得的i次测试之后的在第k个VF位置处的估计灵敏度，τ_k ^真实是在该位置处的真实灵敏度。

将缺失方差计算为：

其中在等式(16)中定义MD_i。

将短期波动计算为：

将校正缺失方差计算为：

CLV_i＝LV_i-SF_i ² (19)

其中在等式(17)中定义LV_i，在等式(18)中定义SF_i。

在图5A至图5B中，将基于本文描述的方法的结果显示为实线，并且将基于贝叶斯YN方法的结果显示为虚线。

心理物理评估

在心理物理评估中相对于用于测量视觉功能的贝叶斯YN方法，来对本文所述方法的性能进行评估。在兼容运行PsychToolbox扩展程序的计算机的英特尔商业机器(IBM)可编程计算机(PC)上进行了心理物理评估。在背景亮度设置为31.5绝对值的三星55英寸显示器(型号：NU55)上显示刺激物。受试者在昏暗的房间中利用自然瞳孔、以30厘米(cm)的观察距离来单眼地观看刺激物。刺激物是一个白色圆点。白色圆点包括约0.43视觉度的直径和在圆的中心处约31.5-950的绝对亮度。该圆圈包括约8.17视觉度的直径和固定为约77.4阿普熙提(绝对值)的亮度。在每次试验中，在均匀分布在视野的60×60视度中的10×10个可能视网膜位置中的一个中同时呈现刺激物和提示142毫秒。在整个过程中，固定点显示在视野的中央。间隔试验间隔设定为1.2秒。在每只眼睛的四个阶段中，对受试者进行约300次试验，其包括随机混合的本文所述方法和贝叶斯YN方法。因此，这些过程产生了来自六位正常受试者的十二只眼睛(6OS，6OD)的数据。

图6A至图6P、图7A至图7P、图8A至图8P、图9A至图9P，图10A至图10P和图1IA至图11P分别示出了通过用于测量视觉功能的本文所述的方法和贝叶斯YN方法生成的六个受试者的示例性估计光敏度VFM。对于每位受试者，利用颜色图在第一行中并且利用数值在第二行中列出了估计VFM。在第三行中列出VFM估计值的68.2％HWCI；在第四行中列出了本文所述方法的估计值的标准偏差以及本文所述方法和贝叶斯YN方法之间的均方误差(RMSE)。在第一列和第二列以及第三列和第四列中列出了从OS和OD获得的结果。在不同的列中列出了基于本文描述的方法和贝叶斯YN方法的结果。

在心理物理评估中，根据在所有100个视网膜位置上的估计阈值的RMSE评估了本文所述方法与贝叶斯YN方法之间的一致性，其中对于所有阶段和眼睛，估计阈值的RMSE在本文所述的第一种方法试验中始于2.47dB，并且经过150次测试后减少到1.87dB，经过300次测试后减少到1.48dB。在所有100个视网膜位置的关于12只眼睛的估计阈值的平均68.2％HWCI从在本文所述的第一种方法试验中的2.27dB开始，在150次测试后减少到0.27dB，并且在300次测试后减少到0.25dB。估计阈值的平均68％HWCI从第一贝叶斯YN方法试验中的2.28dB开始，在150次试验后减少到1.05dB，在300次试验中减少到0.69dB，并且在1200次试验后减少到0.29dB。来自本文所述方法和贝叶斯YN方法的所有100个视网膜位置的估计灵敏度的平均RMSE均始于1.41dB。在前300次试验后，本文所述方法和贝叶斯YN方法中的估计灵敏度的平均RMSE减少到0.76dB和1.15dB，并且在1200次试验后，两种方法中的估计灵敏度的平均RMSE减少到0.15dB和0.26dB。

图12示出基于用于测量视觉功能的本文描述的方法和贝叶斯YN方法的示例性RMSE和68.2％HWCI。对六名受试者的十二只眼(6OS，6OD)进行的心理生理评估的RMSE和68.2％HWCI。在图12中，基于本文描述的方法的示例结果被显示为实线，而基于贝叶斯YN方法的结果被显示为虚线。

图13示出了通过在4个阶段中完成的本文所述的4种方法的分析来评估的本文所述的方法的示例性测试-重测可靠性的图。左图绘制了从1和2、4和3、3和2阶段开始的本文所述的成对方法的估计灵敏度。成对估计的平均测试-重测相关性为90.5％(SD＝0.6％)。虽然测试-重测相关性作为测试-重测可靠性的测量得到了广泛报道，但它们并不是表征方法可靠性或一致性的最有用的方法(Bland&Altaian，1986)。右图表示本文所述方法的1和2、4和3、3和2阶段之间估计值与它们平均值之间的差值的Bland-Altaian图。测试-重测差值的平均值和标准偏差为-0.01和1.55dB。这些结果表明：(1)灵敏度测量在测试阶段的过程中不会发生系统性的变化，(2)各个阶段中的测试-重测差值的精度与估计RMSE相当：将1.55dB与1.3SdB进行比较。本文描述的方法的重复运行可以显示出一致的结果，并在该多位置测量任务中显示出其稳健性。

实施方式二：对比敏感度建图

图14示出了用于利用本文描述的方法来对视野的对比敏感度进行建图的示例性滤波后的斯隆字母。集中在中央视力上的当前临床评估可以通过利用对视觉敏感度、对比敏感度、色觉、拥挤和阅读速度的周边测试而对剩余视力进行表征来改善。评估不仅仅是光敏度，功能性视野的综合视野图(VFM)对于检测和管理眼部疾病可能很有价值。如上所述，本文所述的方法结合了用于对VFM的形状进行初步评估的全局方法和用于在各个视网膜位置进行评估的局部方法。该方法可以在测量光敏度图时得到验证。从图14开始，该方法可以扩展为利用有效的10种替代强制选择(10AFC)任务来测量整个视野的对比灵敏度。在模拟和心理物理学中，对示例性64个视野位置进行采样(48×48度)，并将本文所述方法的结果与独立测试每个位置的过程的结果进行了比较(贝叶斯FC；Lesmes等，2015)。例如图14，受试者识别出利用升余弦滤波器和倍频程带宽进行滤波的单个视标(尺寸：2 5×2.5度)，10个斯隆替代物中的一个。在每次试验中，可以自适应地选择刺激物的对比度和位置。可以模拟三只眼以对每种方法的1280次试验测得的估计对比敏感度VFM的准确性和精密度进行比较。此外，还从四位正常受试者的八只眼睛(4OS，4OD)中收集了示例数据。在四个阶段中对每只眼睛进行了测试，每个阶段包括本文所述的独立的320次试验方法评估和独立的320次贝叶斯FC评估，将两种类型试验随机混合。

根据模拟的示例结果，在320次试验后，根据本文所述方法和贝叶斯FC方法估算的对比敏感度的平均偏差分别为0.021和0.072，并且在1280次试验后，根据本文所述方法和贝叶斯FC方法估算的对比敏感度的平均偏差分别为0.0079和0.0080(均以log10为单位)。两种方法的估计对比敏感度的平均标准偏差(SD)在320次试验后分别为0.053和0.089，在1280次试验后分别为0.031和0.049(均以log10为单位)。估计批内(within-run)可变性(68.2％FlWCI)与估计批间(cross-run)可变性(SD)相当。

图15A至图15P、图16A至图16P、图17A至图17P和图18A至图18P分别示出了四位受试者(8只眼睛)的心理物理验证的示例结果。显示了来自本文描述的方法和贝叶斯FC方法的所有8只测试眼睛的心理物理学-估计对比敏感度VFM，包括数据的详细分析。对于每位受试者，利用颜色图在第一行中和利用数值在第二行中列出了估计VFM。在第三行中列出估计VFM的68.2％HWCI；在第四行中列出了本文所述方法的估计值的标准偏差以及本文所述方法和贝叶斯FC方法之间的RMSE。在第一列和第二列以及第三列和第四列中分别列出了从OS和OD获得的结果。在不同的列中列出了基于本文描述的方法和贝叶斯FC方法的示例性结果。

为了用整个视野的单个综合测量来表征总体对比敏感度，需要计算对比敏感度VFM的表面下体积(VUSVFM)。图19A示出了8只眼睛上的平均对比灵敏度VUSVFM。本文以实线示出了本文所述方法的结果，而以虚线示出了贝叶斯FC方法的结果。图19B示出了作为8只测试眼睛的试验次数的函数的估计VUSVFM(每个运行4次)的示例性变异系数。图19A中示出了8只眼睛的平均估计VUSVFM作为本文所述方法和贝叶斯FC方法的试验次数的函数。经过320次试验，这两种方法的估计VUSVFM相差不到0.1％。为了证明利用本文描述的方法获得的VUSVFM估计的收敛性，图19B示出了作为每只眼睛的试验次数的函数的VUSVFM的变异系数。也称为相对标准偏差的变异系数被确定为标准偏差与平均值的比率：

其中，σ_i是在第i次试验运行4轮之后的估计VUSVFM的标准偏差，并且μ_i是在第i次试验运行4轮之后的估计VUSVFM的平均值。在所有测试眼睛中均表现出的一致模式是变异随着试验次数而减少，从20次试验后的约20％减少到320次试验后的约7％。

图19A示出了64个位置和8只眼睛上的估计灵敏度的平均68.2％HWCI的示例结果的图。图19B示出了利用作为“真实”的来自1200次贝叶斯FC试验的估计灵敏度作为试验次数的函数的根据本文所述的方法的估计灵敏度的RMSE的图。在整个视野范围内，根据本文所述方法和贝叶斯FC方法的对比敏感度的平均HWCI从第一次试验后的0.28log10单位开始，在160次试验后减少到0.083log 10单位和0.15log单位，并且在320次试验后减少到0.061log10单位和0.092log10单位(图19A)。图19B以0.21log10单位开始，根据本文描述的方法的160次试验之后减少到0.12log10单位，并且在320次试验之后减少到0.10log10单位。

本文描述的方法的测试-重测可靠性可以通过分析在4个阶段中运行完成的本文描述的4种方法来评估。图20A示出了通过重复本文所述方法进行的估计灵敏度的测试-重测比较的示例图结果。图20B示出用于本文描述的重复方法运行的示例性Bland-Altman图。在图21A中，散点图绘制了本文所述方法运行1和2，运行4和3以及运行3和2的估计灵敏度。平均测试-重测相关性为89.8％(SD＝0.5％)。图21B提供本文描述的方法在运行1和2、运行4和3以及运行3和2之间的相对于其平均值的差异的Bland-Altman图。测试-重测差值的平均值和标准偏差为-0.0035和0.13log10单位。这些结果表明(1)估计灵敏度在测试过程中没有系统地改变，并且(2)测试-重测差值可与估计的RMSE具有可比性：0.13对0.12log10单位。本文所述方法的重复运行生成非常一致的结果，从而在多位置测量任务中表现出稳健性。本文描述的方法可以在整个视野上提供对比灵敏度的准确、精确和有效的建图。该系统和方法可以在针对低视力的监测视力丧失、评估治疗干预以及开发有效康复方法方面找到潜在的临床应用。

上面已经描述的是示例。当然它不可能描述组件或方法的每一个可能的组合，但是本领域的普通技术人员将认识到的是许多其它的组合和置换是可能的。因此，本公开旨在涵盖落入包括所附权利要求书的本申请的范围内的所有此类改变、修改和变型。另外，在本公开或权利要求书中引用“一”，“一个”，“第一”或“另一个”元件时；或其等效形式，应解释为包括一个或多个这样的元件；既不需要也不排除两个或多个这样的元件。如本文所用的术语“包括”是指包括但不限于，术语“包括有”是指包括但不限于。术语“基于”是指至少部分地基于。

Claims (25)

1.一种系统，包括：

非暂时性存储器，其存储机器可读指令和数据；

处理器，其访问非暂时性存储器，并且执行机器可读指令，所述机器可读指令包括：

全局模块，对所述全局模块进行编程，以生成视野图(VFM)模型，所述VFM模型包括用于受试者的视野的全部视网膜位置的一组视觉功能图参数，其中对全局模块进行编程，以基于在每次进行对受试者的视力测试期间生成的受试者响应数据来与更新所述VFM的形状相对应的更新所述一组视觉功能图参数；

切换模块，对所述切换模块进行编程以评估所述全局模块的性能并且确定是否切换到局部模块，并且在切换时，基于所述全局模块中的所述一组视觉功能图参数来计算所述视野中的每个视网膜位置的独立参数；以及

局部模块，对所述局部模块进行编程，以基于在后续进行对所述受试者的视力测试期间生成的受试者响应数据来更新所述独立参数，以在所述受试者的视野的每个视网膜位置处提供视觉功能的评估。

2.根据权利要求1所述的系统，其中对所述全局模块进行编程以生成遍及所述视野中的所有视网膜位置的视觉功能图，其中每个视觉功能图包括相应的一组参数。

3.根据权利要求2所述的系统，其中所述视觉功能是但不限于光敏度、对比敏感度、视觉敏锐度、对比敏感度函数、颜色敏感度、立体视觉、临时频率敏感度、运动敏感度、阅读速度和拥挤中的一种。

4.根据权利要求2所述的系统，其中对所述全局模块进行编程以生成针对每种视觉功能的视觉功能图参数的每种组合的先验概率密度函数。

5.根据权利要求4所述的系统，其中所述先验概率密度函数是无信息先验、弱信息先验或信息先验中的一种。

6.根据权利要求4所述的系统，其中对所述全局模块进行编程，以基于所述响应数据、根据贝叶斯法则来更新所述视觉功能图参数的每种组合的所述先验概率密度函数，以生成所述视觉功能图参数的每种组合的后验概率密度函数。

7.根据权利要求6所述的系统，其中对所述全局模块进行编程以从刺激参数空间中选择刺激参数，来基于每种视觉功能的视觉功能图参数的每种组合的更新概率密度函数来控制对所述受试者进行后续的所述视力测试。

8.根据权利要求7所述的系统，其中对所述全局模块进行编程，以基于在每次对所述受试者进行所述视力测试期间生成的所述受试者响应数据来迭代地更新每个视觉功能的视觉功能图参数的每种组合的概率密度函数。

9.根据权利要求8所述的系统，其中对所述全局模块进行编程以从多个刺激参数之中选择使关于每个视觉功能的视觉功能图参数的每种组合的预期信息增益优化的刺激参数。

10.根据权利要求9所述的系统，其中对所述全局模块进行编程以基于所述每个视觉功能的视觉功能图参数的每种组合的后验概率密度函数并且基于所述受试者根据给定量的视力测试的预期响应来选择所述刺激参数。

11.根据权利要求1所述的系统，其中计算每个视网膜位置的独立参数包括：基于由所述全局模块生成的每个视觉功能的视觉功能图参数的每种组合的后验概率分布，来生成所述视野中的每个视网膜位置的视觉功能的先验分布。

12.根据权利要求1所述的系统，其中对所述切换模块进行编程，以评估所述全局模块相对于信息标准的信息增益速率和信息增益提高中的一种。

13.根据权利要求12所述的系统，其中对所述切换模块进行编程，以基于所述评估的结果来生成关于在每个视网膜位置处的视觉功能的测量的所述先验概率分布。

14.根据权利要求12所述的系统，其中评估包括将将后续视力测试中的总预期信息增益(TEI)与对所述受试者的多个先前进行的视力测试中的平均TEI进行比较。

15.根据权利要求1所述的系统，其中更新所述独立参数包括基于自适应测试过程来评估在所述视野的每个视网膜位置处的所述视觉功能。

16.根据权利要求15所述的系统，其中所述自适应测试过程包括贝叶斯自适应过程。

17.根据权利要求15所述的系统，其中所述自适应测试过程包括贝叶斯主动学习过程。

18.根据权利要求1所述的系统，其中对所述局部模块进行编程，以评估每个视网膜位置处的视觉功能和遍及所有视网膜位置的预期信息增益以及所述刺激空间中的刺激参数，以确定用于后续进行所述视力测试的给定刺激物。

19.根据权利要求18所述的系统，其中对所述局部模块进行编程，以根据评估标准、基于所述自适应过程来终止对在所述视野中的每个视网膜位置处的视觉功能的评估。

20.根据权利要求1所述的系统，进一步包括：

视力刺激装置，被配置成响应于所述全局模块和所述局部模块中的一个来对所述受试者进行所述视力测试。

21.根据权利要求20所述的系统，其中所述处理器包括一个或多个图形处理单元(GPU)。

22.根据权利要求21所述的系统，进一步包括眼跟踪单元，其被配置成在所述视力测试期间记录所述受试者的眼睛运动并且生成用于表征所述受试者的眼睛运动的眼睛运动数据。

23.根据权利要求22所述的系统，其中所述眼睛运动数据是所述受试者响应数据的一部分。

24.根据权利要求20所述的系统，进一步包括被配置成与所述处理器协同操作的结构成像装置和记录装置。

25.根据权利要求4所述的系统，其中对所述全局模块进行编程以根据下列中的一种获得先验：(i)基于结构的先验；(ii)从统计或机器学习推导的先验；(iii)从分层自适应方法推导的先验；以及(iv)来自先前视觉功能图的先验。

Images