CN113378414B - 角膜塑形镜配镜方法、装置、设备及可读存储介质 - Google Patents

角膜塑形镜配镜方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113378414B
CN113378414B CN202110924183.6A CN202110924183A CN113378414B CN 113378414 B CN113378414 B CN 113378414B CN 202110924183 A CN202110924183 A CN 202110924183A CN 113378414 B CN113378414 B CN 113378414B
Authority
CN
China
Prior art keywords
lens
orthokeratology
preset
model
fitting
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.)
Active
Application number
CN202110924183.6A
Other languages
English (en)
Other versions
CN113378414A (zh
Inventor
蓝卫忠
唐泳
温龙波
王唯佳
杨智宽
孙涛
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.)
Aier Eye Hospital Group Co Ltd
Original Assignee
Aier Eye Hospital Group Co Ltd
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
Application filed by Aier Eye Hospital Group Co Ltd filed Critical Aier Eye Hospital Group Co Ltd
Priority to CN202110924183.6A priority Critical patent/CN113378414B/zh
Publication of CN113378414A publication Critical patent/CN113378414A/zh
Application granted granted Critical
Publication of CN113378414B publication Critical patent/CN113378414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种角膜塑形镜配镜方法、装置、设备及可读存储介质，该方法包括步骤：获取眼部特征参数；输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。本申请提高了角膜塑形镜的配镜准确性，避免了医生（或验光师）因经验不足而让角膜塑形镜验配不准确或效率低下以及预设角膜塑形镜配镜算法模型自身准确率不高而导致角膜塑形镜的配镜准确性低的问题。

Description

角膜塑形镜配镜方法、装置、设备及可读存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种角膜塑形镜配镜方法、装置、设备及可读存储介质。
背景技术
目前，通过角膜塑形镜来矫正近视被越来越多的人所接受，该角膜塑形镜通过镜片与泪液层分布不均产生的流体力学效应来改变角膜的几何形态，从而达到矫正近视的目的。
对于不同的近视情况，角膜的几何形态被改变的程度不同，相应地，镜片也不同，该镜片需要根据近视的程度来制作。具体地，镜片根据用户的眼部特征来制作，以完成为用户进行配镜的过程。
然而，不同的医生（或验光师）在通过用户的眼部特征为用户配镜时，由于获取配镜相关的角膜塑形镜配镜参数的经验和方法不同，导致不同医生或验光师对于同一眼部特征的用户进行配镜时会得到差异较大的结果判断，使得角膜塑形镜的配镜效率和准确性不高。
发明内容
本申请的主要目的在于提供一种角膜塑形镜配镜方法、装置、设备及可读存储介质，旨在解决现有的如何提高角膜塑形镜的配镜效率和准确性的技术问题。
为实现上述目的，本申请提供一种角膜塑形镜配镜方法，所述角膜塑形镜配镜方法包括步骤：
获取眼部特征参数；
输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；
输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
可选地，所述预设角膜塑形镜配镜算法模型包括镜片降度预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至所述镜片降度预测模型，得到镜片降度，其中，所述镜片降度预测模型由角膜塑形镜配镜算法对应的未训练镜片降度预测模型训练得到。
可选地，所述预设角膜塑形镜配镜算法模型包括AC弧预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至所述AC弧预测模型，得到AC弧，其中，所述AC弧预测模型由角膜塑形镜配镜算法对应的未训练AC弧预测模型训练得到。
可选地，所述预设角膜塑形镜配镜算法模型包括镜片直径预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至镜片直径预测模型，得到镜片直径，其中，所述镜片直径预测模型由角膜塑形镜配镜算法对应的未训练镜片直径预测模型训练得到。
可选地，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数之前，包括：
获取训练数据集和待训练模型；
基于所述训练数据集对所述待训练模型进行迭代训练，得到更新后的待训练模型，并确定所述更新后的待训练模型是否满足预设迭代结束条件；
若所述更新后的待训练模型满足所述预设迭代结束条件，则将所述更新后的待训练模型作为所述预设角膜塑形镜配镜算法模型；
若所述更新后的待训练模型未满足所述迭代结束条件，则返回基于所述训练数据集对所述待训练模型进行迭代训练步骤，直至所述更新后的待训练模型满足所述迭代结束条件。
可选地，所述获取训练数据集，包括：
获取第一训练样本，对所述第一训练样本进行归一化处理，得到第一归一化数据；
基于预设划分比例，对所述第一归一化数据进行划分，得到训练数据集。
可选地，所述获取训练数据集，包括：
获取第二训练样本，对所述第二训练样本进行归一化处理，得到第二归一化数据；
基于预设划分比例，对所述第二归一化数据进行划分，得到训练数据集。
此外，为实现上述目的，本申请还提供一种角膜塑形镜配镜装置，所述角膜塑形镜配镜装置包括：
第一获取模块，用于获取眼部特征参数；
输入模块，用于输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；
输出模块，用于输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
此外，为实现上述目的，本申请还提供一种角膜塑形镜配镜设备，所述角膜塑形镜配镜设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的角膜塑形镜配镜程序，所述角膜塑形镜配镜程序被所述处理器执行时实现如上所述的角膜塑形镜配镜方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有角膜塑形镜配镜程序，所述角膜塑形镜配镜程序被处理器执行时实现如上所述的角膜塑形镜配镜方法的步骤。
与现有技术中，由医生或验光师凭借个人经验来为用户进行配镜，致使角膜塑形镜的配镜准确性不高相比，本申请通过获取眼部特征参数；输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。本申请通过准确率高的预设角膜塑形镜配镜算法模型得到角膜塑形镜配镜参数，从而通过预设配镜装置根据该角膜塑形镜配镜参数对应的配镜指令进行配镜，避免了医生（或验光师）因经验不足而让角膜塑形镜验配不准确或效率低下以及预设角膜塑形镜配镜算法模型自身准确率不高而导致角膜塑形镜的配镜准确性低，从而提高了角膜塑形镜的配镜效率和准确性。
附图说明
图1是本申请角膜塑形镜配镜方法第一实施例的流程示意图；
图2是本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供一种角膜塑形镜配镜方法，参照图1，图1为本申请角膜塑形镜配镜方法第一实施例的流程示意图。
本申请实施例提供了角膜塑形镜配镜方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。角膜塑形镜配镜方法可应用于终端或服务器中。为了便于描述，以下省略执行主体描述角膜塑形镜配镜方法的各个步骤。角膜塑形镜配镜方法包括：
步骤S10，获取获取眼部特征参数
在本实施例中，若通过上述眼部基本状态判断用户具备有验配角膜塑形镜的条件，则获取眼部特征参数和用户的基本信息；若通过上述眼部基本状态判断用户未具备有验配角膜塑形镜的条件，则说明该用户不能佩戴角膜塑形镜，即无需获取眼部特征参数和用户的基本信息。
其中，眼部特征参数包括自然瞳孔下主觉验光获得的球镜度数、散光度数；角膜曲率测量获得的平K值、角膜平均e值、角膜直径（VID（Visible Iris Diameter，可见虹膜直径））。其中，球镜度数为用户屈光不正离焦程度的状态，即近视或远视的度数；散光度数为对眼睛不同子午线方向屈光度的差异，以柱镜的形式表示；平K值为跟角膜屈光力最大值子午线相垂直的子午线上屈光力的描述参数；角膜e值为描述从中央到周边曲率变化快慢的参数，因各条子午线值不同，取其平均值、角膜直径指的水平方向角膜边缘的跨度。
此外，还可以获取用户的姓名、性别、出生年月等一般信息，并设置唯一标识，作为跟其他用户的区别，便于后期进行查找、比对和回顾分析等工作。
步骤S20，输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值。
在本实施例中，将眼部特征参数和基本信息输入至预设角膜塑形镜配镜算法模型中，以供该预设角膜塑形镜配镜算法模型基于眼部特征参数计算得到角膜塑形镜配镜参数。
需要说明的是，在配镜过程中，角膜塑形镜配镜参数涉及多种，包括镜片降度、AC（Alignment Curve，定位弧）弧和镜片直径，对于不同的角膜塑形镜配镜参数，需要通过不同的预设角膜塑形镜配镜算法模型进行计算，从而预测得到与预设角膜塑形镜配镜算法模型对应的角膜塑形镜配镜参数。
需要说明的是，对于不同的预设角膜塑形镜配镜算法模型，其输入相同，即对于不同的预设角膜塑形镜配镜算法模型，其输入（眼部特征参数）均为球镜度数、散光度数、平K值、角膜e值和角膜直径。将不同预设角膜塑形镜配镜类型细分为镜片降度、AC弧、镜片直径，在历史数据集中选定每种预设角膜塑形镜配镜类型对应的眼部特征参数；利用灰色关联系数、决定系数 (R2) 和 Pearson 相关系数等指标，计算历史数据集与特征参数的关联度，对关联度计算结果进行聚类，从而将历史数据按照预设角膜塑形镜配镜类型划分为3个训练集，通过准确度(ACC)、平均差(MD)、方差(Var)、标准差(SD)、异众比率(VR)、平均绝对误差(MAE)等指标综合评估并比较候选算法的预测能力以选择每个目标参数的最佳算法。
需要说明的是，预设角膜塑形镜配镜算法模型的确定过程如下：
首先，基于预设算法库构建线性回归、K最近邻、支持向量机、决策树、梯度提升回归、随机森林等多种机器学习模型，其中，预设算法库包括线性回归、K最近邻、支持向量机、决策树、梯度提升回归、随机森林等算法。
其次，基于上述预设算法库，通过交叉验证在多种机器学习模型中选择最优的模型及其对应超参。数据库中的数据随着就诊用户的增加有所增长，模型会选择固定时间进行更新，以提升配镜算法的准确性和泛化能力。
其中，线性回归利用线性回归方程中的最小二乘法，对一个或多个自变量和因变量进行建模的回归分析。当只有一个自变量的建模过程称为简单回归，则大于一个自变量的建模被称为多元回归。在线性回归中，数据使用线性预测函数来建模，并且针对未知的模型参数也是通过数据来估计预测。符合上述特征的模型被称为线性模型。像所有形式的回归分析一样，线性回归将焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布。线性回归是回归分析中，一种经过严格研究并在实际应用中广泛使用的类型。这是因为具备线性特征的未知参数比具备非线性特征的未知参数更容易拟合，而且产生的估计的统计特性也更容易确定。
其中，K最近邻是最简单的机器学习算法之一，可用于分类和回归问题，是一种监督学习算法。用于回归问题时的具体思路是：要预测的点的值通过与它距离最近的K个值的平均值得到，这里的“距离最近”可以是欧式距离，也可以是其他距离。
其中，支持向量机作为典型的机器学习分类算法之一，其也可以作为一种回归方法，维护算法的所有主要特征(最大边界)。支持向量回归算法在使用与支持向量机相同的原理进行分类时，两者之间只存在少量的差异，并且两者的主要思想始终是相同的：通过将超平面高维化以提取特征，使边界最大化，并记住部分错误是可以容忍的，来最小化错误。
其中，决策树以树结构的形式构建分类或回归模型。它将数据集分解成越来越小的子集，同时逐步开发相关的决策树。最后的结果是具有决策节点和叶节点的树。一个决策节点有两个或多个分支。叶节点表示一个分类或决策。树中最顶层的决策节点，对应于称为根节点的最佳预测器。
其中，梯度提升回归是一种泛化概念，其为对于任意的可微损失函数的提升算法的泛化，是一个准确高效的机器学习算法，同样地，与支持向量机类似，它既能应用于分类问题也可以应用于回归问题。梯度提升对应的梯度树提升模型被应用到各种领域，包括网页搜索排名和生态领域等。梯度提升回归算法的优点包括对混合型数据的自然处理（异构特征）、强大的预测能力和在输出空间中对异常点的鲁棒性(通过具有鲁棒性的损失函数实现)。
其中，随机森林是一种用于分类、回归和其他任务的集成学习方法，通过在训练时构建大量决策树并输出作为单个树的类(分类)或平均预测(回归)模式的类(class)来操作。其中随机决策森林修正了决策树过度适应训练集的习惯。
之后，在基于预设算法库的机器学习模型选择中，选择准确率高于预设准确率（例如95%）的多个目标机器学习模型（m个机器学习模型）作为预设角膜塑形镜配镜算法模型。在应用预设角膜塑形镜配镜算法模型获取角膜塑形镜配镜参数时，计算各目标机器学习模型的中间角膜塑形镜配镜参数
Figure DEST_PATH_IMAGE001
，并将各目标机器学习模型的准确率归一化后作为调和平均系数
Figure 652655DEST_PATH_IMAGE002
。
通过调和平均系数
Figure 857371DEST_PATH_IMAGE002
计算中间角膜塑形镜配镜参数
Figure 243222DEST_PATH_IMAGE003
的调和平均值，得到最终的角膜塑形镜配镜参数
Figure 849784DEST_PATH_IMAGE004
，其计算公式如下：
Figure 843147DEST_PATH_IMAGE005
按照上述方法构建预设角膜塑形镜配镜算法模型。
对于镜片降度对应的预设角膜塑形镜配镜算法模型，其为镜片降度预测模型，具体地，通过镜片降度预测模型计算镜片降度的过程为：
所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
步骤a，输入所述眼部特征参数至所述镜片降度预测模型，得到镜片降度，其中，所述镜片降度预测模型由角膜塑形镜配镜算法对应的未训练镜片降度预测模型训练得到。
在本实施例中，镜片降度通过计算输入至镜片降度预测模型的眼部特征参数和基本信息得到，其为预测值，其中，镜片降度预测模型由未训练镜片降度预测模型训练得到，该未训练镜片降度预测模型与角膜塑形镜配镜算法对应，即未训练镜片降度预测模型是通过角膜塑形镜配镜算法构建得到的。
对于AC弧对应的预设角膜塑形镜配镜算法模型，其为AC弧预测模型，具体地，通过AC弧预测模型计算AC弧的过程为：
所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
步骤b，输入所述眼部特征参数至所述AC弧预测模型，得到AC弧，其中，所述AC弧预测模型由角膜塑形镜配镜算法对应的未训练AC弧预测模型训练得到。
在本实施例中，AC弧通过计算输入至AC弧预测模型的眼部特征参数和基本信息得到，其为预测值，其中，AC弧预测模型由未训练AC弧预测模型训练得到，该未训练AC弧预测模型与角膜塑形镜配镜算法对应，即未训练AC弧预测模型是通过角膜塑形镜配镜算法构建得到的。
对于镜片直径对应的预设角膜塑形镜配镜算法模型，其为镜片直径预测模型，具体地，通过镜片直径预测模型计算镜片直径的过程为：
所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
步骤c，输入所述眼部特征参数至镜片直径预测模型，得到镜片直径，其中，所述镜片直径预测模型由角膜塑形镜配镜算法对应的未训练镜片直径预测模型训练得到。
在本实施例中，镜片直径通过计算输入至镜片直径预测模型的眼部特征参数和基本信息得到，其为预测值，其中，镜片直径预测模型由未训练镜片直径预测模型训练得到，该未训练镜片直径预测模型与角膜塑形镜配镜算法对应，即未训练镜片直径预测模型是通过角膜塑形镜配镜算法构建得到的。
需要说明的是，与镜片降度预测模型不同的是，镜片直径预测模型中用于预测镜片直径的相关参数与用于预测镜片降度的相关参数不同，即虽然镜片降度预测模型和镜片直径预测模型均采用角膜塑形镜配镜算法对角膜塑形镜配镜参数进行预测，但是两者之间属于不同的预测模型，可以理解，两者的预测方向不同。
进一步地，在通过预设角膜塑形镜配镜算法模型对角膜塑形镜配镜参数进行预测前，需要先获取预设角膜塑形镜配镜算法模型，具体地，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数之前，包括：
步骤d，获取训练数据集和待训练模型。
在本实施例中，获取训练数据集和待训练模型，也就是未训练好的模型。
步骤e，基于所述训练数据集对所述待训练模型进行迭代训练，得到更新后的待训练模型，并确定所述更新后的待训练模型是否满足预设迭代结束条件；
步骤f，若所述更新后的待训练模型满足所述预设迭代结束条件，则将所述更新后的待训练模型作为所述预设角膜塑形镜配镜算法模型；
步骤g，若所述更新后的待训练模型未满足所述迭代结束条件，则返回基于所述训练数据集对所述待训练模型进行迭代训练步骤，直至所述更新后的待训练模型满足所述迭代结束条件。
在本实施例中，基于训练数据集对待训练模型进行迭代训练，得到更新后的待训练模型，并确定更新后的待训练模型是否满足预设迭代结束条件；若更新后的待训练模型满足预设迭代结束条件，则将更新后的待训练模型作为预设角膜塑形镜配镜算法模型；若更新后的待训练模型未满足迭代结束条件，则继续对更新后的待训练模型进行迭代训练更新，直至更新后的待训练模型满足迭代结束条件。
具体地，通过眼部特征参数对待训练模型进行迭代训练，以得到更新后的待训练模型。每次得到更新后的待训练模型之后，都确定该更新后的待训练模型是否满足预设迭代结束条件，若更新后的待训练模型满足预设迭代结束条件，则迭代结束，并将最后一个更新后的待训练模型作为预设角膜塑形镜配镜算法模型；若更新后的待训练模型未满足迭代结束条件，则说明更新后的待训练模型还不满足使用条件，并继续对更新后的待训练模型进行迭代训练更新，直至更新后的待训练模型满足迭代结束条件为止。
需要说明的是，迭代训练为多次通过眼部特征参数对待训练模型进行训练的过程，一般地，由待训练模型得到预设角膜塑形镜配镜算法模型都需要经过多轮的训练更新。需要说明的是，预设迭代结束条件为输入待训练模型或更新后的待训练模型为模型预测准确率达到预设准确率阈值时，迭代结束。
其中，模型预测准确率可结合医生（医生或验光师）的评价指标给出评价，即通过医生的评价指标来确定模型的预测结果是否准确，从而得出模型预测准确率。
可以理解，训练未训练镜片降度预测模型、未训练AC弧预测模型和未训练镜片直径预测模型以分别得到镜片降度预测模型、AC弧预测模型和镜片直径预测模型的过程均可通过上述通过训练数据集来训练待训练模型的过程得到，例如通过眼部特征参数训练未训练镜片降度预测模型得到镜片降度预测模型。
进一步地，所述获取训练数据集，包括：
步骤h，获取第一训练样本，对所述第一训练样本进行归一化处理，得到第一归一化数据。
在本实施例中，获取第一训练样本，该第一训练样本可以为大量的医生或验光师配镜过程中的配镜数据（包括眼部特征参数和角膜塑形镜配镜参数），将该第一训练样本中的眼部特征参数进行归一化处理，以使各眼部特征参数的数值在0和1之间，得到第一归一化数据。
步骤i，基于预设划分比例，对所述第一归一化数据进行划分，得到训练数据集。
在本实施例中，第一归一化数据并不完全作为训练数据集，而是通过预设划分比例对第一归一化数据进行划分，从而得到训练数据集和测试数据集。其中，预设划分比例可为训练数据集与测试数据集的比值为8:2和7:3等。
可以理解，训练数据集用于训练待训练模型，而测试数据集用于测试更新后的待训练模型，以确保更新后的待训练模型满足使用条件，从而得到预设角膜塑形镜配镜算法模型。
其中，模型预测准确率通过结合测试集对应的测试结果和医生的评价指标来综合得出结论，即预设角膜塑形镜配镜算法模型中的相关预测参数经过了人工干预得到，需要说明的是，为提高通过预设角膜塑形镜配镜算法模型预测得到的角膜塑形镜配镜参数的准确性，评价指标还可通过多位医生的评价指标进行汇总后得出，例如对多位医生的评价指标对应的角膜塑形镜配镜参数求平均（或加权求平均（其中，权值可根据医生的经验自行设定，本实施例不做具体限定））后再与测试结果进行结合。
需要说明的是，为进一步提高模型预测准确率，可通过后续收集的第二训练样本对预设角膜塑形镜配镜算法模型进行更新，从而达到优化预设角膜塑形镜配镜算法模型的目的。
具体地，所述获取训练数据集，包括：
步骤j，获取第二训练样本，对所述第二训练样本进行归一化处理，得到第二归一化数据；
步骤k，基于预设划分比例，对所述第二归一化数据进行划分，得到训练数据集。
在本实施例中，获取第二训练样本，对所述第二训练样本进行归一化处理，得到第二归一化数据；基于预设划分比例，对所述第二归一化数据进行划分，得到训练数据集的实施例与上述第一训练样本的实施例基本相同，在此不再赘述。
步骤S30，输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
在本实施例中，在得到角膜塑形镜配镜参数后，输出该角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制该预设配镜装置基于配镜指令进行角膜塑形镜配镜，其中，该预设配镜装置用于通过角膜塑形镜配镜参数为用户进行配镜，从而得到适合该用户的角膜塑形镜。
与现有技术中，由医生或验光师来为用户进行配镜，致使角膜塑形镜的配镜准确性不高相比，本申请通过获取眼部特征参数；输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。本申请通过准确率高的预设角膜塑形镜配镜算法模型得到角膜塑形镜配镜参数，从而通过预设配镜装置根据该角膜塑形镜配镜参数对应的配镜指令进行配镜，避免了医生（或验光师）因经验不足而让角膜塑形镜验配不准确或效率低下以及预设角膜塑形镜配镜算法模型自身准确率不高而导致角膜塑形镜的配镜准确性低，从而提高了角膜塑形镜的配镜效率和准确性。
此外，本申请还提供一种角膜塑形镜配镜装置，所述角膜塑形镜配镜装置包括：
第一获取模块，用于获取眼部特征参数；
输入模块，用于输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；
输出模块，用于输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
可选地，所述预设角膜塑形镜配镜算法模型包括镜片降度预测模型，所述输入模块还用于：
输入所述眼部特征参数至所述镜片降度预测模型，得到镜片降度，其中，所述镜片降度预测模型由角膜塑形镜配镜算法对应的未训练镜片降度预测模型训练得到。
可选地，所述预设角膜塑形镜配镜算法模型包括AC弧预测模型，所述输入模块还用于：
输入所述眼部特征参数至所述AC弧预测模型，得到AC弧，其中，所述AC弧预测模型由角膜塑形镜配镜算法对应的未训练AC弧预测模型训练得到。
可选地，所述预设角膜塑形镜配镜算法模型包括镜片直径预测模型，所述输入模块还用于：
输入所述眼部特征参数至镜片直径预测模型，得到镜片直径，其中，所述镜片直径预测模型由角膜塑形镜配镜算法对应的未训练镜片直径预测模型训练得到。
可选地，所述角膜塑形镜配镜装置还包括：
第二获取模块，用于获取训练数据集和待训练模型；
迭代模块，用于基于所述训练数据集对所述待训练模型进行迭代训练，得到更新后的待训练模型，并确定所述更新后的待训练模型是否满足预设迭代结束条件；若所述更新后的待训练模型满足所述预设迭代结束条件，则将所述更新后的待训练模型作为所述预设角膜塑形镜配镜算法模型；若所述更新后的待训练模型未满足所述迭代结束条件，则返回基于所述训练数据集对所述待训练模型进行迭代训练步骤，直至所述更新后的待训练模型满足所述迭代结束条件。
可选地，所述第二获取模块还用于：
获取第一训练样本，对所述第一训练样本进行归一化处理，得到第一归一化数据；
基于预设划分比例，对所述第一归一化数据进行划分，得到训练数据集。
可选地，所述第二获取模块还用于：
获取第二训练样本，对所述第二训练样本进行归一化处理，得到第二归一化数据；
基于预设划分比例，对所述第二归一化数据进行划分，得到训练数据集。
本申请角膜塑形镜配镜装置具体实施方式与上述角膜塑形镜配镜方法各实施例基本相同，在此不再赘述。
此外，本申请还提供一种角膜塑形镜配镜设备。如图2所示，图2是本申请实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图2即可为角膜塑形镜配镜设备的硬件运行环境的结构示意图。
如图2所示，该角膜塑形镜配镜设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，角膜塑形镜配镜设备还可以包括RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图2中示出的角膜塑形镜配镜设备结构并不构成对角膜塑形镜配镜设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图2所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及角膜塑形镜配镜程序。其中，操作系统是管理和控制角膜塑形镜配镜设备硬件和软件资源的程序，支持角膜塑形镜配镜程序以及其它软件或程序的运行。
在图2所示的角膜塑形镜配镜设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的请求；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的角膜塑形镜配镜程序，并执行如上所述的角膜塑形镜配镜方法的步骤。
本申请角膜塑形镜配镜设备具体实施方式与上述角膜塑形镜配镜方法各实施例基本相同，在此不再赘述。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有角膜塑形镜配镜程序，所述角膜塑形镜配镜程序被处理器执行时实现如上所述的角膜塑形镜配镜方法的步骤。
本申请计算机可读存储介质具体实施方式与上述角膜塑形镜配镜方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，设备，或者网络设备等）执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种角膜塑形镜配镜方法，其特征在于，所述角膜塑形镜配镜方法包括以下步骤：
获取眼部特征参数；
输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；
输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
2.如权利要求1所述的角膜塑形镜配镜方法，其特征在于，所述预设角膜塑形镜配镜算法模型包括镜片降度预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至所述镜片降度预测模型，得到镜片降度，其中，所述镜片降度预测模型由角膜塑形镜配镜算法对应的未训练镜片降度预测模型训练得到。
3.如权利要求1所述的角膜塑形镜配镜方法，其特征在于，所述预设角膜塑形镜配镜算法模型包括定位AC弧预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至所述AC弧预测模型，得到AC弧，其中，所述AC弧预测模型由角膜塑形镜配镜算法对应的未训练AC弧预测模型训练得到。
4.如权利要求1所述的角膜塑形镜配镜方法，其特征在于，所述预设角膜塑形镜配镜算法模型包括镜片直径预测模型，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数，包括：
输入所述眼部特征参数至镜片直径预测模型，得到镜片直径，其中，所述镜片直径预测模型由角膜塑形镜配镜算法对应的未训练镜片直径预测模型训练得到。
5.如权利要求1所述的角膜塑形镜配镜方法，其特征在于，所述输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数之前，包括：
获取训练数据集和待训练模型；
基于所述训练数据集对所述待训练模型进行迭代训练，得到更新后的待训练模型，并确定所述更新后的待训练模型是否满足预设迭代结束条件；
若所述更新后的待训练模型满足所述预设迭代结束条件，则将所述更新后的待训练模型作为所述预设角膜塑形镜配镜算法模型；
若所述更新后的待训练模型未满足所述迭代结束条件，则返回基于所述训练数据集对所述待训练模型进行迭代训练步骤，直至所述更新后的待训练模型满足所述迭代结束条件。
6.如权利要求5所述的角膜塑形镜配镜方法，其特征在于，所述获取训练数据集，包括：
获取第一训练样本，对所述第一训练样本进行归一化处理，得到第一归一化数据；
基于预设划分比例，对所述第一归一化数据进行划分，得到训练数据集。
7.如权利要求5所述的角膜塑形镜配镜方法，其特征在于，所述获取训练数据集，包括：
获取第二训练样本，对所述第二训练样本进行归一化处理，得到第二归一化数据；
基于预设划分比例，对所述第二归一化数据进行划分，得到训练数据集。
8.一种角膜塑形镜配镜装置，其特征在于，所述角膜塑形镜配镜装置包括：
第一获取模块，用于获取眼部特征参数；
输入模块，用于输入所述眼部特征参数至预设角膜塑形镜配镜算法模型，得到角膜塑形镜配镜参数；所述预设角膜塑形镜配镜算法模型为预设算法库中准确率大于预设准确率的多个目标机器学习模型；所述角膜塑形镜参数为所述多个目标机器学习模型对应的调和平均值；
输出模块，用于输出所述角膜塑形镜配镜参数对应的配镜指令至预设配镜装置，以控制所述预设配镜装置基于所述配镜指令进行角膜塑形镜配镜。
9.一种角膜塑形镜配镜设备，其特征在于，所述角膜塑形镜配镜设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的角膜塑形镜配镜程序，所述角膜塑形镜配镜程序被所述处理器执行时实现如权利要求1至7中任一项所述的角膜塑形镜配镜方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有角膜塑形镜配镜程序，所述角膜塑形镜配镜程序被处理器执行时实现如权利要求1至7中任一项所述的角膜塑形镜配镜方法的步骤。
CN202110924183.6A 2021-08-12 2021-08-12 角膜塑形镜配镜方法、装置、设备及可读存储介质 Active CN113378414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924183.6A CN113378414B (zh) 2021-08-12 2021-08-12 角膜塑形镜配镜方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924183.6A CN113378414B (zh) 2021-08-12 2021-08-12 角膜塑形镜配镜方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113378414A CN113378414A (zh) 2021-09-10
CN113378414B true CN113378414B (zh) 2021-11-12

Family

ID=77577050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924183.6A Active CN113378414B (zh) 2021-08-12 2021-08-12 角膜塑形镜配镜方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113378414B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132309B (zh) * 2022-07-06 2023-03-24 潍坊眼科医院有限责任公司 一种角膜塑形镜的验配方法和装置
CN116990450B (zh) * 2023-07-18 2024-04-26 欧几里德(苏州)医疗科技有限公司 一种角膜塑形镜的缺陷检测方法及系统
CN116983194B (zh) * 2023-08-02 2024-04-26 广州视景医疗软件有限公司 一种基于vr的视觉调节训练方法、装置、设备及介质
CN117253621B (zh) * 2023-11-17 2024-03-01 北京市眼科研究所 角膜塑形效果预估方法、装置、计算机设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829901A (zh) * 2019-01-21 2019-05-31 武汉爱尔眼科汉口医院有限公司 一种基于卷积神经网络的真菌性角膜炎检测方法及系统
CN110908140A (zh) * 2019-11-21 2020-03-24 明灏科技（北京）有限公司 一种角膜塑形镜的生产装置
CN110989199A (zh) * 2019-11-21 2020-04-10 明灏科技（北京）有限公司 一种角膜塑形镜度数的计算装置
CN111000525A (zh) * 2019-11-21 2020-04-14 明灏科技（北京）有限公司 一种基于大数据的角膜塑形镜验配方法及系统
CN111134613A (zh) * 2019-11-21 2020-05-12 明灏科技（北京）有限公司 一种基于图像识别的角膜塑形镜验配方法及系统
CN111553402A (zh) * 2020-04-22 2020-08-18 首都医科大学附属北京同仁医院 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法
CN112102940A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种屈光检测方法、装置、计算机设备及存储介质
CN112807151A (zh) * 2021-01-12 2021-05-18 首都医科大学附属北京同仁医院 一种角膜塑形镜ac值的确定方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1177243C (zh) * 2000-06-27 2004-11-24 佳视科学公司 隐形眼镜，配制，设计及改变角膜形状的方法
CN110516685A (zh) * 2019-05-31 2019-11-29 沈阳工业大学 基于卷积神经网络的晶状体浑浊程度检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829901A (zh) * 2019-01-21 2019-05-31 武汉爱尔眼科汉口医院有限公司 一种基于卷积神经网络的真菌性角膜炎检测方法及系统
CN110908140A (zh) * 2019-11-21 2020-03-24 明灏科技（北京）有限公司 一种角膜塑形镜的生产装置
CN110989199A (zh) * 2019-11-21 2020-04-10 明灏科技（北京）有限公司 一种角膜塑形镜度数的计算装置
CN111000525A (zh) * 2019-11-21 2020-04-14 明灏科技（北京）有限公司 一种基于大数据的角膜塑形镜验配方法及系统
CN111134613A (zh) * 2019-11-21 2020-05-12 明灏科技（北京）有限公司 一种基于图像识别的角膜塑形镜验配方法及系统
CN111553402A (zh) * 2020-04-22 2020-08-18 首都医科大学附属北京同仁医院 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法
CN112102940A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种屈光检测方法、装置、计算机设备及存储介质
CN112807151A (zh) * 2021-01-12 2021-05-18 首都医科大学附属北京同仁医院 一种角膜塑形镜ac值的确定方法及系统

Also Published As

Publication number Publication date
CN113378414A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113378414B (zh) 角膜塑形镜配镜方法、装置、设备及可读存储介质
US10402039B2 (en) Adaptive user interface using machine learning model
Labella et al. A cost consensus metric for consensus reaching processes based on a comprehensive minimum cost model
US11334628B2 (en) Dressing recommendation method and dressing recommendation apparatus
CN110993081B (zh) 一种医生在线推荐方法及系统
Palomares et al. Consensus under a fuzzy context: Taxonomy, analysis framework AFRYCA and experimental case of study
US11501215B2 (en) Hierarchical clustered reinforcement machine learning
CN108038730A (zh) 产品相似度判断方法、装置及服务器集群
KR102384860B1 (ko) 템플릿이 제공되어 상품 업로드 편의성이 향상된 오픈마켓 플랫폼의 운영방법
US20160125501A1 (en) Preference-elicitation framework for real-time personalized recommendation
Rao et al. Improved multiple attribute decision making methods
CN112784998A (zh) 数据处理方法及装置、计算设备
US20130232140A1 (en) Information processing apparatus information processing method, and storage medium
Yan et al. A stochastic dominance based approach to consumer-oriented Kansei evaluation with multiple priorities
CN116644124B (zh) 一种基于数据挖掘的护肤产品智能筛选方法及系统
CN114692859A (zh) 数据处理方法及装置、计算设备及试验精简设备
WO2021070394A1 (ja) 学習装置、分類装置、学習方法及び学習プログラム
US10371962B2 (en) System and method for real time segmentation
Li et al. Double stochastic preference analysis on group decision making with interval additive preference relations
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
CN111241297A (zh) 一种基于标签传播算法的图谱数据处理方法及装置
Radliński Predicting Aggregated User Satisfaction in Software Projects
KR102464356B1 (ko) 인공지능 기반 유저에게 상품을 자동으로 추천하는 셀러와 유저를 매칭시키는 오픈마켓 플랫폼의 운영방법
KR102441837B1 (ko) 빅데이터 기반 대리점과 거래처를 실시간으로 연결하여 재고를 관리하고 수수료를 정산하는 플랫폼의 운영방법
KR102302411B1 (ko) 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램

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
GR01 Patent grant
GR01 Patent grant