CN114468977A - 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 - Google Patents
一种眼科视力检查数据收集分析方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN114468977A CN114468977A CN202210074436.XA CN202210074436A CN114468977A CN 114468977 A CN114468977 A CN 114468977A CN 202210074436 A CN202210074436 A CN 202210074436A CN 114468977 A CN114468977 A CN 114468977A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- recognition
- unit
- result
- 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.)
- Granted
Links
- 230000004438 eyesight Effects 0.000 title claims abstract description 55
- 238000013480 data collection Methods 0.000 title claims description 20
- 238000004458 analytical method Methods 0.000 title claims description 16
- 230000004424 eye movement Effects 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 206010044565 Tremor Diseases 0.000 claims abstract description 10
- 230000004434 saccadic eye movement Effects 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 24
- 210000001508 eye Anatomy 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012821 model calculation Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 229930003316 Vitamin D Natural products 0.000 claims description 4
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 claims description 4
- 210000005252 bulbus oculi Anatomy 0.000 claims description 4
- 230000004410 intraocular pressure Effects 0.000 claims description 4
- 235000019166 vitamin D Nutrition 0.000 claims description 4
- 239000011710 vitamin D Substances 0.000 claims description 4
- 150000003710 vitamin D derivatives Chemical class 0.000 claims description 4
- 229940046008 vitamin d Drugs 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000004304 visual acuity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 208000014733 refractive error Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010061323 Optic neuropathy Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004127 vitreous body Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Ophthalmology & Optometry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Human Computer Interaction (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼科视力检查数据收集分析方法、系统及计算机存储介质，属于眼科视力检查数据处理技术领域，包括S101：吸附注视光标对目标进行选择；S102：为不同的目标设置相应感应区域即有效点击区域；S103：当光标接触或覆盖某一目标的感应区域时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，进而吸附或突出显示目标物体；S104：获取不同目标的若干次检测数据，计算检测数据获得若干次结果数据A，以检测数据为基本参数建立学习模型，设定学习模型的精确值。可高效快速且精准的判断处用户的眼动行为，降低检测失误率；获得用户主观意识眼动交互意图模型，提高模型精度。
Description
技术领域
本发明涉及眼科视力检查数据处理技术领域，特别涉及一种眼科视力检查数据收集分析方法、系统及计算机存储介质。
背景技术
眼科是研究发生在视觉系统，包括眼球及与其相关联的组织有关疾病的学科。眼科一般研究玻璃体、视网膜疾病，眼视光学，青光眼和视神经病变，白内障等多种眼科疾病，视力是指视网膜分辨影像的能力。视力的好坏由视网膜分辨影像能力的大小来判定，然而当眼的屈光介质变得混浊或存在屈光不正时，即使视网膜功能良好的眼视力仍会下降。眼的屈光介质混浊，可以使用手术来治疗，而屈光不正则需要用透镜来加以矫正，在对视力进行校正之前需要对眼科视力进行检查，获得检查数据，该数据越精准所采取的矫正方式越正确。
专利号为CN201810877058.2公开了一种在线视力检查方法，包括以下步骤：当监听到检查启动操作，获取显示设备与用户眼睛的直线距离；获取用户的视力检查选项，并根据所述视力检查选项获取对应的视力检查项目的内容；根据所述直线距离对所述视力检查项目的内容进行相应的调整；根据调整后的视力检查项目的内容进行视力检查；获取用户进行视力检查后的视力检查结果。该发明还提供了一种在线视力检查装置、终端设备及存储介质，随时随地进行视力检查，使用户实时掌握自身视力情况，为后续高效进行视力的保护与预防提供基础。但是，上述专利沿用传统的视力检查方式，无法利用智能化手段对眼动行为进行精准捕捉，容易激起用户眼部应激反应，存在较大的检查误差，导致检查的失误率高，精度度低。
发明内容
本发明的目的在于提供一种眼科视力检查数据收集分析方法、系统及计算机存储介质，建立三维感应区域，吸附注视的光标在感应区域内移动，检测是否存在眼动行为，可高效快速且精准的判断处用户的眼动行为，降低检测失误率；采用机器学习算法对用户眼睛运动行为数据进行训练，获得用户主观意识眼动交互意图模型，提高模型精度，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种眼科视力检查数据收集分析方法，包括以下步骤：
S101：吸附注视光标对目标进行选择；
S102：为不同的目标设置相应感应区域即有效点击区域；
S103：当光标接触或覆盖某一目标的感应区域时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，进而吸附或突出显示目标物体；
S104：获取不同目标的若干次检测数据，计算检测数据获得若干次结果数据A，以检测数据为基本参数建立学习模型，设定学习模型的精确值；
S105：通过学习模型重复检测S104中目标，获取若干次检测结果数据B，比照结果数据A与结果数据B之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型合格，差异度大于S104中设定的学习模型精确值时，学习模型不合格，重复S104；
S106：使用学习模型进行对任意目标进行检测，记录检测结果数据C，检测结果数据C为二次参数；
S107：利用二次参数对学习模型进行更新，获得更新后的学习模型Q，利用学习模型Q进行检测，获取检测数据，并建立数据库，将检测数据存入数据库。
进一步地，所述S101中吸附注视光标包括设置感应区域被动吸附注视光标和眼动交互意图预测主动吸附注视光标两种方式。
进一步地，所述S103中感应区域处设置有具有辨识性的颜色以及特定字符，用户识别该颜色以及特定字符后通过语音采集、文字采集或手动输入的方式收集检测结果数据，且S103中光标移动在三维坐标系中进行移动，光标在三维坐标系上沿三维坐标系的X轴、Z轴移动时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，光标在三维坐标系上沿三维坐标系的Y移动时，同时检测是否存在眼颤、扫视距离是否超过阈值以及眼球聚焦程度的眼动行为。
进一步地，所述S104中获取不同目标的若干次检测结果后，计算并结合分析对象特征，对结果数据进行序列比对。
进一步地，所述S106中对获取的二次参数数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型。
进一步地，所述S107中学习模型Q重复检测S104中目标，获取若干次检测结果数据D，比照结果数据A与结果数据D之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型Q合格，差异度大于S104中设定的学习模型精确值时，学习模型Q不合格，重复S106，且S107中的数据库内存储有裸眼视力数据、角膜曲率数据、等效球镜数据、眼轴数据、眼压数据以及维生素D浓度数据。
进一步地，所述S106中获取获得用户主观意识眼动交互意图模型，包括如下步骤：
步骤1：获取所述二次参数数据，确定使用学习模型对任意目标识别的识别结果；其中，所述识别结果包括：正确识别、误识别和识别时效偏差；
步骤2：根据所述识别结果，对所述学习模型的正确识别状态进行判定；其中，所述正确识别状态包括：单个识别和连续识别；
步骤3：对所述单个识别的识别结果、误识别的结果和识别时效偏差的结果进行过滤，生成基于连续识别的识别集合；
步骤4：对所述识别集合中每个连续识别的结果进行识别时间标记处理；
步骤5：根据所述时间标记处理，确定每个连续识别的识别结果中，每次正确识别的时间间隔；
步骤6：根据所述时间间隔，确定每个连续识别的识别结果的时间规律；
步骤7：将所述识别集合中每个识别结果的时间规律作为识别样本，生成识别样本集合；
步骤8：通过预设的深度学习模型和所述识别样本集合，进行眼动行为训练，生成用户主观意识眼动交互意图模型。
进一步地，所述S107中比照结果数据A与结果数据D之间的差异，包括如下步骤：
步骤1：获取所述结果数据A和结果数据D，基于识别次数，生成基于结果数据A的第一识别结果集合A＝{a1，a2，……，ai}，并生成基于结果数据D的第二识别结果集合D＝{d1，d2，……，di}；其中，i∈n，n表示识别的总次数；
步骤2：根据所述第一识别结果集合，确定结果数据A中识别正确的次数s，识别错误的次数c，以及识别结果的散点分布函数f(ai)；建立第一识别规律模型α；
基于第二识别结果集合，确定结果数据D中识别正确的次数
识别错误的次数
以及识别结果的散点分布函数
建立第二识别规律模型β；
步骤3：根据所述第一识别规律模型和第二识别规律模型，构建差异公式，确定差异度：
其中，Y表示差异度。
根据本发明的另一方面，提供了一种眼科视力检查数据收集分析系统，包括信息采集端、处理单元、初始计算单元、模型建立单元、模型单元、比照单元、信息录入端、模型计算单元和模型更新单元，所述信息采集端包括光标和三维感应区域，三维感应区域由若干单一感应区域拼装组合形成，光标在三维感应区域内移动至任意位置；所述信息采集端连接有处理单元，所述处理单元用于过滤处理并分析信息采集端所采集到的数据；所述初始计算单元连接有处理单元，初始计算单元中设置有计算公式，以信息采集端所采集到的数据为参数代入公式，初始计算单元根据公式计算得出结果数据A；所述模型建立单元连接有处理单元，模型建立单元以处理单元处理后的数据为基本参数建立模型单元，模型单元以信息采集端所采集到的数据为参数计算获得结果数据B；所述比照单元连接有初始计算单元和模型单元，分别获取初始计算单元中的结果数据以及模型单元中的结果数据B，并计算结果数据A与结果数据B之间的标准差，将标准差值与比照单元中事先录入的差值P相比较，判断模型单元中的学习模型是否合格，所述信息采集端和信息录入端均连接有模型单元，信息录入端用于向模型单元中输入用户提供的数据值，信息采集端用于向模型单元中输入采集的数据值，模型计算单元连接有模型单元，模型计算单元依据信息录入端和信息采集端提供的数据值计算获得结果数据C，模型更新单元连接有模型计算单元和模型单元，模型更新单元依据结果数据C对模型单元进行更新，学习模型更新后为学习模型Q，学习模型Q以信息采集端所采集到的数据为参数计算获得结果数据D，所述比照单元连接有初始计算单元和学习模型Q，分别获取初始计算单元中的结果数据以及学习模型Q中的结果数据D，并计算结果数据A与结果数据D之间的标准差，将标准差值与比照单元中事先录入的差值P相比较，判断模型单元中的学习模型Q是否合格。
根据本发明的另一方面，提供了一种眼科视力检查数据收集分析系统的计算机存储介质，所述计算机存储介质上存储有眼科视力检查数据收集分析程序，所述眼科视力检查数据收集分析程序被处理器执行时实现如权利要求1至8中任一项所述的眼科视力检查数据收集分析方法的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明提出的一种眼科视力检查数据收集分析方法、系统及计算机存储介质，建立三维感应区域，以及吸附注视的光标在感应区域内移动，当光标接触或覆盖感应区域时，检测是否存在眼动行为，进而吸附或突出显示目标物体，可高效快速且精准的判断处用户的眼动行为，降低检测失误率。
2、本发明提出的一种眼科视力检查数据收集分析方法、系统及计算机存储介质，采用机器学习算法对用户眼睛运动行为数据进行训练，获取数据后对数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型。
3、本发明提出的一种眼科视力检查数据收集分析方法、系统及计算机存储介质，建立学习模型，并依据检测数据对学习模型进行更新，在每次模型更新后都对模型进行精度检测，确保模型精度，提高模型化数据分析的准确度。
附图说明
图1为本发明的眼科视力检查数据收集分析方法的流程图；
图2为本发明的眼科视力检查数据收集分析系统的整体结构图；
图3为本发明的眼科视力检查数据收集分析系统的三维感应区域结构图；
图4为本发明的眼科视力检查数据收集分析方法的模型建立单元连接图；
图5为本发明的眼科视力检查数据收集分析方法的模型更新单元连接图；
图6为本发明的眼科视力检查数据收集分析方法的比照单元连接图。
图中：1、信息采集端；2、处理单元；3、初始计算单元；4、模型建立单元；5、模型单元；6、比照单元；7、信息录入端；8、模型计算单元；9、模型更新单元；10、光标；11、三维感应区域。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，一种眼科视力检查数据收集分析方法，包括以下步骤：
S101：吸附注视光标10对目标进行选择，其中吸附注视光标10包括设置感应区域被动吸附注视光标10和眼动交互意图预测主动吸附注视光标10两种方式；
S102：为不同的目标设置相应感应区域即有效点击区域；
S103：当光标10接触或覆盖某一目标的感应区域时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，进而吸附或突出显示目标物体，其中感应区域处设置有具有辨识性的颜色以及特定字符，用户识别该颜色以及特定字符后通过语音采集、文字采集或手动输入的方式收集检测结果数据，光标10移动在三维坐标系中进行移动，光标10在三维坐标系上沿三维坐标系的X轴、Z轴移动时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，光标10在三维坐标系上沿三维坐标系的Y移动时，同时检测是否存在眼颤、扫视距离是否超过阈值以及眼球聚焦程度的眼动行为，建立三维感应区域11，以及吸附注视的光标10在感应区域内移动，当光标10接触或覆盖感应区域时，检测是否存在眼动行为，进而吸附或突出显示目标物体，可高效快速且精准的判断处用户的眼动行为，降低检测失误率；
S104：获取不同目标的若干次检测数据，计算检测数据获得若干次结果数据A，以检测数据为基本参数建立学习模型，设定学习模型的精确值，其中获取不同目标的若干次检测结果后，计算并结合分析对象特征，对结果数据进行序列比对；
S105：通过学习模型重复检测S104中目标，获取若干次检测结果数据B，比照结果数据A与结果数据B之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型合格，差异度大于S104中设定的学习模型精确值时，学习模型不合格，重复S104；
S106：使用学习模型进行对任意目标进行检测，记录检测结果数据C，检测结果数据C为二次参数，其中对获取的二次参数数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型，采用机器学习算法对用户眼睛运动行为数据进行训练，获取数据后对数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型；
S107：利用二次参数对学习模型进行更新，获得更新后的学习模型Q，利用学习模型Q进行检测，获取检测数据，并建立数据库，数据库内存储有裸眼视力数据、角膜曲率数据、等效球镜数据、眼轴数据、眼压数据以及维生素D浓度数据；将检测数据存入数据库，其中学习模型Q重复检测S104中目标，获取若干次检测结果数据D，比照结果数据A与结果数据D之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型Q合格，差异度大于S104中设定的学习模型精确值时，学习模型Q不合格，重复S106，建立学习模型，并依据检测数据对学习模型进行更新，在每次模型更新后都对模型进行精度检测，确保模型精度，提高模型化数据分析的准确度。
进一步地，所述S106中获取获得用户主观意识眼动交互意图模型，包括如下步骤：
步骤1：获取所述二次参数数据，确定使用学习模型对任意目标识别的识别结果；其中，
所述识别结果包括：正确识别、误识别和识别时效偏差；
二次参数数据就是检测结果C，也就是学习模型对任意目标进行检测的时候，对每个目标进行检测的结果，这个结果包括结果正确、结果错误以及在识别的时候存在一定的识别时间延迟，也就是明明输出了一个识别结果，但是识别结果的时间太长，这种识别结果是存在一定的不确定性，不清楚是真实的识别出来还是凑巧，这也是结果的一种。
步骤2：根据所述识别结果，对所述学习模型的正确识别状态进行判定；其中，
所述正确识别状态包括：单个识别和连续识别；
识别状态就是在进行重复性的检测识别的过程中，可能是进行单独的识别1次，下次他就识别错了，这种识别结果不连续，也就导致这个识别结果的可信任度不高，只有连续多次的识别结果都识别正确了，那才能代表识别结果的正确率比较高，可信任度比较高，因此本发明进行个单个识别和连续识别的结果分类。
步骤3：对所述单个识别的识别结果、误识别的结果和识别时效偏差的结果进行过滤，生成基于连续识别的识别集合；
现有技术对于识别集合，是将所有的识别结果都进行训练，不管这个识别结果是正确的还是错误，也不管识别结果的可信任度高不高，都是直接的进行训练，所以得到的识别模型，其效果比较差。而本发明不同，本发明把不太值得信任的识别结果都舍去了，只对能够信任的结果进行重新的训练，得到一个新的可以信任的用户主观意识眼动交互意图模型，以此得来的新的模型趋势线识别交互功能，更加符合人的视线也更加便于进行视力的检查分析。
步骤4：对所述识别集合中每个连续识别的结果进行识别时间标记处理；
步骤5：根据所述时间标记处理，确定每个连续识别的识别结果中，每次正确识别的时间间隔；
步骤6：根据所述时间间隔，确定每个连续识别的识别结果的时间规律；
通过时间间隔去确定连续识别的规律，按理说连续识别的时间间隔是相同的，因为只是判定能够进行识别和不能进行识别，但是，连续识别的时候，因为识别的物体是不同的，所以识别的时候存在有的东西可以直接识别，有的东西可以加速，所以本发明设置了时间间隔，是为了让识别的结果更加符合现实场景，从而进行对应的深度训练，得到用户主观意识眼动交互意图模型。
步骤7：将所述识别集合中每个识别结果的时间规律作为识别样本，生成识别样本集合；
步骤8：通过预设的深度学习模型和所述识别样本集合，进行眼动行为训练，生成用户主观意识眼动交互意图模型。
进一步地，所述S107中比照结果数据A与结果数据D之间的差异，包括如下步骤：
步骤1：获取所述结果数据A和结果数据D，基于识别次数，生成基于结果数据A的第一识别结果集合A＝{a1，a2，……，ai}，并生成基于结果数据D的第二识别结果集合D＝{d1，d2，……，di}；其中，i∈n，n表示识别的总次数；
步骤2：根据所述第一识别结果集合，确定结果数据A中识别正确的次数s，识别错误的次数c，以及识别结果的散点分布函数f(ai)；建立第一识别规律模型α；
基于第二识别结果集合，确定结果数据D中识别正确的次数
识别错误的次数
以及识别结果的散点分布函数
建立第二识别规律模型β；
步骤3：根据所述第一识别规律模型和第二识别规律模型，构建差异公式，确定差异度：
其中，Y表示差异度。
本发明在计算差异度的过程中，主要是基于结果数据A与结果数据D两个结果数据之间的对比实现，我们知道结果数据一般只有识别的结果，也就是识别正确和识别不正确。本发明根据这些结果出现的规律、以及识别结果正确识别的次数和错误识别的次数进行对比计算，从而得到差异值。
在这个过程中，因为解雇的分布应该是呈现一种散点的分布，每一个点都代表一种结果。因此在搭建识别的规律模型上，本发明基于指数函数和散点分布函数，确定识别的规律模型，首先，散点函数能够确定每一种识别结果在图像中的分布，而指数函数中，同时对识别的正确概率值和错误概率值进行计算，通过这个步骤得到的模型因为是指数模型，所以通过模型的图谱就可以判定模型识别的结果呈现的是一个怎样的方式，然后通过识别规律模型的差异对比，其实也是通过散点图的分布对比，以及在识别上识别正确对的对比和识别错误的对比，确定一个最终的差异值，这个差异值通过和设定的学习模型精确值进行一个对比，就能判断出模型是不是符合标准，可以进行使用的。
采用上述实施例方法统计用户眼科视力检查数据表格如下表1所示：
表1用户眼科视力检查数据
| 裸眼视力 | 角膜曲率 | 等效球镜 | 眼轴 | 眼压 | 维生素D浓度 |
| 1.2 | 44.47/45.30 | -0.5 | 22.15 | 18 | 17.49 |
| 1.2 | 42.94/43.55 | +0.25*103 | 23.51 | 16 | 15.89 |
| 1.0 | 44.41/44.64 | +0.25 | 22.86 | 19 | 16.96 |
| 1.0 | 43.77/44.88 | +1.25 | 21.84 | 19 | 28.1 |
| 0.6 | 42.29/42.99 | -1.25 | 23.6 | 16 | 23.7 |
| 0.8 | 42.4/43.05 | -0.75 | 23.57 | 11 | 20.7 |
| 0.6 | 42.94/44.58 | -1.25 | 24.2 | 16 | 20.5 |
| 0.4 | 44.5/44.58 | -1.0 | 23.04 | 12 | 23.3 |
| 0.8 | 44.47/45.3 | -0.25 | 20.8 | 17 | 28.9 |
| 1.0 | 43.55/45.79 | -0.25 | 22.84 | 17 | 20.7 |
| 0.9 | 42.45/43.05 | +1.0 | 23.33 | 16 | 33 |
上述均为双眼平均数据；
参阅图2至图6，为了更好的展现眼科视力检查数据收集分析方法的具体过程，本实施例现提出一种眼科视力检查数据收集分析系统，包括信息采集端1、处理单元2、初始计算单元3、模型建立单元4、模型单元5、比照单元6、信息录入端7、模型计算单元8和模型更新单元9，信息采集端1包括光标10和三维感应区域11，三维感应区域11由若干单一感应区域拼装组合形成，光标10在三维感应区域11内移动至任意位置；信息采集端1连接有处理单元2，处理单元2用于过滤处理并分析信息采集端1所采集到的数据；初始计算单元3连接有处理单元2，初始计算单元3中设置有计算公式，以信息采集端1所采集到的数据为参数代入公式，初始计算单元3根据公式计算得出结果数据A；模型建立单元4连接有处理单元2，模型建立单元4以处理单元2处理后的数据为基本参数建立模型单元5，模型单元5以信息采集端1所采集到的数据为参数计算获得结果数据B；比照单元6连接有初始计算单元3和模型单元5，分别获取初始计算单元3中的结果数据以及模型单元5中的结果数据B，并计算结果数据A与结果数据B之间的标准差，将标准差值与比照单元6中事先录入的差值P相比较，标准差小于差值P则该学习模型合格，反之不合格，进而判断模型单元5中的学习模型是否合格，信息采集端1和信息录入端7均连接有模型单元5，信息录入端7用于向模型单元5中输入用户提供的数据值，信息采集端1用于向模型单元5中输入采集的数据值，模型计算单元8连接有模型单元5，模型计算单元8依据信息录入端7和信息采集端1提供的数据值计算获得结果数据C，模型更新单元9连接有模型计算单元8和模型单元5，模型更新单元9依据结果数据C对模型单元5进行更新，学习模型更新后为学习模型Q，学习模型Q以信息采集端1所采集到的数据为参数计算获得结果数据D，比照单元6连接有初始计算单元3和学习模型Q，分别获取初始计算单元3中的结果数据以及学习模型Q中的结果数据D，并计算结果数据A与结果数据D之间的标准差，将标准差值与比照单元6中事先录入的差值P相比较，判断模型单元5中的学习模型Q是否合格。
为了更好的展现眼科视力检查数据收集分析方法的具体过程，本实施例现提出一种用于眼科视力检查数据收集分析系统的计算机存储介质，计算机存储介质上存储有眼科视力检查数据收集分析程序，眼科视力检查数据收集分析程序被处理器执行时实现本实施例中眼科视力检查数据收集分析方法的步骤。
综上所述：本发明提出的一种眼科视力检查数据收集分析方法、系统及计算机存储介质，建立三维感应区域11，以及吸附注视的光标10在感应区域内移动，当光标10接触或覆盖感应区域时，检测是否存在眼动行为，进而吸附或突出显示目标物体，可高效快速且精准的判断处用户的眼动行为，降低检测失误率；采用机器学习算法对用户眼睛运动行为数据进行训练，获取数据后对数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型；建立学习模型，并依据检测数据对学习模型进行更新，在每次模型更新后都对模型进行精度检测，确保模型精度，提高模型化数据分析的准确度。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种眼科视力检查数据收集分析方法，其特征在于，包括以下步骤：
S101：吸附注视光标(10)对目标进行选择；
S102：为不同的目标设置相应感应区域即有效点击区域；
S103：当光标(10)接触或覆盖某一目标的感应区域时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，进而吸附或突出显示目标物体；
S104：获取不同目标的若干次检测数据，计算检测数据获得若干次结果数据A，以检测数据为基本参数建立学习模型，设定学习模型的精确值；
S105：通过学习模型重复检测S104中目标，获取若干次检测结果数据B，比照结果数据A与结果数据B之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型合格，差异度大于S104中设定的学习模型精确值时，学习模型不合格，重复S104；
S106：使用学习模型进行对任意目标进行检测，记录检测结果数据C，检测结果数据C为二次参数；
S107：利用二次参数对学习模型进行更新，获得更新后的学习模型Q，利用学习模型Q进行检测，获取检测数据，并建立数据库，将检测数据存入数据库。
2.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S101中吸附注视光标(10)包括设置感应区域被动吸附注视光标(10)和眼动交互意图预测主动吸附注视光标(10)两种方式。
3.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S103中感应区域处设置有具有辨识性的颜色以及特定字符，用户识别该颜色以及特定字符后通过语音采集、文字采集或手动输入的方式收集检测结果数据；光标(10)移动在三维坐标系中进行移动，光标(10)在三维坐标系上沿三维坐标系的X轴、Z轴移动时，同时检测是否存在眼颤以及扫视距离是否超过阈值的眼动行为，且S103中光标(10)在三维坐标系上沿三维坐标系的Y移动时，同时检测是否存在眼颤、扫视距离是否超过阈值以及眼球聚焦程度的眼动行为。
4.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S104中获取不同目标的若干次检测结果后，计算并结合分析对象特征，对结果数据进行序列比对。
5.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S106中对获取的二次参数数据进行过滤、处理和分析，进而训练出眼动行为规律，获得用户主观意识眼动交互意图模型。
6.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S107中学习模型Q重复检测S104中目标，获取若干次检测结果数据D，比照结果数据A与结果数据D之间的差异，差异度小于或等于S104中设定的学习模型精确值时，学习模型Q合格，差异度大于S104中设定的学习模型精确值时，学习模型Q不合格，重复S106；且S107中的数据库内存储有裸眼视力数据、角膜曲率数据、等效球镜数据、眼轴数据、眼压数据以及维生素D浓度数据。
7.如权利要求1所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S106中获取获得用户主观意识眼动交互意图模型，包括如下步骤：
步骤1：获取所述二次参数数据，确定使用学习模型对任意目标识别的识别结果；其中，所述识别结果包括：正确识别、误识别和识别时效偏差；
步骤2：根据所述识别结果，对所述学习模型的正确识别状态进行判定；其中，所述正确识别状态包括：单个识别和连续识别；
步骤3：对所述单个识别的识别结果、误识别的结果和识别时效偏差的结果进行过滤，生成基于连续识别的识别集合；
步骤4：对所述识别集合中每个连续识别的结果进行识别时间标记处理；
步骤5：根据所述时间标记处理，确定每个连续识别的识别结果中，每次正确识别的时间间隔；
步骤6：根据所述时间间隔，确定每个连续识别的识别结果的时间规律；
步骤7：将所述识别集合中每个识别结果的时间规律作为识别样本，生成识别样本集合；
步骤8：通过预设的深度学习模型和所述识别样本集合，进行眼动行为训练，生成用户主观意识眼动交互意图模型。
8.如权利要求7所述的一种眼科视力检查数据收集分析方法，其特征在于，所述S107中比照结果数据A与结果数据D之间的差异，包括如下步骤：
步骤1：获取所述结果数据A和结果数据D，基于识别次数，生成基于结果数据A的第一识别结果集合A＝{a1,a2,……,ai}，并生成基于结果数据D的第二识别结果集合D＝{d1,d2,……,di}；其中，i∈n，n表示识别的总次数；
步骤2：根据所述第一识别结果集合，确定结果数据A中识别正确的次数s，识别错误的次数c，以及识别结果的散点分布函数f(ai)；建立第一识别规律模型α；
基于第二识别结果集合，确定结果数据D中识别正确的次数
识别错误的次数
以及识别结果的散点分布函数
建立第二识别规律模型β；
步骤3：根据所述第一识别规律模型和第二识别规律模型，构建差异公式，确定差异度：
其中，Y表示差异度。
9.一种如权利要求1-8任一项所述的眼科视力检查数据收集分析系统，其特征在于，包括信息采集端(1)、处理单元(2)、初始计算单元(3)、模型建立单元(4)、模型单元(5)、比照单元(6)、信息录入端(7)、模型计算单元(8)和模型更新单元(9)，所述信息采集端(1)包括光标(10)和三维感应区域(11)，三维感应区域(11)由若干单一感应区域拼装组合形成，光标(10)在三维感应区域(11)内移动至任意位置；所述信息采集端(1)连接有处理单元(2)，所述处理单元(2)用于过滤处理并分析信息采集端(1)所采集到的数据；所述初始计算单元(3)连接有处理单元(2)，初始计算单元(3)中设置有计算公式，以信息采集端(1)所采集到的数据为参数代入公式，初始计算单元(3)根据公式计算得出结果数据A；所述模型建立单元(4)连接有处理单元(2)，模型建立单元(4)以处理单元(2)处理后的数据为基本参数建立模型单元(5)，模型单元(5)以信息采集端(1)所采集到的数据为参数计算获得结果数据B；所述比照单元(6)连接有初始计算单元(3)和模型单元(5)，分别获取初始计算单元(3)中的结果数据以及模型单元(5)中的结果数据B，并计算结果数据A与结果数据B之间的标准差，将标准差值与比照单元(6)中事先录入的差值P相比较，判断模型单元(5)中的学习模型是否合格，所述信息采集端(1)和信息录入端(7)均连接有模型单元(5)，信息录入端(7)用于向模型单元(5)中输入用户提供的数据值，信息采集端(1)用于向模型单元(5)中输入采集的数据值，模型计算单元(8)连接有模型单元(5)，模型计算单元(8)依据信息录入端(7)和信息采集端(1)提供的数据值计算获得结果数据C，模型更新单元(9)连接有模型计算单元(8)和模型单元(5)，模型更新单元(9)依据结果数据C对模型单元(5)进行更新，学习模型更新后为学习模型Q，学习模型Q以信息采集端(1)所采集到的数据为参数计算获得结果数据D，所述比照单元(6)连接有初始计算单元(3)和学习模型Q，分别获取初始计算单元(3)中的结果数据以及学习模型Q中的结果数据D，并计算结果数据A与结果数据D之间的标准差，将标准差值与比照单元(6)中事先录入的差值P相比较，判断模型单元(5)中的学习模型Q是否合格。
10.一种用于如权利要求9所述的眼科视力检查数据收集分析系统的计算机存储介质，其特征在于，所述计算机存储介质上存储有眼科视力检查数据收集分析程序，所述眼科视力检查数据收集分析程序被处理器执行时实现如权利要求1至8中任一项所述的眼科视力检查数据收集分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210074436.XA CN114468977B (zh) | 2022-01-21 | 2022-01-21 | 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210074436.XA CN114468977B (zh) | 2022-01-21 | 2022-01-21 | 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114468977A true CN114468977A (zh) | 2022-05-13 |
| CN114468977B CN114468977B (zh) | 2023-03-28 |
Family
ID=81472927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210074436.XA Active CN114468977B (zh) | 2022-01-21 | 2022-01-21 | 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114468977B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859990A (zh) * | 2023-02-17 | 2023-03-28 | 智慧眼科技股份有限公司 | 基于元学习的信息抽取方法、装置、设备及介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204428590U (zh) * | 2015-01-15 | 2015-07-01 | 深圳市眼科医院 | 虚拟化知觉学习训练仪 |
| US20200184274A1 (en) * | 2018-12-07 | 2020-06-11 | Seoul National University R&Db Foundation | Apparatus and method for generating medical image segmentation deep-learning model, and medical image segmentation deep-learning model generated therefrom |
| CN111832576A (zh) * | 2020-07-17 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 一种用于移动端的轻量级目标检测方法及系统 |
| CN111949131A (zh) * | 2020-08-17 | 2020-11-17 | 陈涛 | 一种基于眼动追踪技术的眼动交互方法、系统及设备 |
| WO2020240760A1 (ja) * | 2019-05-30 | 2020-12-03 | 日本電信電話株式会社 | 差異検出装置、差異検出方法及びプログラム |
| CN112036423A (zh) * | 2019-06-04 | 2020-12-04 | 山东华软金盾软件股份有限公司 | 一种基于动态基线的主机监控报警系统及方法 |
| US20200401916A1 (en) * | 2018-02-09 | 2020-12-24 | D-Wave Systems Inc. | Systems and methods for training generative machine learning models |
| EP3798975A1 (en) * | 2019-09-29 | 2021-03-31 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for detecting subject, electronic device, and computer readable storage medium |
| US20210114368A1 (en) * | 2018-07-25 | 2021-04-22 | Fujifilm Corporation | Machine learning model generation device, machine learning model generation method, program, inspection device, inspection method, and printing device |
| CN112950609A (zh) * | 2021-03-13 | 2021-06-11 | 深圳市龙华区妇幼保健院(深圳市龙华区妇幼保健计划生育服务中心、深圳市龙华区健康教育所) | 一种智能眼动识别分析方法及系统 |
| WO2021132633A1 (ja) * | 2019-12-26 | 2021-07-01 | 公益財団法人がん研究会 | Ａｉを用いた病理診断支援方法、及び支援装置 |
| WO2021164534A1 (zh) * | 2020-02-18 | 2021-08-26 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113469234A (zh) * | 2021-06-24 | 2021-10-01 | 成都卓拙科技有限公司 | 一种基于免模型联邦元学习的网络流量异常检测方法 |
| US20210312233A1 (en) * | 2020-04-07 | 2021-10-07 | Kabushiki Kaisha Toshiba | Learning method, storage medium, and image processing device |
| CN113706558A (zh) * | 2021-09-06 | 2021-11-26 | 联想(北京)有限公司 | 图像分割方法、装置及计算机设备 |
| CN113743280A (zh) * | 2021-08-30 | 2021-12-03 | 广西师范大学 | 一种脑神经元电子显微镜图像卷分割方法、装置以及存储介质 |
-
2022
- 2022-01-21 CN CN202210074436.XA patent/CN114468977B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204428590U (zh) * | 2015-01-15 | 2015-07-01 | 深圳市眼科医院 | 虚拟化知觉学习训练仪 |
| US20200401916A1 (en) * | 2018-02-09 | 2020-12-24 | D-Wave Systems Inc. | Systems and methods for training generative machine learning models |
| US20210114368A1 (en) * | 2018-07-25 | 2021-04-22 | Fujifilm Corporation | Machine learning model generation device, machine learning model generation method, program, inspection device, inspection method, and printing device |
| US20200184274A1 (en) * | 2018-12-07 | 2020-06-11 | Seoul National University R&Db Foundation | Apparatus and method for generating medical image segmentation deep-learning model, and medical image segmentation deep-learning model generated therefrom |
| WO2020240760A1 (ja) * | 2019-05-30 | 2020-12-03 | 日本電信電話株式会社 | 差異検出装置、差異検出方法及びプログラム |
| CN112036423A (zh) * | 2019-06-04 | 2020-12-04 | 山东华软金盾软件股份有限公司 | 一种基于动态基线的主机监控报警系统及方法 |
| EP3798975A1 (en) * | 2019-09-29 | 2021-03-31 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for detecting subject, electronic device, and computer readable storage medium |
| WO2021132633A1 (ja) * | 2019-12-26 | 2021-07-01 | 公益財団法人がん研究会 | Ａｉを用いた病理診断支援方法、及び支援装置 |
| WO2021164534A1 (zh) * | 2020-02-18 | 2021-08-26 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
| US20210312233A1 (en) * | 2020-04-07 | 2021-10-07 | Kabushiki Kaisha Toshiba | Learning method, storage medium, and image processing device |
| CN111832576A (zh) * | 2020-07-17 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 一种用于移动端的轻量级目标检测方法及系统 |
| CN111949131A (zh) * | 2020-08-17 | 2020-11-17 | 陈涛 | 一种基于眼动追踪技术的眼动交互方法、系统及设备 |
| CN112950609A (zh) * | 2021-03-13 | 2021-06-11 | 深圳市龙华区妇幼保健院(深圳市龙华区妇幼保健计划生育服务中心、深圳市龙华区健康教育所) | 一种智能眼动识别分析方法及系统 |
| CN113469234A (zh) * | 2021-06-24 | 2021-10-01 | 成都卓拙科技有限公司 | 一种基于免模型联邦元学习的网络流量异常检测方法 |
| CN113743280A (zh) * | 2021-08-30 | 2021-12-03 | 广西师范大学 | 一种脑神经元电子显微镜图像卷分割方法、装置以及存储介质 |
| CN113706558A (zh) * | 2021-09-06 | 2021-11-26 | 联想(北京)有限公司 | 图像分割方法、装置及计算机设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859990A (zh) * | 2023-02-17 | 2023-03-28 | 智慧眼科技股份有限公司 | 基于元学习的信息抽取方法、装置、设备及介质 |
| CN115859990B (zh) * | 2023-02-17 | 2023-05-09 | 智慧眼科技股份有限公司 | 基于元学习的信息抽取方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114468977B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110623629A (zh) | 一种基于眼球运动的视觉注意检测方法及系统 | |
| Khalil et al. | Review of machine learning techniques for glaucoma detection and prediction | |
| US8985766B2 (en) | Method for designing spectacle lenses | |
| CN110555845A (zh) | 眼底oct图像识别方法及设备 | |
| de Almeida et al. | Computational methodology for automatic detection of strabismus in digital images through Hirschberg test | |
| JPWO2009001558A1 (ja) | ヒト状態推定装置およびその方法 | |
| CN111712179A (zh) | 用于改变受试者的视觉性能的方法、用于测量受试者的球镜屈光矫正需要的方法以及用于实现这些方法的光学系统 | |
| CN112700858B (zh) | 一种儿童青少年近视预警方法及设备 | |
| CN114468977B (zh) | 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 | |
| EP3420887A1 (en) | Method for determining the position of the eye rotation center of the eye of a subject, and associated device | |
| EP4264627A1 (en) | System for determining one or more characteristics of a user based on an image of their eye using an ar/vr headset | |
| CN115019380A (zh) | 基于眼部图像的斜视智能识别方法、装置、终端及介质 | |
| CN113111745B (zh) | 基于openpose的产品关注度的眼动识别的方法 | |
| KR102208508B1 (ko) | 복합적인 안과 진료를 수행하는 시스템 및 방법 | |
| CN115998243A (zh) | 一种基于眼轴增长预测和角膜信息验配角膜塑形镜的方法 | |
| CN113534945A (zh) | 眼球追踪校准系数的确定方法、装置、设备及存储介质 | |
| CN116019416A (zh) | 一种对角膜塑形后地形图进行矫正效果评级的方法 | |
| CN115547449A (zh) | 一种基于视觉训练提高成人弱视患者视功能表现的方法 | |
| US20240148245A1 (en) | Method, device, and computer program product for determining a sensitivity of at least one eye of a test subject | |
| CN115223232A (zh) | 一种眼健康综合管理系统 | |
| CN115512410A (zh) | 基于眼部异常姿态的异常屈光状态识别方法及装置 | |
| CN108888407A (zh) | 一种基于Softmax回归算法预测SMILE手术中屈光度调整值的方法 | |
| CUBA GYLLENSTEN | Evaluation of classification algorithms for smooth pursuit eye movements: Evaluating current algorithms for smooth pursuit detection on Tobii Eye Trackers | |
| CN111374632A (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 | |
| CN117243560A (zh) | 一种视野检测用视野计系统及其方法 |
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 |