CN114724709B - 基于vr眼动追踪的痴呆风险筛查系统、设备及介质 - Google Patents

Abstract

本申请提供了一种基于VR眼动追踪的痴呆风险筛查系统，包括：展示模块，用于通过VR设备展示不同类型的测试任务；追踪模块，用于追踪预设时间内的眼动轨迹；第一确定模块，用于确定相应测试任务的关注点；第一提取模块，用于提取出与测试任务对应的第一眼动特征；筛查模块，用于获取痴呆筛查模型输出的预测类别；第二确定模块，用于当预测类别为正常或轻度时，确定预测类别对应的目标测试任务，确定对应的目标眼动轨迹；第二提取模块，用于提取目标眼动轨迹的第二眼动特征；风险评估模块，用于根据风险转化评估模型确定转化风险概率，该系统不仅可以进行痴呆的筛查，而且可以预测未来风险转化的概率。

Description

基于VR眼动追踪的痴呆风险筛查系统、设备及介质

技术领域

本申请涉及计算机技术领域，特别涉及为一种基于VR眼动追踪的痴呆风险筛查系统、设备及介质。

背景技术

轻度认知障碍（MCI），是指比正常衰老更严重的记忆和认知功能减退，但是并未显著损害日常生活功能。大量研究结果显示并非所有 MCI 患者将来都一定会发展为阿尔茨海默病（Alzheimer’s Disease，AD），约50%的MCI在3年内发展为痴呆症。急需可靠的系统来预测 MCI 患者的未来临床趋势，及转化到AD风险。现有的准确诊断早期痴呆的策略受到高成本和手术侵入性的限制。

痴呆症的诊断通常使用神经心理学测试，如简易精神状态检查(MMSE)和蒙特利尔认知评估(MoCA)。虽然这些传统的神经心理学测试是有效和可靠的，但作为常规的痴呆症筛查工具，需由训练有素的测试人员实施，门槛高，操作不便且效率低，不利于大规模推行，且受测人员有的时候还会故意隐瞒导致评价结果不准确。随着VR技术的发展，采用VR设备进行测试成为了可能，目前也已经存在在其他领域使用VR设备采集眼动特征进行测评，比如，CN114209324A就公开了一种基于图像视觉认知的心理测评数据获取系统及VR系统。

但是在痴呆筛查方面还没有很好的预测筛查系统，主要是因为仅仅依靠VR设备进行眼动特征提取虽然能够在一定程度上可以得到预测筛查结果，但是预测筛查结果往往不够准确。另外，目前痴呆症的筛查也都仅仅限于能够辅助预测出患者目前是否正常，但是对于未来是否存在潜在转化风险还不能够很好的预测。

发明内容

基于此，针对上述目前痴呆预测结果不够准确且不能对未来转化风险预测的问题，本申请提出了一种基于VR眼动追踪的痴呆风险筛查系统、计算机设备及存储介质，该系统实现了简单高效且准确地预测痴呆症，且能够对于还未发展为痴呆的人进行风险预测。

为实现上述目的，本申请第一方面提供一种基于VR眼动追踪的痴呆风险筛查系统，包括：

展示模块，用于通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪模块，用于追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹；

第一确定模块，用于根据每一测试任务的任务类型确定相应测试任务的关注点；

第一提取模块，用于根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

筛查模块，用于将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，到子预测结果，所述融合输出层用于根据所述多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

第二确定模块，用于当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

第二提取模块，用于提取所述目标眼动轨迹的第二眼动特征；

风险评估模块，用于将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

为实现上述目的，本申请第二方面提供一种基于VR眼动追踪的痴呆风险筛查设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹；

根据每一所述测试任务的任务类型确定相应测试任务的关注点；

根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，到子预测结果，所述融合输出层用于根据多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

提取所述目标眼动轨迹的第二眼动特征；

将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

为实现上述目的，本申请第三方面提供一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹；

根据每一所述测试任务的任务类型确定相应测试任务的关注点；

根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，到子预测结果，所述融合输出层用于根据多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

提取所述目标眼动轨迹的第二眼动特征；

将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

上述基于VR眼动追踪的痴呆风险筛查系统、计算机设备及存储介质，针对不同类型的测试任务对应有不同的关注点，然后根据关注点可以从眼动轨迹提取到与该测试任务关注的第一眼动特征，并且根据每一测试任务对应的第一眼动特征采用痴呆筛查模型进行预测，得到预测类别。上述系统中，针对不同的测试任务设置不同的关注点，然后根据关注点可以提取到更加能够反映受测者情况的第一眼动特征，使得提取到的与每一测试任务对应的第一眼动特征更加准确有针对性，且为了使得预测的更加准确，痴呆筛查模型中针对每个测试任务对应有相应的子筛查模型，这样可以学习到痴呆症与每个测试任务眼动特征的关联关系，最后再通过融合输出层综合多个子预测结果，从而实现了更加精准进行痴呆的筛查；

进一步的，当预测类别为正常或轻度时，进一步进行风险转化预测，具体地，当预测类别为正常或轻度时，确定预测类别对应的目标测试任务，然后根据目标测试任务确定对应的目标眼动轨迹，提取目标眼动轨迹的第二眼动特征，将预测类别和第二眼动特征作为风险转化评估模型的输入，得到了风险转化评估模型输出的在相应预测类别下的转化风险概率，从而有利于提前预防转化风险。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中基于VR眼动追踪的痴呆风险筛查系统的结构框图；

图2为一个实施例基于VR眼动追踪的痴呆风险筛查方法的流程图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

下面将结合本申请的实施例中的附图，对本申请的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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。

如图1所示，提出了一种基于VR眼动追踪的痴呆风险筛查系统，包括：

展示模块102，用于通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像。

其中，受测者佩戴VR设备，在受测者眼部位置展示不同类型的测试任务。测试任务中包括一个正确答案（目标图像）和干扰因素（不正确的非目标图像），一般设置四个选项，其中一个选项是为正确选项（即目标图像）。受测者需要识别出哪个是正确选项并注视该正确选项，即识别并注视目标图像。

追踪模块104，用于追踪受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹。

其中，受测者在被指示识别并注视目标图像后，需要在预设时间内（比如，10s）去识别哪个为正确选项以及并注视自己选择的选项，通过采集预设时间内受测者的眼动轨迹能够获取到受测者的真实反应。

第一确定模块106，用于根据每一测试任务的任务类型确定相应测试任务的关注点。

其中，对于痴呆早期筛查的过程中需要设置考察用户不同方面的测试任务，即不同的任务类型对应考察的能力是不同的。比如，有考察“记忆”的测试任务，有考察“视觉注意”的测试任务，还有考察“判别能力”的测试任务以及考察“注意与计算”、“视空间与执行功能”、“短期记忆绑定”等的测试任务。不同测试任务对应的测试任务的关注点也是有差异的，关注点包括：注视目标图像的持续时长、注视目标图像的有效时长、注视目标图像的总时长、最后停留的位置等中的一种或多种。比如，在考察“判别能力”的时候，关注点可以设置为最后停留的位置，在考察“视觉注意”的时候，关注点设置为注视目标图像的有效时长。

第一提取模块108，用于根据测试任务的关注点从测试任务对应的眼动轨迹中提取出与测试任务对应的第一眼动特征。

其中，根据关注点从眼动轨迹中提出与该测试任务对应的第一眼动特征。通过关注点的设置可以重点从眼动轨迹中提取该测试任务关注的眼动特征。

筛查模块110，用于将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取痴呆筛查模型输出的预测类别，痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据测试任务对应的第一眼动特征进行预测，到子预测结果，融合输出层用于根据多个子预测结果确定预测类别，预测类别分为正常、轻度、痴呆。

其中，预测类别即痴呆筛查的结果，分为三种，正常、轻度（即轻度认知障碍）和痴呆。对于目前处于正常或轻度认知障碍的，还需要提前做好风险转化预测，如果有转化风险，则需要进行提前干预。

由于不同测试任务所考察的能力是不同的，为了提高预测的准确度，设置多个子筛查模型，这样每个测试任务都可以进行精准预测，相对于传统的模型预测方式，该系统可以学习到痴呆症与每个测试任务眼动特征的关联关系，最后再通过融合输出层综合多个子预测结果，给出最终的预测类别，从而实现了更加精准进行痴呆的筛查预测。

第二确定模块112，用于当预测类别为正常或轻度时，确定预测类别对应的目标测试任务，根据目标测试任务确定对应的目标眼动轨迹。

其中，正常和轻度类别对应的目标测试任务可以相同也可以不同。在一个实施例中，正常类别和轻度类别对应的目标测试任务是提前设置的，对于痴呆筛查时一共有10个测试任务，将第8测试任务和第10测试任务作为正常类别对应的目标测试任务，将第9测试任务和第10测试任务作为轻度类别对应的目标测试任务。对于风险预测，一般将考察学习能力的测试任务作为目标测试任务。在另一个实施例中，目标测试任务是通过提前分析学习得到的。

在一个实施例中，是根据目标测试任务获取之前进行痴呆筛查时提取的目标眼动轨迹。比如，如果目标测试任务为第8测试任务和第10测试任务，那么就只需要提取这两个测试任务对应的目标眼动轨迹。

在另一个实施例中，也可以在确定目标测试任务后，重新对受测者进行该目标测试任务的测试，提取得到新的目标眼动轨迹。该目标测试任务可以是原来的测试任务，也可以是新获取到的测试任务。

在一个实施例中，获取预测类别对应的目标测试任务类型，从测试任务库中获取与目标测试任务类型相同的测试任务作为目标测试任务，采用该目标测试任务对受测者进行测试，提取到该目标测试任务对应的目标眼动轨迹。

第二提取模块114，用于提取目标眼动轨迹的第二眼动特征。

其中，基于提取到的目标眼动轨迹确定第二眼动特征，第二眼动特征和第一眼动特征的偏重是不同的，第一眼动特征偏重于全面，包括：注视目标图像的持续时长、注视目标图像的有效时长、注视目标图像的总时长、最后停留的位置等，第二眼动特征往往偏重于某一个或两个特征，比如，偏重于注视的有效时长和最后停留的位置。

风险评估模块116，用于将预测类别和第二眼动特征作为风险转化评估模型的输入，获取风险转化评估模型输出的在相应预测类别下的转化风险概率。

其中，如果预测类别为正常，将正常类别和相应的第二眼动特征作为风险转化评估模型的输入，此时，风险转化评估模型输出的是正常转化为轻度的风险转化概率。如果预测类别为轻度，将轻度类别和相应的第二眼动特征作为风险转化评估模型的输入，此时，风险转化评估模型输出的是轻度转化为痴呆的风险转化概率。

上述基于VR眼动追踪的痴呆风险筛查系统，针对不同类型的测试任务对应有不同的关注点，然后根据关注点可以从眼动轨迹提取到与该测试任务关注的第一眼动特征，并且根据每一测试任务对应的第一眼动特征采用痴呆筛查模型进行预测，得到预测类别。上述系统中，针对不同的测试任务设置不同的关注点，然后根据关注点可以提取到更加能够反映受测者情况的第一眼动特征，使得提取到的与每一测试任务对应的第一眼动特征更加准确有针对性，且为了使得预测的更加准确，痴呆筛查模型中针对每个测试任务对应有相应的子筛查模型，这样可以学习到痴呆症与每个测试任务眼动特征的关联关系，最后再通过融合输出层综合多个子预测结果，从而实现了更加精准进行痴呆的筛查；

进一步的，当预测类别为正常或轻度时，进一步进行风险转化预测，具体地，当预测类别为正常或轻度时，确定预测类别对应的目标测试任务，然后根据目标测试任务确定对应的目标眼动轨迹，提取目标眼动轨迹的第二眼动特征，将预测类别和第二眼动特征作为风险转化评估模型的输入，得到了风险转化评估模型输出的在相应预测类别下的转化风险概率，从而有利于提前预防转化风险。

在一个实施例中，上述系统还包括：目标测试任务确定模块；所述目标测试任务确定模块，用于获取历史测试数据中预测类别为正常的受测者群体，追踪所述受测者群体在之后的一段时间内转化为轻度的第一类人群和未转化为轻度的第二类人群；获取所述第一类人群对应的历史每一测试任务对应的眼动轨迹和所述第二类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第一类人群对应的眼动轨迹和所述第二类人群对应的眼动轨迹，确定第一眼动轨迹差异；当所述第一眼动轨迹差异大于第一预设值时，将相应的测试任务作为正常类别对应的目标测试任务，将相应的测试任务的类型作为正常类别对应的目标测试任务类型；

所述目标测试任务确定模块还用于获取历史测试数据中预测类别为轻度的受测者群体，追踪所述受测者群体在之后的一段时间内转化为痴呆的第三类人群和未转化为痴呆的第四类人群；获取所述第三类人群对应的历史每一测试任务对应的眼动轨迹和所述第四类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第三类人群对应的眼动轨迹和所述第四类人群对应的眼动轨迹，确定第二眼动轨迹差异；当所述第二眼动轨迹差异大于第二预设值时，将相应的测试任务作为与轻度类别对应的目标测试任务，将相应的测试任务的类型作为轻度类别对应的目标测试任务类型。

其中，为了提高风险转化预测的准确度，上述目标测试任务是通过分析得到的。具体地，获取历史受测者的历史测试数据中预测类别为正常的受测者群体，然后追踪受测者群体在之后的一段时间内（比如，半年）转化为轻度的人群，作为第一类人群，然后将剩下未转化为轻度的人群作为第二类人群。然后分别获取第一类人群和第二类人群对应的历史每一测试任务的眼动轨迹，即历史测试为正常时的每一测试任务对应的眼动轨迹。然后比对同一测试任务下第一类人群对应的眼动轨迹和第二类人群对应的眼动轨迹，当两个群体在对于同一测试任务的眼动轨迹的差异大于第一预设值时，说明该测试任务能够有效区分出是否有转化风险，将该测试任务作为目标测试任务。其中，第一眼动轨迹差异是通过比较第一类人群对应的拟合眼动轨迹和第二类人群对应的拟合眼动轨迹得到的，拟合眼动轨迹是通过对该群体的每一个受测者的眼动轨迹进行拟合得到一条能够代表该群体特点的眼动轨迹。同样地，对于预测类别为轻度的受测者群体，也是按照同样的方式确定目标测试任务的。每个测试任务都对应有一个测试任务类型，确定了目标测试任务，也就确定了目标测试任务类型。通过上述方式可以有效地锁定目标测试任务或目标测试任务类型，从而基于该目标测试任务或目标测试任务类型进一步进行第二眼动特征的提取，以及基于第二眼动特征进行风险预测，大大提高了风险预测的准确度。

在一个实施例中，上述系统还包括：训练数据确定模块，用于获取所述第一类人群中每个受测者在正常类别对应的目标测试任务下对应的第一目标眼动轨迹，提取所述第一目标眼动轨迹的第二眼动特征；将所述第一目标眼动轨迹的第二眼动特征作为第一类训练数据，将转化为轻度作为所述第一类训练数据的标注；获取所述第二类人群中每个受测者在正常类别对应的目标测试任务下对应的第二目标眼动轨迹，提取所述第二目标眼动轨迹的第二眼动特征；将所述第二目标眼动轨迹的第二眼动特征作为第二类训练数据，将未转化为轻度作为所述第二类训练数据的标注；获取所述第三类人群中每个受测者在轻度类别对应的目标测试任务下对应的第三目标眼动轨迹，提取所述第三目标眼动轨迹的第二眼动特征；将所述第三目标眼动轨迹的第二眼动特征作为第三类训练数据，将转化为痴呆作为所述第三类训练数据对应的标注；获取所述第四类人群中每个受测者在轻度类别对应的目标测试任务下对应的第四目标眼动轨迹，提取所述第四目标眼动轨迹的第二眼动特征，将所述第四目标眼动轨迹的第二眼动特征作为第四类训练数据，将未转化为痴呆作为所述第四类训练数据对应的标注。

其中，为了使得风险转化评估模型能够准确地进行风险预测，训练数据是至关重要的，这里分别确定了第一类人群、第二类人群、第三类人群和第四类人群的对应的标注，从而得到了四种不同类别的训练数据，基于该四种不同类别的训练数据可以有效实现对风险转化模型的训练，该方式不仅使得训练数据的标注不需要人工进行标注，可以快速实现批量标注，而且基于该训练数据得到的风险转化评估模型可以准确地进行风险预测。

在一个实施例中，所述追踪模块还用于根据检测到的所述受测者的瞳孔大小确定所述受测者的光感度，根据所述光感度将所述VR设备的光线调整为符合所述受测者的亮度，并确定所述受测者的初始瞳孔值；记录所述瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值；根据所述瞳孔在每个时间点的坐标生成所述瞳孔的移动轨迹；根据所述瞳孔在每个时间点的瞳孔值确定瞳孔变化曲线；根据所述瞳孔的移动轨迹和所述瞳孔变化曲线得到所述眼动轨迹。

其中，不同人的光感度是不一样的，光感度也就是对光线的敏感度，有些人的眼睛习惯亮度高一些，有些人习惯亮度低一些。将VR设备的光线根据受测者的个体进行调整，调整为受测者舒服的亮度，在该舒服的亮度下，记录受测者的初始瞳孔值。在受测者被指示识别并注视目标图像后，在预设时间内（比如，10s）追踪记录瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值，根据瞳孔坐标可以生成瞳孔的移动轨迹，根据瞳孔的瞳孔值可以生成瞳孔变化曲线，移动轨迹和瞳孔变化曲线共同构成了眼动轨迹。传统的眼动轨迹往往只关注移动轨迹，没有关注瞳孔变化曲线，而本申请同时获取瞳孔的移动轨迹和瞳孔变化曲线可以获取到更多有参考价值的眼动特征。

在一个实施例中，所述追踪模块还用于当所述关注点为停留在目标图像的有效时长时，根据所述移动轨迹确定停留在目标图像范围内的时长；根据所述瞳孔变化曲线确定在所述目标图像范围停留的有效时长，根据所述有效时长确定与所述测试任务对应的第一眼动特征。

其中，当关注点为停留在目标图像的有效时长时，考虑到受测者可能是无效在看目标图像，并不确定目标图像是不是正确答案，这个时候，通过瞳孔变化曲线来确定停留在目标图像上的有效时长，可以根据瞳孔变化确定用户确认正确答案的时间点，从而计算得到有效时长。

在一个实施例中，所述系统还包括：

标准获取模块，用于获取与所述每一测试任务对应的标准眼动特征；

差异确定模块，用于根据所述第一眼动特征和所述标准眼动特征确定眼动差异特征；

所述筛查模块还用于将与每一测试任务对应的第一眼动特征和眼动差异特征作为所述痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别。

其中，为了使得痴呆筛查模型预测的更加准确，在一个实施例中，不仅将提取到的第一眼动特征作为输入，同时还输入了眼动差异特征，通过综合第一眼动特征和眼动差异特征等两方面的特征有利于预测得到更加准确的筛查结果。

在一个实施例中，所述标准获取模块还用于获取所述受测者的年龄和性别；获取与所述每一测试任务对应的标准眼动特征，包括：根据所述年龄和性别获取与每一测试任务对应的标准眼动特征。

在一个实施例中，上述系统还包括：标准特征确定模块；所述标准特征确定模块，用于将年龄划分为多个阶段，分别获取每个年龄段的多个正常人员面对同一测试任务的眼动轨迹，得到眼动轨迹集；根据测试任务的关注点对所述眼动轨迹集中的每个眼动轨迹进行提取得到每个眼动轨迹对应的眼动特征，得到眼动特征集；对所述眼动特征集中的眼动特征进行拟合分析得到相应年龄段对应的标准眼动特征；将同一年龄段的不同性别的眼动特征分类，得到第一类眼动特征和第二类眼动特征；学习所述第一类眼动特征和所述第二类眼动特征的差异，确定眼动差异点；根据所述标准眼动特征和所述眼动差异点确定不同性别对应的标准眼动特征。

其中，为了得到更加准确的标准眼动特征，先基于年龄段然后又基于性别进行划分，使得后续学习到的标准眼动特征更加准确。

在一个实施例中，所述子筛查模型包括两个通道，一个通道用于根据测试任务对应的第一眼动特征输出第一预测值，另一通道用于根据所述眼动差异特征模拟第一眼动特征得到是模拟眼动特征；所述子筛查模型用于根据所述模拟眼动特征与所述第一眼动特征的差异值对所述第一预测值进行调整得到调整后的第一预测值。

其中，为了提高子筛查模型预测的准确度，设置有两个通道，一个通道用于预测，另一个通道用于根据眼动差异特征进行模拟得到模拟眼动特征，然后根据模拟眼动特征与第一眼动特征的差异值来对第一预测值进行调整，如果两者差异很小，第一预测值的可信度增大，差异越大，第一预测值的可信度越低，通过该方式可以输出更加准确的子预测结果。

如图2所示，在一个实施例中，一种基于VR眼动追踪的痴呆风险筛查方法，包括：

步骤202，通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

步骤204，追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹；

步骤206，根据每一所述测试任务的任务类型确定相应测试任务的关注点；

步骤208，根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

步骤210，将所述与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，到子预测结果，所述融合输出层用于根据所述多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

步骤212，当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

步骤214，提取所述目标眼动轨迹的第二眼动特征；

将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

在一个实施例中，所述目标测试任务或目标测试任务的类型是采用如下方式获取得到的：获取历史测试数据中预测类别为正常的受测者群体，追踪所述受测者群体在之后的一段时间内转化为轻度的第一类人群和未转化为轻度的第二类人群；获取所述第一类人群对应的历史每一测试任务对应的眼动轨迹和所述第二类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第一类人群对应的眼动轨迹和所述第二类人群对应的眼动轨迹，确定第一眼动轨迹差异；当所述第一眼动轨迹差异大于第一预设值时，将相应的测试任务作为正常类别对应的目标测试任务；获取历史测试数据中预测类别为轻度的受测者群体，追踪所述受测者群体在之后的一段时间内转化为痴呆的第三类人群和未转化为痴呆的第四类人群；获取所述第三类人群对应的历史每一测试任务对应的眼动轨迹和所述第四类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第三类人群对应的眼动轨迹和所述第四类人群对应的眼动轨迹，确定第二眼动轨迹差异；当所述第二眼动轨迹差异大于第二预设值时，将相应的测试任务作为与轻度类别对应的目标测试任务。

在一个实施例中，所述风险转化评估模型的训练数据是采用如下方式获取得到的：获取所述第一类人群中每个受测者在正常类别对应的目标测试任务下对应的第一目标眼动轨迹，提取所述第一目标眼动轨迹的第二眼动特征；将所述第一目标眼动轨迹的第二眼动特征作为第一类训练数据，将转化为轻度作为所述第一类训练数据的标注；获取所述第二类人群中每个受测者在正常类别对应的目标测试任务下对应的第二目标眼动轨迹，提取所述第二目标眼动轨迹的第二眼动特征；将所述第二目标眼动轨迹的第二眼动特征作为第二类训练数据，将未转化为轻度作为所述第二类训练数据的标注；获取所述第三类人群中每个受测者在轻度类别对应的目标测试任务下对应的第三目标眼动轨迹，提取所述第三目标眼动轨迹的第二眼动特征；将所述第三目标眼动轨迹的第二眼动特征作为第三类训练数据，将转化为痴呆作为所述第三类训练数据对应的标注；获取所述第四类人群中每个受测者在轻度类别对应的目标测试任务下对应的第四目标眼动轨迹，提取所述第四目标眼动轨迹的第二眼动特征，将所述第四目标眼动轨迹的第二眼动特征作为第四类训练数据，将未转化为痴呆作为所述第四类训练数据对应的标注。

在一个实施例中，所述追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹，包括：根据检测到的所述受测者的瞳孔大小确定所述受测者的光感度，将所述VR设备的光线调整为符合所述受测者的亮度，并确定所述受测者的初始瞳孔值；记录所述瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值；根据所述瞳孔在每个时间点的坐标生成所述瞳孔的移动轨迹；根据所述瞳孔在每个时间点的瞳孔值确定瞳孔变化曲线；根据所述瞳孔的移动轨迹和所述瞳孔变化曲线得到所述眼动轨迹。

在一个实施例中，所述根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征，包括：当所述关注点为停留在目标图像的有效时长时，根据所述移动轨迹确定停留在目标图像范围内的时长；根据所述瞳孔变化曲线确定在所述目标图像范围停留的有效时长，根据所述有效时长确定与所述测试任务对应的第一眼动特征。

在一个实施例中，上述方法还包括：获取与所述每一测试任务对应的标准眼动特征，根据所述第一眼动特征和所述标准眼动特征确定眼动差异特征；将与每一测试任务对应的第一眼动特征和眼动差异特征作为所述痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别。

在一个实施例中，所述标准眼动特征采用如下方式获取：获取所述受测者的年龄和性别；根据所述年龄和性别获取与每一测试任务对应的标准眼动特征。

在一个实施例中，上述方法还包括：将年龄划分为多个阶段，分别获取每个年龄段的多个正常人员面对同一测试任务的眼动轨迹，得到眼动轨迹集；根据测试任务的关注点对所述眼动轨迹集中的每个眼动轨迹进行提取得到每个眼动轨迹对应的眼动特征，得到眼动特征集；对所述眼动特征集中的眼动特征进行拟合分析得到相应年龄段对应的标准眼动特征；将同一年龄段的不同性别的眼动特征分类，得到第一类眼动特征和第二类眼动特征；学习所述第一类眼动特征和所述第二类眼动特征的差异，确定眼动差异点；根据所述标准眼动特征和所述眼动差异点确定不同性别对应的标准眼动特征。

图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端设备。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质有存储操作系统，还可有存储计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的基于VR眼动追踪的痴呆风险筛查方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的基于VR眼动追踪的痴呆风险筛查方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器有存储计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述基于VR眼动追踪的痴呆风险筛查方法的步骤。

在一个实施例中，提出了一种计算机可读存储介质，有存储计算机程序，计算机程序被处理器执行时，使得处理器执行上述基于VR眼动追踪的痴呆风险筛查方法的步骤。

可以理解的是，上述基于VR眼动追踪的痴呆风险筛查方法、系统、计算机设备以及计算机可读存储介质属于一个总的发明构思，实施例可相互适用。

本领域普通技术人员可以理解实现上述实施例系统中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各系统的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于VR眼动追踪的痴呆风险筛查系统，其特征在于，包括：

展示模块，通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪模块，追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹，所述追踪模块还用于根据检测到的所述受测者的瞳孔大小确定所述受测者的光感度，根据所述光感度将所述VR设备的光线调整为符合所述受测者的亮度，并确定所述受测者的初始瞳孔值；记录瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值；根据所述瞳孔在每个时间点的坐标生成所述瞳孔的移动轨迹；根据所述瞳孔在每个时间点的瞳孔值确定瞳孔变化曲线；根据所述瞳孔的移动轨迹和所述瞳孔变化曲线得到所述眼动轨迹；

第一确定模块，用于根据每一所述测试任务的任务类型确定相应测试任务的关注点；

第一提取模块，用于根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

筛查模块，用于将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，得到子预测结果，所述融合输出层用于根据多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

第二确定模块，用于当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

第二提取模块，用于提取所述目标眼动轨迹的第二眼动特征；

风险评估模块，用于将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出的在相应预测类别下的转化风险概率。

2.根据权利要求1所述的系统，其特征在于，上述系统还包括：目标测试任务确定模块；

所述目标测试任务确定模块，用于获取历史测试数据中预测类别为正常的受测者群体，追踪所述受测者群体在之后的一段时间内转化为轻度的第一类人群和未转化为轻度的第二类人群；获取所述第一类人群对应的历史每一测试任务对应的眼动轨迹和所述第二类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第一类人群对应的眼动轨迹和所述第二类人群对应的眼动轨迹，确定第一眼动轨迹差异；当所述第一眼动轨迹差异大于第一预设值时，将相应的测试任务作为正常类别对应的目标测试任务；

所述目标测试任务确定模块，还用于获取历史测试数据中预测类别为轻度的受测者群体，追踪所述受测者群体在之后的一段时间内转化为痴呆的第三类人群和未转化为痴呆的第四类人群；获取所述第三类人群对应的历史每一测试任务对应的眼动轨迹和所述第四类人群对应的历史每一测试任务对应的眼动轨迹；比对同一测试任务下所述第三类人群对应的眼动轨迹和所述第四类人群对应的眼动轨迹，确定第二眼动轨迹差异；当所述第二眼动轨迹差异大于第二预设值时，将相应的测试任务作为与轻度类别对应的目标测试任务。

3.根据权利要求2所述的系统，其特征在于，所述系统还包括：训练数据确定模块；

所述训练数据确定模块用于获取所述第一类人群中每个受测者在正常类别对应的目标测试任务下对应的第一目标眼动轨迹，提取所述第一目标眼动轨迹的第二眼动特征；将所述第一目标眼动轨迹的第二眼动特征作为第一类训练数据，将转化为轻度作为所述第一类训练数据的标注；

所述训练数据确定模块还用于获取所述第二类人群中每个受测者在正常类别对应的目标测试任务下对应的第二目标眼动轨迹，提取所述第二目标眼动轨迹的第二眼动特征；将所述第二目标眼动轨迹的第二眼动特征作为第二类训练数据，将未转化为轻度作为所述第二类训练数据的标注；

所述训练数据确定模块还用于获取所述第三类人群中每个受测者在轻度类别对应的目标测试任务下对应的第三目标眼动轨迹，提取所述第三目标眼动轨迹的第二眼动特征；将所述第三目标眼动轨迹的第二眼动特征作为第三类训练数据，将转化为痴呆作为所述第三类训练数据对应的标注；

所述训练数据确定模块还用于获取所述第四类人群中每个受测者在轻度类别对应的目标测试任务下对应的第四目标眼动轨迹，提取所述第四目标眼动轨迹的第二眼动特征；将所述第四目标眼动轨迹的第二眼动特征作为第四类训练数据，将未转化为痴呆作为所述第四类训练数据对应的标注。

4.根据权利要求1所述的系统，其特征在于，所述追踪模块还用于当所述关注点为停留在目标图像的有效时长时，根据所述移动轨迹确定停留在目标图像范围内的时长；根据所述瞳孔变化曲线确定在所述目标图像范围停留的有效时长，根据所述有效时长确定与所述测试任务对应的第一眼动特征。

5.根据权利要求1所述的系统，其特征在于，所述系统还包括：

标准获取模块，用于获取与所述每一测试任务对应的标准眼动特征；

差异确定模块，用于根据所述第一眼动特征和所述标准眼动特征确定眼动差异特征；

所述筛查模块还用于将与每一测试任务对应的第一眼动特征和眼动差异特征作为所述痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别。

6.根据权利要求5所述的系统，其特征在于，所述标准获取模块还用于获取所述受测者的年龄和性别，根据所述年龄和性别获取与每一测试任务对应的标准眼动特征。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：标准特征确定模块；

所述标准特征确定模块，用于将年龄划分为多个阶段，分别获取每个年龄段的多个正常人员面对同一测试任务的眼动轨迹，得到眼动轨迹集；根据测试任务的关注点对所述眼动轨迹集中的每个眼动轨迹进行提取得到每个眼动轨迹对应的眼动特征，得到眼动特征集；对所述眼动特征集中的眼动特征进行拟合分析得到相应年龄段对应的初始标准眼动特征；将同一年龄段的不同性别的眼动特征分类，得到第一类眼动特征和第二类眼动特征；学习所述第一类眼动特征和所述第二类眼动特征的差异，确定眼动差异点；根据所述初始标准眼动特征和所述眼动差异点确定不同性别对应的标准眼动特征。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹，包括：根据检测到的所述受测者的瞳孔大小确定所述受测者的光感度，根据所述光感度将所述VR设备的光线调整为符合所述受测者的亮度，并确定所述受测者的初始瞳孔值；记录瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值；根据所述瞳孔在每个时间点的坐标生成所述瞳孔的移动轨迹；根据所述瞳孔在每个时间点的瞳孔值确定瞳孔变化曲线；根据所述瞳孔的移动轨迹和所述瞳孔变化曲线得到所述眼动轨迹；

根据每一所述测试任务的任务类型确定相应测试任务的关注点；

根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，得到子预测结果，所述融合输出层用于根据多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

提取所述目标眼动轨迹的第二眼动特征；

将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

通过VR设备在受测者眼部位置依次展示不同类型的测试任务，每一测试任务中包括目标图像和非目标图像，受测者被指示识别并注视目标图像；

追踪所述受测者在被指示识别并注视目标图像后的预设时间内的眼动轨迹，包括：根据检测到的所述受测者的瞳孔大小确定所述受测者的光感度，根据所述光感度将所述VR设备的光线调整为符合所述受测者的亮度，并确定所述受测者的初始瞳孔值；记录瞳孔在每个时间点的坐标以及在每个时间点的瞳孔值；根据所述瞳孔在每个时间点的坐标生成所述瞳孔的移动轨迹；根据所述瞳孔在每个时间点的瞳孔值确定瞳孔变化曲线；根据所述瞳孔的移动轨迹和所述瞳孔变化曲线得到所述眼动轨迹；

根据每一所述测试任务的任务类型确定相应测试任务的关注点；

根据所述测试任务的关注点从所述测试任务对应的眼动轨迹中提取出与所述测试任务对应的第一眼动特征；

将与每一测试任务对应的第一眼动特征作为痴呆筛查模型的输入，获取所述痴呆筛查模型输出的预测类别，所述痴呆筛查模型中包括多个子筛查模型和融合输出层，每个测试任务对应一个子筛查模型，每个子筛查模型用于根据所述测试任务对应的第一眼动特征进行预测，得到子预测结果，所述融合输出层用于根据多个子预测结果确定所述预测类别，所述预测类别分为正常、轻度、痴呆；

当所述预测类别为正常或轻度时，确定所述预测类别对应的目标测试任务，根据所述目标测试任务确定对应的目标眼动轨迹；

提取所述目标眼动轨迹的第二眼动特征；

将所述预测类别和所述第二眼动特征作为风险转化评估模型的输入，获取所述风险转化评估模型输出在相应预测类别下的转化风险概率。

Images