CN115547497B - 基于多源数据的近视防控系统及方法 - Google Patents

Abstract

本发明公开了基于多源数据的近视防控系统及方法，涉及近视防控技术领域，解决了解决现有技术无法结合常用设备进行数据采集以及近视防控，增加了用户的学习成本和使用成本，进而导致自主近视防控效率低的技术问题；本发明统计用眼行为获取近视风险系数，通过近视风险系数来判断是否需要进行近视预测；本发明基于图像数据判断是否需要进行近视预测，不需要专业的近视检测设备，能够降低判断成本，对用户进行无感近视检测；本发明将近视评估模型与近视风险系数、基础数据以及环境数据结合实现近视预测，在近视预测结果异常时匹配防控方案；本发明通过合理训练获取近视预测模型，进行周期性的近视预测，及时为用户提供防控方案，避免近视程度恶化。

Description

基于多源数据的近视防控系统及方法

技术领域

本发明属于近视防控领域，涉及一种基于多源数据的近视预测技术，具体是基于多源数据的近视防控系统及方法。

背景技术

近视的发生率在逐年增长，发展趋势偏向于低龄化和高度数。因为近视的发生与危害均是不可逆的，高度近视也容易产生各类眼底病变，造成永久性的视功能损害，所以对于近视的预防和控制显得尤为重要。

现有技术(申请号为201811453283X的发明专利)公开了一种近视智能防控装备、防控系统，将防控者按照相应的分级标准自动分成不同的防控级别，以便实时有效地通过人脸识别程序和眼球跟踪技术，以及相关传感器的应用对防控者施加管控，达到预防和控制近视的目的。现有技术在近视防控过程中，需要频繁结合多种专业设备对近视状态进行检测，而无法结合常用设备进行数据采集以及近视防控，增加了用户的学习成本和使用成本，进而导致自主近视防控效率低；因此，亟须一种基于多源数据的近视防控系统及方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于多源数据的近视防控系统及方法，用于解决现有技术在近视防控过程中，无法结合常用设备进行数据采集以及近视防控，增加了用户的学习成本和使用成本，进而导致自主近视防控效率低的技术问题。

为实现上述目的，本发明的第一方面提供了基于多源数据的近视防控系统，包括云服务器，以及与之相连接的图像采集设备和智能穿戴设备；且智能穿戴设备内置若干类型环境传感器；

对智能穿戴设备进行初始化，并通过智能穿戴设备上传用户的基础数据至云服务器；其中，基础数据包括性别、年龄、身高、体重、民族、父母近视情况和眼睛数据；

通过与用户关联的图像采集设备采集图像数据并传输至云服务器；云服务器基于图像数据定期识别用眼场景，并计算用眼场景对应的近视风险系数；

云服务器基于近视风险系数确定是否进行近视预测；是，则调用近视预测模型并结合基础数据完成近视预测，否，则持续计算近视风险系数；

根据近视预测结果从云服务器中调用对应的防控方案，并发送至智能穿戴设备；其中，近视预测模型基于人工智能模型构建。

优选的，所述云服务器分别与所述图像采集设备和智能穿戴设备通信连接；且所述智能穿戴设备包括智能手环和智能手表；

所述图像采集设备设置在近视防控场所中，且所述图像采集设备的数据权限授权给所述云服务器；其中，图像采集设备具体为摄像头。

优选的，在近视防控开始时，用户对所述智能穿戴设备进行初始化，通过所述智能穿戴设备将对应的基础数据上传至所述云服务器；

在所述智能穿戴设备下一次初始化之前，对应的所述基础数据不进行更新，或者结合近视检测设备更新所述基础数据。

优选的，在所述智能穿戴设备初始化之后的整数周期时，所述云服务器识别图像数据中的用眼场景，并计算对应的所述近视风险系数，包括：

从图像数据中识别出用眼场景；其中，用眼场景包括写作业和观看智能终端；

识别若干用眼场景中的用眼行为，统计用眼行为对应的连续时长，标记为YLSi；其中，i＝1，2，……，n，i为用眼行为的编号；

通过公式JFX＝α×F(YLSi)计算获取近视风险系数JFX；其中，α为大于0的比例系数，F(YLSi)为周期内若干用眼行为中连续时长超过时长阈值的次数。

优选的，所述云服务器基于近视风险系数与近视风险阈值的比较结果确定是否进行近视预测，并在近视预测之前生成模型输入数据，包括：

匹配提取所述近视风险阈值；其中，近视风险阈值根据基础数据进行设置；

当近视风险系数小于近视风险阈值时，则不进行近视预测；否则，则提取智能穿戴设备采集的环境数据；其中，环境数据包括光强和色温；

将整合之后的环境数据与基础数据和近视风险系数拼接生成模型输入数据。

优选的，所述云服务器将模型输入数据与近视预测模型结合，完成近视预测；所述近视预测模块基于人工智能模型构建，包括：

在实验室获取近视模拟数据；其中，近视模拟数据中的标准输入数据的内容属性与模型输入数据一致，标准输出数据为对应的眼轴长度；

通过近视模拟数据训练人工智能模型获取近视预测模型；其中，人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型。

优选的，所述云服务器通过近视预测模型获取对应周期的眼轴长度之后，将该眼轴长度与眼睛数据中的眼轴长度比较确定近视变化度数；以及

结合基础数据和近视变化度数匹配防控方案，将所述防控方案发送至所述智能穿戴设备，通过所述云服务器对防控方案的执行进行监控。

本发明的第二方面提供了基于多源数据的近视防控方法，包括：

在近视防控开始时，用户对智能穿戴设备进行初始化，并通过智能穿戴设备上传用户的基础数据至云服务器；

通过与用户关联的图像采集设备采集图像数据并传输至云服务器；云服务器基于图像数据定期识别用眼场景，并计算用眼场景对应的近视风险系数；

云服务器基于近视风险系数确定是否进行近视预测；是，则调用近视预测模型并结合基础数据完成近视预测，否，则持续计算近视风险系数；

根据近视预测结果从云服务器中调用对应的防控方案，并发送至智能穿戴设备。

与现有技术相比，本发明的有益效果是：

1.本发明通过常规设置的摄像头采集图像数据，在图像数据的用眼场景中识别用眼行为，统计用眼行为获取近视风险系数，通过近视风险系数来判断是否需要进行近视预测；本发明基于图像数据判断是否需要进行近视预测，不需要专业的近视检测设备，能够降低判断成本，对用户进行无感近视检测。

2.本发明在定期获取近视风险系数之后，将近视评估模型与近视风险系数、基础数据以及环境数据结合实现近视预测，在近视预测结果异常时匹配防控方案，进而根据防控方案为用户提供预警；本发明通过合理训练获取近视预测模型，对用户进行周期性的近视预测，及时为用户提供防控方案，避免近视程度恶化。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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。

图1为本发明的工作步骤示意图；

图2为本发明的系统原理示意图。

具体实施方式

下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明第一方面实施例提供了基于多源数据的近视防控系统，包括云服务器，以及与之相连接的图像采集设备和智能穿戴设备；且智能穿戴设备内置若干类型环境传感器；对智能穿戴设备进行初始化，并通过智能穿戴设备上传用户的基础数据至云服务器；通过与用户关联的图像采集设备采集图像数据并传输至云服务器；云服务器基于图像数据定期识别用眼场景，并计算用眼场景对应的近视风险系数；云服务器基于近视风险系数确定是否进行近视预测；是，则调用近视预测模型并结合基础数据完成近视预测，否，则持续计算近视风险系数；根据近视预测结果从云服务器中调用对应的防控方案，并发送至智能穿戴设备。

现有技术在进行近视防控时，一般会通过专业的近视检测设备对用户的近视情况进行检测，根据检测结果制定近视防控方案，并且对近视防控方案的执行施加管控，以达到近视防控的目的。显然，现有技术在近视检测过程中，需要专业人员对用户进行近视检测，用户自身无法完成检测过程；而且在检测后制定防控方案属于事后处理，无法给予用户很好预警，使得用户一直处于被动防控阶段。

本发明通过常规设置的摄像头或者智能眼睛采集图像数据，在图像数据的用眼场景中识别用眼行为，统计用眼行为获取近视风险系数，通过近视风险系数来判断是否需要进行近视预测；本发明基于图像数据判断是否需要进行近视预测，不需要专业的近视检测设备，能够降低判断成本，对用户进行无感近视检测。

本发明在定期获取近视风险系数之后，将近视评估模型与近视风险系数、基础数据以及环境数据结合实现近视预测，在近视预测结果异常时匹配防控方案，进而根据防控方案为用户提供预警；本发明通过合理训练获取近视预测模型，对用户进行周期性的近视预测，能够及时为用户提供防控方案，避免近视程度恶化。

本发明中的基础数据包括性别、年龄、眼睛数据等，眼睛数据是用户眼睛当前的状态，如近视度数或者眼轴长度。基础数据是实现近视预测最重要的数据。云服务器主要用于数据存储和数据处理，通过图像采集设备采集获取图像数据，以及通过智能穿戴设备中的环境传感器采集环境数据。图像数据是识别用户是否存在用眼行为的基础，环境数据是近视预测必不可少的数据。

本发明中的云服务器分别与图像采集设备和智能穿戴设备通信连接；且智能穿戴设备包括智能手环和智能手表；图像采集设备设置在近视防控场所中，且图像采集设备的数据权限授权给云服务器。

智能穿戴设备当然是佩戴在用户身上，用户可通过与智能穿戴设备相连接的手机、电脑等上传基础数据。图像采集设备设置在用户的主要活动场景(也就是近视防控场所)中，如对于学生而言，其主要活动场景为教室或者家里，则图像采集设备为设置在教室和家里的摄像头。值得注意的是，在确定用户及其主要活动场景之后，还应该获取对应的图像采集设备的授权，将授权之后的图像采集设备与用户进行关联。

本发明在近视防控开始时，先对智能穿戴设备进行初始化，以及对各类型环境传感器进行校准，之后用户通过智能穿戴设备将基础数据上传至云服务器。在智能穿戴设备下一次初始化之前，一般不对基础数据进行更新，一直将该基础数据与各周期内环境数据、用眼场景相结合来进行近视预测，而不能通过近视预测结果来更新基础数据中的眼睛数据，以便增大后续的预测误差。当然，也可以对基础数据进行更新，在每个周期结束之后通过近视检测设备(如验光设备)对用户进行检测，根据检测结果来更新基础数据，还可以根据检测结果来校验近视预测模型的准确性。

在一个优选的实施例中，在智能穿戴设备初始化之后的整数周期时，云服务器识别图像数据中的用眼场景，并计算对应的近视风险系数，包括：

从图像数据中识别出用眼场景；识别若干用眼场景中的用眼行为，统计用眼行为对应的连续时长，标记为YLSi；通过公式JFX＝α×F(YLSi)计算获取近视风险系数JFX；F(YLSi)为周期内若干用眼行为中连续时长超过时长阈值的次数。

近视风险系数在整数周期时进行计算，也表示近视预测根据周期来；假设一个周期为七天，则在第七天、第十四天、……结束的时候计算近视风险系数。可以计算每个周期的近视风险系数，也可以将几个周期联合起来计算近视风险系数。需要理解的是，对每个周期均进行近视预测时，需要对基础数据进行更新，即完成一个周期的近视预测之后，若近视预测结果异常则通过验光设备进行检测，一方面可以根据验光数据更新基础数据，另外一方面可以得到专业的建议。

本实施例中的用眼场景包括写作业、观看智能终端等，即一些会对眼睛近视产生严重影响的活动，正常的睡觉、吃饭、课堂上听老师讲课一般不会影响视力，而长时间的写作业、看电视等会影响视力。在识别出用眼场景之后，还需要识别用眼行为，也就是会影响视力对行为，并将这些用眼行为按照发生的时间顺序标记为i，以便后续处理。

举例说明本实施例：假设在一个星期内用户出现的用眼行为中出现了七次写作业，十次看手机，七次看电视；在七次写作业中出现了四次的连续时长超过了写作业对应的时长阈值，十次看手机中出现了七次的连续时长超过了看手机对应的时长阈值，七次看电视中出现了三次的连续时长超过了看电视对应的时长阈值；α设置为1；则JFX＝1×14＝14，则该周期内的近视风险系数为14。

在另外一个优选的实施例中，可以根据用眼行为的违规比例来计算近视风险系数，参考上述说明例，通过公式JFX＝1×(4+7+3)/(7+10+7)来计算近视风险系数。当然，对应近视风险阈值也需要对应设置。

本发明云服务器基于近视风险系数与近视风险阈值的比较结果确定是否进行近视预测，并在近视预测之前生成模型输入数据，包括：匹配提取近视风险阈值；当近视风险系数小于近视风险阈值时，则不进行近视预测；否则，则提取智能穿戴设备采集的环境数据；其中，环境数据包括光强和色温；将整合之后的环境数据与基础数据和近视风险系数拼接生成模型输入数据。

近视风险阈值根据基础数据进行设置，也就是说不同性别、不同年龄甚至是不同地理环境设置的近视风险阈值都不同，需要统计分析大量的数据来设置。当近视风险系数小于近视风险阈值时，判定不需要对用户进行近视预测，也就是说存在的违规用眼行为较少，对用户视力的影响不大。当近视风险系数大于等于近视风险阈值时，则需要进行近视预测。

本发明是基于人工智能模型建立的近视预测模型来完成近视预测，根据环境数据、基础数据、近视风险系数来组成模型输入数据；举例说明如下：

基础数据中性别为男(标签为1)，年龄15，眼睛数据为4.8(近视200度左右)，一个周期内用眼行为对应的平均光强为250(单位：LX)，平均色温为3000，近视风险系数为14，则模型输入数据为[1,15,4.8,250,3000,14]。

在一个可选的实施例中，云服务器将模型输入数据与近视预测模型结合，完成近视预测；近视预测模块基于人工智能模型构建，包括：在实验室获取近视模拟数据；通过近视模拟数据训练人工智能模型获取近视预测模型。

该实施例中，近视模拟数据包括标准输入数据和对应的标准输出数据，标准输入数据的内容属性与模型输入数据一致，标准输出数据为对应的眼轴长度。在实验室中对模拟一个周期或者若干周期中不同性别、年龄的用户在不同环境及用眼行为下眼轴长度的变化，进而形成标准输入数据以及对应的标准输出数据。将标准输入数据作为人工智能模型的输入，对应的标准输出数据作为人工智能模型的输出来完成训练，将训练完的人工智能模型标记为近视预测模型。

在其他一些优选的实施例中，标准输出数据为对应的眼轴长度与屈光度数，则所述云平台通过近视预测模型获取对应周期的眼轴长度和屈光度数之后，将数据与眼睛数据中的眼轴长度与屈光度数比较确定屈光状态变化情况。

本实施例中的人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型，非线性拟合能力强，在标准训练数据充足的情况下，三层结构的误差逆向传播神经网络模型即可满足要求。

本发明中云服务器通过近视预测模型获取对应周期的眼轴长度之后，将该眼轴长度与眼睛数据中的眼轴长度比较确定近视变化度数；以及结合基础数据和近视变化度数匹配防控方案，将防控方案发送至智能穿戴设备，通过云服务器对防控方案的执行进行监控。

根据预测的眼轴长度与基础数据的眼轴长度进行比较，若变化较大，则说明该周期内用眼行为对视力影响较大，然后结合基础数据(性别、年龄)来匹配合适的防控方案，同时还可以结合发生的用眼行为进行预警。防控方案是专业人员结合搜集的实际数据设置的，并存储在云服务器中。

本发明第二方面实施例提供了基于多源数据的近视防控方法，包括：

在近视防控开始时，用户对智能穿戴设备进行初始化，并通过智能穿戴设备上传用户的基础数据至云服务器；

通过与用户关联的图像采集设备采集图像数据并传输至云服务器；云服务器基于图像数据定期识别用眼场景，并计算用眼场景对应的近视风险系数；

云服务器基于近视风险系数确定是否进行近视预测；是，则调用近视预测模型并结合基础数据完成近视预测，否，则持续计算近视风险系数；

根据近视预测结果从云服务器中调用对应的防控方案，并发送至智能穿戴设备。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (4)

1.基于多源数据的近视防控系统，包括云服务器，以及与之相连接的图像采集设备和智能穿戴设备；智能穿戴设备内置若干类型环境传感器；其特征在于：

对智能穿戴设备进行初始化，并通过智能穿戴设备上传用户的基础数据至云服务器；其中，基础数据包括性别、年龄和眼睛数据；

通过与用户关联的图像采集设备采集图像数据并传输至云服务器；云服务器基于图像数据定期识别用眼场景，并计算用眼场景对应的近视风险系数；

云服务器基于近视风险系数确定是否进行近视预测；是，则调用近视预测模型并结合基础数据完成近视预测，否，则持续计算近视风险系数；

根据近视预测结果从云服务器中调用对应的防控方案，并发送至智能穿戴设备；其中，近视预测模型基于人工智能模型构建；

在近视防控开始时，用户对所述智能穿戴设备进行初始化，通过所述智能穿戴设备将对应的基础数据上传至所述云服务器；

在所述智能穿戴设备下一次初始化之前，对应的所述基础数据不进行更新，或者结合近视检测设备更新所述基础数据；

在所述智能穿戴设备初始化之后的整数周期时，所述云服务器识别图像数据中的用眼场景，并计算对应的所述近视风险系数，包括：

从图像数据中识别出用眼场景；其中，用眼场景包括写作业和观看智能终端；

识别若干用眼场景中的用眼行为，统计用眼行为对应的连续时长，标记为YLSi；其中，i=1，2，……，n，i为用眼行为的编号；

通过公式JFX=α×F(YLSi)计算获取近视风险系数JFX；其中，α为大于0的比例系数，F(YLSi)为周期内若干用眼行为中连续时长超过时长阈值的次数；

所述云服务器基于近视风险系数与近视风险阈值的比较结果确定是否进行近视预测，并在近视预测之前生成模型输入数据，包括：

匹配提取所述近视风险阈值；其中，近视风险阈值根据基础数据进行设置；

当近视风险系数小于近视风险阈值时，则不进行近视预测；否则，则提取智能穿戴设备采集的环境数据；其中，环境数据包括光强和色温；

将整合之后的环境数据与基础数据和近视风险系数拼接生成模型输入数据。

2.根据权利要求1所述的基于多源数据的近视防控系统，其特征在于，所述云服务器分别与所述图像采集设备和智能穿戴设备通信连接；且所述智能穿戴设备包括智能手环和智能手表；

所述图像采集设备设置在近视防控场所中，且所述图像采集设备的数据权限授权给所述云服务器；其中，图像采集设备具体为摄像头。

3.根据权利要求1所述的基于多源数据的近视防控系统，其特征在于，所述云服务器将模型输入数据与近视预测模型结合，完成近视预测；所述近视预测模块基于人工智能模型构建，包括：

在实验室获取近视模拟数据；其中，近视模拟数据中的标准输入数据的内容属性与模型输入数据一致，标准输出数据为对应的眼轴长度；

通过近视模拟数据训练人工智能模型获取近视预测模型；其中，人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型。

4.根据权利要求3所述的基于多源数据的近视防控系统，其特征在于，所述云服务器通过近视预测模型获取对应周期的眼轴长度之后，将该眼轴长度与眼睛数据中的眼轴长度比较确定近视变化度数；以及

结合基础数据和近视变化度数匹配防控方案，将所述防控方案发送至所述智能穿戴设备，通过所述云服务器对防控方案的执行进行监控。