CN116189888A - 一种关于用眼习惯的评分方法与系统 - Google Patents
一种关于用眼习惯的评分方法与系统 Download PDFInfo
- Publication number
- CN116189888A CN116189888A CN202211548605.5A CN202211548605A CN116189888A CN 116189888 A CN116189888 A CN 116189888A CN 202211548605 A CN202211548605 A CN 202211548605A CN 116189888 A CN116189888 A CN 116189888A
- Authority
- CN
- China
- Prior art keywords
- eye
- scoring
- environment
- behavior
- light
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 68
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 208000001491 myopia Diseases 0.000 abstract description 11
- 230000004379 myopia Effects 0.000 abstract description 11
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 230000002265 prevention Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种关于用眼习惯的评分方法与系统，从用眼行为和用眼环境两大方面对用眼习惯进行统一量化评分；针对用眼行为，采集目视物品、目视距离和目视时长等用眼行为条目数据，然后通过量表矩阵对用眼行为条目进行加权统计，得到用眼行为评分；针对用眼环境，根据环境光强变化曲线以及光强变化曲线对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度得到用眼环境评分；最后将用眼行为评分和用眼环境评分进行加权计算，得到用眼习惯的全面量化分析结果。本发明对用眼习惯进行了客观全面量化，为近视预防、用眼习惯矫正等医学难题提供了关键有效的数据支撑。
Description
技术领域
本发明涉及近视分析技术领域，尤其是涉及一种关于用眼习惯的评分方法与系统。
背景技术
随着电子产品的迅速普及，人们的用眼环境日益恶劣，导致近视患者呈指数式递增。据统计，到目前为止，全球范围内患有近视的人群达到了总人数的28.3％，而且预计在2050年，全球将有50％的人口将会受到近视疾病的困扰。在这其中，将有超过10％的人会因为近视而导致失明。因此，降低近视发病率具有重大科研价值和研究意义。
近年来，医学临床的多数病例已经表明，在用眼环境日益恶劣的当下，饮食和运动调节并不能从根本上预防近视的发生，只有改善用眼习惯才能解决根本问题。目前，常见的用眼习惯评分方法在对用眼习惯进行评分时通常只会对用眼时长、用眼距离进行的评分，评分数值单一且片面，无法对用户的用眼习惯进行方法性的统计和分析，对近视防治不具备全面的参考价值。
发明内容
本发明在行为监测预防方法的硬件基础上，构建一套面向近视预防的用眼习惯的评分方法，为近视预防和用眼习惯统计提供评价算法及数据支撑。
一种关于用眼习惯的评分方法，包括如下步骤：
行为评分，采集用眼行为条目所包含的目视物品、目视距离和目视时长数据，然后构建量化矩阵对用眼行为条目数据进行量化评分，得到用眼行为评分；
环境评分，计算行为评分过程中的环境光强变化曲线及其对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度得到用眼环境评分；
数据融合，对用眼行为评分和用眼环境评分进行加权计算，最终得到用眼习惯的综合评分结果。
优选的，行为评分具体包括如下步骤：
S11、采集用眼行为条目数据，包括目视物品、目视距离、目视时长；
S12、定义目标物体与目标距离之间评分分值和权重Wm1，以及目标物体与目视时长之间的评分分值和权重Wm2，并建立相应的用眼行为量化评分权重表；
S13、构建用眼行为条目数据的权重矩阵W；
式中，m为用眼行为条目数据的总条数；
S14、利用评分分值以及权重矩阵计算用眼行为评分；
Sb＝∑Wijdij
式中，Sb为用眼行为评分；Wij为权重矩阵元素；dij为评分分值。
优选的，环境评分具体包括如下步骤：
S21、采集行为评分过程中的环境光强数据；
S22、对环境光强数据进行基于平滑滤波的降采样处理，拟合光强变化曲线；
式中，y(n)为光强变化曲线函数；x(n)为环境光强数据；
为基于平滑滤波的降采样的输出；p(n)为平滑窗函数；/>
为卷积运算；n为采样离散点序列，n＝0,1,...,t/(NFs)；N为降采样的阶数；Fs为采样频率；
S23、通过参考临床医学的用眼环境特点和大数据统计分析，确定最佳用眼光强的光警戒范围；对光警戒范围进行频域抽样，从而得到光警戒曲线z(n)；
式中，l(n)为光警戒范围，
S24、根据光强变化曲线和光警戒曲线计算安全光环境曲线，得到测试环境光强处于光警戒范围外的比率；
式中，q(n)为安全光环境曲线函数；
S25、采用直方图对安全光环境曲线进行分布估计，直方图区间为[Qhigh,Qlow]，将直方图区间划分Z个子区间，每个子区间的长度为ρ；
Qhigh＝max(q(n)),Qlow＝min(q(n)),
式中，λi为每个子区间的分布概率密度；θi为q(n)落入第i个子区间[(i-1)*ρ,i*ρ]的取值个数；Θ为q(n)的序列总长度。
优选的，数据融合的计算公式如下：
S＝α*Sb+β*Se
式中，S为用眼习惯的综合评分；α,β为调和系数，且满足α+β＝1且α≥0.5。
本发明还给出了一种关于用眼习惯的评分系统，包括如下模块：
行为评分模块，输入用眼行为条目所包含的目视物品、目视距离和目视时长数据，通过量化矩阵对用眼行为条目数据进行量化评分，并输出用眼行为评分；
环境评分模块，输入并计算行为评分过程中的环境光强变化曲线及其对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度输出用眼环境评分；
数据融合模块，对用眼行为评分和用眼环境评分进行加权计算，输出用眼习惯的综合评分结果。
综上，本发明提供的关于用眼习惯的评分方法与系统，通过将用眼行为方面数据和用眼环境方面数据相结合，很好地量化了被测试者的用眼习惯。同时，本发明摒弃了传统单一参量的评分体系，针对用眼习惯采用了多维数据融合的量化方案，从目视物品、目视距离、目视时长和光环境信息四个方面对用眼习惯进行评分，评价结果更客观全面，为近视预防、用眼习惯矫正等医学难题提供了关键有效的数据支撑。
附图说明
图1为本发明方法的整体流程示意图；
图2为本发明方法中用眼行为评分的流程示意图；
图3为本发明方法中用眼环境评分的流程示意图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步说明。
实施例1
如图1所示的一种关于用眼习惯的评分方法，通过将被测试者用眼习惯的行为方面和环境方面相结合，很好地量化了被测试者的用眼习惯。同时，本发明摒弃了传统单一参量的评分体系，针对用眼习惯采用了多维数据融合量化方案，基于大数据技术和人工智能技术，从目视物品、目视距离、目视时长和光环境信息四个方面对用眼习惯进行评分。
一、用眼行为评分
S11、数据处理，整理测试者的行为条目并进行汇总提取，每个条目包括目视物品、目视距离、目视时长，测试数据如表1所示。
表1用眼行为测试数据
S12、量化评分权重表构建，约定用眼行为评分因素与相应行为向量之间的对应关系和得分分值，并建立相应的用眼行为量化评分表，如表2所示。
表2用眼行为量化评分权重
S13、通过用眼行为量化评分权重表构建权重矩阵。
S14、进行用眼行为评分汇总，具体运用以下公式：
Sb＝∑Wijdij
式中，Sb为用眼行为评分；Wij为权重矩阵元素；dij为评分分值。
二、用眼环境评分
S21、数据处理，通过采集设备获取行为评分过程中的环境光强数据。
S22、对环境光强数据进行基于平滑滤波的降采样处理，得到光强变化曲线，光强变化曲线采用如下公式计算：
式中，y(n)为光强变化曲线函数；
为基于平滑滤波的降采样的输出。
基于平滑滤波的降采样处理采用如下公式计算：
式中，x(n)为环境光强数据；p(n)为平滑窗函数；
为卷积运算；n为采样离散点序列，n＝0,1,...,t/(NFs)；N为降采样的阶数；Fs为采样频率。
S23、光警戒曲线拟合，针对不同的用眼环境，最佳用眼光强应被限定在一段有效光强区间范围内，通过参考临床医学的用眼环境特点和大数据统计分析，确定最佳用眼光强的光警戒范围；对光警戒范围进行频域抽样，从而得到光警戒曲线z(n)。
式中，l(n)为光警戒范围，
S24、根据光强变化曲线以及光警戒曲线，计算安全光环境曲线。
式中，q(n)为安全光环境曲线函数。
S25、将上述安全光环境曲线q(n)通过直方图统计的方式进行其分布估计，直方图区间为[Qhigh,Qlow]，其中，Qhigh＝max(q(n)),Qlow＝min(q(n))；将直方图区间划分Z＝10个子区间，每个子区间的长度为
用眼环境评分可表示如下式所示：
式中，λi为每个子区间的分布概率密度；θi为q(n)落入第i个子区间[(i-1)*ρ,i*ρ]的取值个数；Θ为q(n)的序列总长度。
三、数据融合
将用眼行为评分和用眼环境评分进行融合，得到最终用眼习惯评分。
S＝α*Sb+β*Se
式中，S为用眼习惯的综合评分；α,β为调和系数，且满足α+β＝1。建议α≥0.5，以此强调用眼行为信息对于综合评分的影响贡献更大。
实施例2
本实施例给出了一种计算机模型，即关于用眼习惯的评分系统，包括：行为评分模块，输入用眼行为条目所包含的目视物品、目视距离和目视时长数据，通过量化矩阵对用眼行为条目数据进行量化评分，并输出用眼行为评分；环境评分模块，输入并计算行为评分过程中的环境光强变化曲线及其对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度输出用眼环境评分；数据融合模块，对用眼行为评分和用眼环境评分进行加权计算，输出用眼习惯的综合评分结果。
以上是本发明的具体实施方式，但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求书所限定的保护范围为准。
Claims (5)
1.一种关于用眼习惯的评分方法，其特征在于，包括如下步骤：
行为评分，采集用眼行为条目所包含的目视物品、目视距离和目视时长数据，然后构建量化矩阵对用眼行为条目数据进行量化评分，得到用眼行为评分；
环境评分，计算行为评分过程中的环境光强变化曲线及其对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度得到用眼环境评分；
数据融合，对用眼行为评分和用眼环境评分进行加权计算，最终得到用眼习惯的综合评分结果。
2.根据权利要求1所述的关于用眼习惯的评分方法，其特征在于，行为评分具体包括如下步骤：
S11、采集用眼行为条目数据，包括目视物品、目视距离、目视时长；
S12、定义目标物体与目标距离之间评分分值和权重Wm1，以及目标物体与目视时长之间的评分分值和权重Wm2，并建立相应的用眼行为量化评分权重表；
S13、构建用眼行为条目数据的权重矩阵W；
式中，m为用眼行为条目数据的总条数；
S14、利用评分分值以及权重矩阵计算用眼行为评分；
Sb＝∑Wijdij
式中，Sb为用眼行为评分；Wij为权重矩阵元素；dij为评分分值。
3.根据权利要求1所述的关于用眼习惯的评分方法，其特征在于，环境评分具体包括如下步骤：
S21、采集行为评分过程中的环境光强数据；
S22、对环境光强数据进行基于平滑滤波的降采样处理，拟合光强变化曲线；
式中，y(n)为光强变化曲线函数；x(n)为环境光强数据；
为基于平滑滤波的降采样的输出；p(n)为平滑窗函数；/>
为卷积运算；n为采样离散点序列，n＝0,1,...,t/(NFs)；N为降采样的阶数；Fs为采样频率；
S23、通过参考临床医学的用眼环境特点和大数据统计分析，确定最佳用眼光强的光警戒范围；对光警戒范围进行频域抽样，从而得到光警戒曲线z(n)；
式中，l(n)为光警戒范围，
S24、根据光强变化曲线和光警戒曲线计算安全光环境曲线，得到测试环境光强处于光警戒范围外的比率；
式中，q(n)为安全光环境曲线函数；
S25、采用直方图对安全光环境曲线进行分布估计，直方图区间为[Qhigh,Qlow]，将直方图区间划分Z个子区间，每个子区间的长度为ρ；
式中，λi为每个子区间的分布概率密度；θi为q(n)落入第i个子区间[(i-1)*ρi,ρ*]的取值个数；Θ为q(n)的序列总长度。
4.根据权利要求2或3所述的关于用眼习惯的评分方法，其特征在于，数据融合的计算公式如下：
S＝α*Sb+β*Se
式中，S为用眼习惯的综合评分；α,β为调和系数，且满足α+β＝1且α≥0.5。
5.一种关于用眼习惯的评分系统，其特征在于，包括如下模块：
行为评分模块，输入用眼行为条目所包含的目视物品、目视距离和目视时长数据，通过量化矩阵对用眼行为条目数据进行量化评分，并输出用眼行为评分；
环境评分模块，输入并计算行为评分过程中的环境光强变化曲线及其对应的光警戒曲线，计算安全光环境信息，从而依据概率分布密度输出用眼环境评分；
数据融合模块，对用眼行为评分和用眼环境评分进行加权计算，输出用眼习惯的综合评分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548605.5A CN116189888B (zh) | 2022-12-05 | 2022-12-05 | 一种关于用眼习惯的评分方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548605.5A CN116189888B (zh) | 2022-12-05 | 2022-12-05 | 一种关于用眼习惯的评分方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116189888A true CN116189888A (zh) | 2023-05-30 |
| CN116189888B CN116189888B (zh) | 2023-08-04 |
Family
ID=86443119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211548605.5A Active CN116189888B (zh) | 2022-12-05 | 2022-12-05 | 一种关于用眼习惯的评分方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116189888B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109799624A (zh) * | 2019-03-15 | 2019-05-24 | 北京艾索健康科技有限公司 | 一种智能儿童护眼镜及终端设备 |
| JP2021112503A (ja) * | 2020-01-21 | 2021-08-05 | 本田技研工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN113923839A (zh) * | 2021-10-19 | 2022-01-11 | 苏州爱果乐科技有限公司 | 一种灯光调节方法及系统 |
| CN114420289A (zh) * | 2021-12-04 | 2022-04-29 | 重庆大学 | 眼健康指数评估系统 |
| CN114947726A (zh) * | 2022-05-10 | 2022-08-30 | 北京神光少年科技有限公司 | 一种分析用眼习惯和用眼强度的计算方法 |
| CN115240849A (zh) * | 2022-06-21 | 2022-10-25 | 上海市眼病防治中心 | 电子产品使用特征及视疲劳的记录和提醒方法及系统 |
| CN115393383A (zh) * | 2021-05-22 | 2022-11-25 | 上海传莘信息科技有限公司 | 一种基于场景识别判断用眼健康度的近视防护智能眼镜 |
-
2022
- 2022-12-05 CN CN202211548605.5A patent/CN116189888B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109799624A (zh) * | 2019-03-15 | 2019-05-24 | 北京艾索健康科技有限公司 | 一种智能儿童护眼镜及终端设备 |
| JP2021112503A (ja) * | 2020-01-21 | 2021-08-05 | 本田技研工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN115393383A (zh) * | 2021-05-22 | 2022-11-25 | 上海传莘信息科技有限公司 | 一种基于场景识别判断用眼健康度的近视防护智能眼镜 |
| CN113923839A (zh) * | 2021-10-19 | 2022-01-11 | 苏州爱果乐科技有限公司 | 一种灯光调节方法及系统 |
| CN114420289A (zh) * | 2021-12-04 | 2022-04-29 | 重庆大学 | 眼健康指数评估系统 |
| CN114947726A (zh) * | 2022-05-10 | 2022-08-30 | 北京神光少年科技有限公司 | 一种分析用眼习惯和用眼强度的计算方法 |
| CN115240849A (zh) * | 2022-06-21 | 2022-10-25 | 上海市眼病防治中心 | 电子产品使用特征及视疲劳的记录和提醒方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 程绪婷;王宏;窦义蓉;: "重庆主城区视力不良小学生视力相关生存质量与视力保健行为关系", 中国学校卫生, vol. 37, no. 9, pages 1311 - 1317 * |
| 魏居祥，巢海鲸: "防近视护额产品的设计与实现", 电脑知识与技术, vol. 14, no. 17, pages 121 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116189888B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657545B (zh) | 用户业务数据的处理方法、装置、设备及存储介质 | |
| CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
| CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| CN111917785B (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
| CN113040711A (zh) | 一种脑卒中发病风险预测系统、设备、存储介质 | |
| CN111555921A (zh) | 告警根因的定位方法、装置、计算机设备和存储介质 | |
| CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
| CN109543763A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN112199415A (zh) | 一种数据特征预处理的方法及其实现系统和应用 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN113660196A (zh) | 一种基于深度学习的网络流量入侵检测方法及装置 | |
| CN109063589A (zh) | 基于神经网络的仪器设备在线监测方法及系统 | |
| CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN116030829A (zh) | 一种基于深度残差神经网络的心音分类方法 | |
| CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
| Hu et al. | An efficient Long Short-Term Memory model based on Laplacian Eigenmap in artificial neural networks | |
| CN116189888B (zh) | 一种关于用眼习惯的评分方法与系统 | |
| CN116958784A (zh) | 一种在自然环境中快速检测小麦赤霉病穗及严重度的方法 | |
| CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
| KR102405900B1 (ko) | 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 | |
| Purnomo et al. | Epileptic seizure classification using deep batch normalization neural network | |
| CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
| CN108346471B (zh) | 一种病理数据的分析方法及装置 |
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 |