CN116458835B - 一种幼儿近视及弱视的检测预防系统 - Google Patents

Abstract

本说明书实施例提供一种幼儿近视及弱视的检测预防系统及方法，该系统包括：交互模块、头戴式设备和处理器；交互模块用于用户与头戴式设备之间的交互；头戴式设备包括显示模块、至少一个可调节透镜、至少一个光束发射器和至少一个光束接收器，头戴式设备用于对用户进行视力检测和视力矫正中的至少一种；处理器与交互模块和头戴式设备通信连接，处理器用于发出控制指令，控制检测预防系统对用户进行视力检测任务和视力矫正任务中的至少一种。

Description

一种幼儿近视及弱视的检测预防系统

技术领域

本说明书涉及视力检测技术领域，特别涉及一种幼儿近视及弱视的检测预防系统及方法。

背景技术

幼儿(如1-3岁等)的视力筛查还未普及，但现实生活中幼儿往往已经有较高近视的概率，近视可控不可治，所以1-3岁幼儿的视力筛查与预防尤为重要。由于幼儿在认知力、配合和沟通能力上的局限性，使得临床医生对其视力作出客观、定量地评估十分困难。目前对幼儿视力的检测多使用专门的检查仪器。但检查仪器多为根据验光结果，粗略判断幼儿的视力问题，因此大多存在检测结果准确性低等问题。

为了解决幼儿视力检测中结果不准确的问题，CN109199320B公开了一种便携式视力筛选仪及其光路结构，通过CCD图像传感器获得人眼的整体图像，用于分析、测量瞳孔大小、瞳距、固视方向、屈光参差等指标。但该仪器仅能够进行近视或弱视等的检测，没有预防或矫正的效果。

因此，希望提出一种幼儿近视及弱视的检测预防系统及方法，可以提高视力检测的准确率，同时实现对幼儿视力的检测和矫正。

发明内容

本说明书实施例之一提供一种幼儿近视及弱视的检测预防系统，所述检测预防系统包括：交互模块、头戴式设备和处理器；所述交互模块用于用户与所述头戴式设备之间的交互；所述头戴式设备包括显示模块、至少一个可调节透镜、至少一个光束发射器和至少一个光束接收器，所述头戴式设备用于对所述用户进行视力检测和视力矫正中的至少一种；所述处理器与所述交互模块和所述头戴式设备通信连接，所述处理器用于：发出控制指令，控制所述检测预防系统对所述用户进行视力检测任务和视力矫正任务中的至少一种。

本说明书实施例之一提供一种幼儿近视及弱视的检测预防方法，基于幼儿近视及弱视的检测预防系统的处理器执行，所述方法包括：生成控制指令，以控制交互模块实现头戴式设备与用户的交互以及控制所述头戴式设备执行视力检测任务和视力矫正任务中的至少一种。

本说明书实施例之一提供一种幼儿近视及弱视的检测预防装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现所述的检测预防方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述的检测预防方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的幼儿近视及弱视的检测预防系统的示例性示意图；

图2是根据本说明书一些实施例所示的视力检测模型的示例性示意图；

图3是根据本说明书一些实施例所示的视力矫正任务的示例性流程图；

图4是根据本说明书一些实施例所示的疲劳度确定模型的示例性示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

因为幼儿不能很好地配合检查，并且交流困难，使得实际视力检测工作难以进行，目前幼儿的视力检测多依赖于人工判断，造成检测结果的误判率较高，且检测效率低。CN109199320B公开了一种便携式视力筛选仪及其光路结构，通过对光路结构的改进，测量球镜(近视、远视)、柱镜(散光)和轴位(散光角度)等数据，并结合摄像技术，获得眼睛的图像，从而分析出瞳孔大小、瞳距、固视角度等信息。但该仪器操作过程中场景较为单一，无法同时实现检测与矫正。

有鉴于此，本说明一些实施例中，通过交互模块实现用户与头戴式设备之间的交互；通过头戴式设备实现对用户进行视力检测和视力矫正中的至少一种，可以同时实现对幼儿视力的检测和矫正。

图1是根据本说明书一些实施例所示的幼儿近视及弱势的检测预防系统的示例性示意图。

如图1所示，检测预防系统100可以包括交互模块110、头戴式设备120和处理器130。

在一些实施例中，交互模块110可以用于用户与头戴式设备120之间的交互。用户是指使用头戴式设备进行检测近视或弱视的人员。例如，用户可以是幼儿等。在一些实施例中，用户也可以包括幼儿的监护人、医护人员等。

在一些实施例中，交互模块110可以用于接收用户的输入。在一些实施例中，交互模块110可以包括按钮、触摸传感器、操纵杆、小键盘、麦克风等设备与头戴式设备120进行交互，在此不对交互的方式进行限制。

在一些实施例中，头戴式设备120是指佩戴在用户头部以用于进行视力检测和矫正等的设备。在一些实施例中，头戴式设备120可以对用户进行视力检测和视力矫正中的至少一种。例如，头戴式设备120可以生成用户可观看的画面用以检测或矫正视力。在一些实施例中，头戴式设备120可以包括显示模块120-1、至少一个可调节透镜120-2、至少一个光束发射器120-3和至少一个光束接收器120-4。

在一些实施例中，显示模块120-1可以用于向用户显示画面。例如，显示模块120-1可以用于向用户150显示第一画面和/或第二画面。再例如，显示模块120-1可以向用户显示视力基础特征以及视力异常概率分布等。

在一些实施例中，可调节透镜120-2可以用于为用户聚焦显示显示模块中显示的画面。在一些实施例中，用户可以通过可调节透镜120-2观看显示模块所显示的画面。可调节透镜120-2可以进行调节。例如，可调节透镜120-2可以基于检测到的用户的数据进行调节。

在一些实施例中，光束发射器120-3可以用于产生光束，并将光束发射至用户的眼睛。光束可以是红外光等。光束接收器120-4可以用于接收来自用户的眼睛中反射/折射的光束。在一些实施例中，光束发射器120-3可以产生光束并发射至用户的眼睛，光束在经过用户的眼睛内的屈光折射/反射后，光束接收器120-4可以接收从用户的眼睛折射出的光束。

在一些实施例中，头戴式设备120还可以包括眼部特征模块(图中未示出)。眼部特征模块可以用于获取用户的第一眼部图像。

在一些实施例中，头戴式设备120还可以包括视线追踪模块(图中未示出)。视线追踪模块可以用于获取用户在视力矫正任务中的视线序列。

在一些实施例中，处理器130可以处理从其他设备或系统各个组件中获得的数据和/或信息，以基于这些数据、信息和/或处理结果执行程序指令，以执行本申请中描述的一个或多个功能。例如，处理器130可以与交互模块110和头戴式设备通信连接。又例如，处理器130可以用于发出控制指令，控制检测预防系统对用户进行视力检测任务和视力矫正任务中的至少一种。

在一些实施例中，处理器130可以进一步用于通过显示模块向用户显示第一画面；基于第一画面，通过交互模块接收用户的输入，并生成交互反馈数据；通过至少一个光束发射器发射光线和至少一个光束接收器接收反射后光线，生成检影验光数据。

在一些实施例中，处理器130可以进一步用于基于视力检测数据，确定视力基础特征，其中，视力检测数据包括交互反馈数据和检影验光数据；基于视力基础特征，确定视力异常概率分布；将视力基础特征以及视力异常概率分布发送至显示模块，以向用户显示。

在一些实施例中，处理器130可以进一步用于基于目标矫正方案中的矫正画面集合，依次将矫正画面集合中的矫正画面确定为第二画面；通过显示模块向用户显示第二画面，其中，第二画面包括用于视力矫正的矫正画面；基于第二画面，通过交互模块接收用户的输入；基于用户的输入，调整第二画面。

在一些实施例中，处理器130可以包括存储设备等，处理器130可以从存储设备中获取预先存储的与检测预防系统100相关的数据和/或信息。在一些实施例中，检测预防系统100可以包括网络和/或其他连接系统与外部资源的组成部分。处理器130可以通过网络获取与检测预防系统100相关的数据和/或信息。检测预防系统还可以包括用户终端。用户终端可以指用户使用的一个或多个终端设备或软件。

关于检测预防系统100的更多内容可以参见图2至图4的相关描述。

需要注意的是，以上对于检测预防系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。

在一些实施例中，处理器可以生成控制指令，以控制交互模块实现头戴式设备与用户的交互以及控制头戴式设备执行视力检测任务和视力矫正任务中的至少一种。

交互可以是指用户与头戴式设备之间通过特定方式进行信息互换。在一些实施例中，交互可以包括用户基于头戴式设备显示的画面信息进行输入。画面信息可以包括第一画面、第二画面等。关于第一画面的更多内容可以参见图1下述实施例中的相关描述。关于第二画面的更多内容可以参见图3。

在一些实施例中，用户可以与可调节透镜进行交互。例如，当用户无法看清画面中的特定内容时，交互模块可能识别到用户的眼睛可能无法聚焦到画面上，处理器可以根据用户的反馈智能调节可调节透镜，使用户能够看清特定内容。其中，特定内容可以包括视力测试表中特定的某行、图像中特定的某对象等，在此不做限定。

视力检测是指对用户进行视力检测。视力矫正是指基于用户的视力检测数据进行视力矫正。

在一些实施例中，处理器可以根据视力检测任务对用户进行视力检测。处理器可以根据视力矫正任务对用户进行视力矫正。

处理器可以将进行视力检测任务或者视力矫正任务的相关控制指令发送至检测预防系统。检测预防系统可以根据控制指令对用户进行相应的视力检测任务或者视力矫正任务。

检测预防系统是指进行视力检测和视力矫正的系统。

视力检测任务是指对用户进行视力检测的相关任务。在一些实施例中，视力检测可以包括视力表检测、散瞳验光、视力负荷检测等任意一种或组合。

视力矫正任务是指基于用户的视力检测数据进行视力矫正的相关任务。视力矫正任务可以包括制定目标矫正方案和进行视力矫正。例如，处理器可以基于用户的视力检测数据，制定目标矫正方案并进行视力矫正。

通过适合与用户(如幼儿)进行交互的方式，对幼儿进行视力检测、视力矫正中的至少一种，可以提高幼儿视力检测的趣味性和科学性，进一步提高检测的准确率，通过同时实现对幼儿视力的检测和矫正，可以提升用户的使用体验。

在一些实施例中，视力检测任务包括通过显示模块向用户显示第一画面；基于第一画面，通过交互模块接收用户的输入，并生成交互反馈数据；通过至少一个光束发射器发射光线和至少一个光束接收器接收反射后光线，生成检影验光数据。

第一画面是指可以用于检测用户视力的画面。例如，第一画面可以是视力测试表、图案、其他有检测视力功能的MR图像等。

在一些实施例中，处理器可以从视力检测数据库中得到第一画面。在进行视力检测时，处理器可以从视力检测数据库中随机或根据预设规则等选择若干视力检测画面作为第一画面对用户进行视力检测。视力检测数据库可以是基于经验提前构建的。例如，可以基于幼儿的兴趣爱好等科学性的设计视力检测数据库中的视力检测画面。

在一些实施例中，头戴式设备可以通过显示模块向用户显示第一画面。

用户的输入可以包括用户的声音信息、动作信息等。用户的动作信息可以包括用户触摸检测的按钮。例如，当用户传达出检测过程中的相关联动作指令或者语音指令时，交互模块110可以获取上述指令并将相关指令转换成电信息进行传递，进而完成与头戴式设备120之间的交互。

在一些实施例中，用户可以基于显示模块中显示的第一画面，通过交互模块进行输入并生成交互反馈数据。例如，显示模块种可以显示动态目标，交互模块可以识别用户的眼睛是否跟随动态目标移动。又例如，显示模块中可以显示标准视力表(例如，由具有不同开口方向的字母“E”组成的一张表)、图形视力表(例如，采用香蕉、苹果等图形来代替标准视力表中具有不同开口方向的字母“E”)等，用户可以通过手势、按钮、或者语音确认不同图形(如，图形视力表中香蕉、苹果等不同图形，或者标准视力表中不同开口方向的字母“E”)。

交互反馈数据是指根据显示模块向用户显示的画面得到的用户反馈信息。在一些实施例中，交互反馈数据可以包括语音数据和动作数据中的至少一种。例如，当显示模块向用户显示明暗不同的两幅相同的图像时，头戴式设备可以提示用户点击相对较亮的图像，用户可以利用鼠标或者按键点击相对较亮的图像。

检影验光数据是指光束接收器接收到的光束的相关数据。在一些实施例中，检影验光数据可以包括从用户的眼睛反射或折射到光束接收器的光信号的相关数据等。

在一些实施例中，处理器130可以对用户的眼睛通过至少一个光束发射器发射光线，反射或折射到至少一个光束接收器接收反射后光线(光信号)，并进行处理，将测得的光信号转变为电压，以生成检影验光数据(如用户眼睛的屈光不正的类型和程度等)。在一些实施例中，处理器130可以通过光线经过视网膜反射后形成影像的明暗及运动规律等来判断用户眼睛的屈光状态。

视力检测过程中，幼儿不一定配合，通过该系统的画面的趣味性、科学性设计，通过游戏娱乐的方式，结合用户的主观反馈的交互反馈数据和客观生成的检影验光数据综合对用户的视力情况进行检测，可以更加准确、高效地对视力情况进行评估，以获得更好的视力检测效果。

在一些实施例中，处理器130可以基于视力检测数据，确定视力基础特征；基于视力基础特征，确定视力异常概率分布；将视力基础特征以及视力异常概率分布发送至显示模块，以向用户显示。

视力检测数据是指通过视力检测任务获得的相关数据。在一些实施例中，视力检测数据可以包括交互反馈数据和检影验光数据。

视力基础特征是指基于视力检测数据生成的与视力相关的基础特征。

在一些实施例中，视力基础特征可以包括裸眼视力预估值、屈光预估特征、以及散光预估特征。更多内容可以参见图2及其相关描述，

在一些实施例中，处理器可以基于视力检测数据确定视力基础特征。例如，用户的视力检测数据显示用户对视力表正数第三排的开口的认知错误，对视力表正数第二排的开口的认知正确，则可以确定该用户的裸眼视力值为0.15。

视力异常概率分布是指用户可能存在的视力异常类型的概率分布。视力异常类型包括近视、远视、弱视、视物变形等。在一些实施例中，视力异常概率分布可以基于历史用户数据构建的预设表或者向量数据库确定。预设表/向量数据库可以是表征视力基础特征与视力异常概率分布的对应关系的表格或数据库。

在一些实施例中，处理器可以将视力基础特征和视力异常概率分布发送至头戴式设备的显示模块以向用户显示。

通过向用户(如幼儿的监护人等)同时显示视力基础特征和视力异常概率分布，可以让用户更加直观的了解幼儿目前视力的情况，并且为后续矫正提供了可靠的基础。

在一些实施例中，处理器130可以基于交互反馈数据和检影验光数据，通过视力检测模型确定视力基础特征和视力异常概率分布，其中，视力检测模型确定为机器学习模型。

视力检测模型是指能够对用户的视力进行检测的模型。例如，视力检测模型可以为深度神经网络模型(Deep Neural Network，DNN)，视力检测模型也可以是其他神经网络等或其任意组合。

视力检测模型可以基于带标签的第一训练样本的训练获取。在一些实施例中，第一训练样本的每组第一训练样本可以包括样本交互反馈数据以及样本检影验光数据。每组第一训练样本的第一标签为该组历史用户的视力异常概率分布(例如，真实异常类型概率为100％，其他没有异常的类型概率为0％)和视力基础特征。

在一些实施例中，第一训练样本可以基于历史数据获取。第一标签可以人工标注。

在一些实施例中，视力检测模型的输入还可以包括第一眼部图像和优选检测顺序。关于第一眼部图像和优选检测顺序的更多内容可以参见图2及其相关描述。

在一些实施例中，当视力检测模型输入包括第一眼部图像和优选检测顺序时，第一训练样本还可以包括样本第一眼部图像和样本优选检测顺序。

在本说明书一些实施例中，通过视力检测模型确定视力基础特征和视力异常概率分布，可以进一步提高视力检测的准确率。通过视力检测模型的输入包括第一眼部图像和优选检测顺序，可以更进一步提高视力检测的准确率。

在一些实施例中，视力检测模型可以为多层结构，关于多层结构的视力检测模型的更多内容，参加图2及其相关描述。

在一些实施例中，处理器130可以基于优选检测顺序，通过显示模块向用户显示第一画面，其中，优选检测顺序基于视力检测的预估疲劳度确定。

优选检测顺序是指显示检测视力画面的最优顺序。在一些实施例中，优选检测顺序是通过评估多个候选检测顺序对应的视力检测的预估疲劳度确定的。其中，多个候选检测顺序可以是随机生成的多个可能检测视力画面的顺序。例如，处理器130可以选择预估疲劳度最小的候选检测顺序作为优选检测顺序。

预估疲劳度可以指预估的用户的眼睛的疲劳程度。例如，用户在长时间的用眼过程中，预估的眼干值、眼涩值、眼酸胀值、视力下降值等任意一种或组合。

关于预估疲劳度的更多内容，参加图4及其相关描述。

基于预估疲劳度确定优选检测顺序，能最大程度降低幼儿的检测疲劳度，从而提高幼儿的视力检测质量和准确率。

图2是根据本说明书一些实施例所示的视力检测模型的示例性示意图。

在一些实施例中，视力检测模型200可以包括第一嵌入层210、第二嵌入层220、基础特征确定层230和异常分布确定层240。

第一嵌入层210可以用于基于检影验光数据260-2生成客观验光特征向量280-1。第二嵌入层220可以用于基于交互反馈数据260-3生成主观验光特征向量280-2。基础特征确定层230可以用于基于客观验光特征向量和主观验光特征向量生成视力基础特征270-1(如裸眼视力预估值、屈光预估特征、以及散光预估特征等)。异常分布确定层240可以用于基于裸眼视力预估值、屈光预估特征、以及散光预估特征生成视力异常概率分布270-2。

客观验光特征向量是指基于通过对用户的客观视力检测行为生成的验光的相关特征向量。主观验光特征向量是指通过用户主观交互行为完成的视力检测从而生成的验光的相关特征向量。裸眼视力预估值、屈光预估特征、散光预估特征分别是是指基于客观验光特征向量和主观验光特征向量预估的裸眼视力、屈光特征、散光特征。

关于检影验光数据、交互反馈数据、视力基础特征、以及视力异常概率分布的更多内容参见图1及其相关描述。

在一些实施例中，上述第一嵌入层、第二嵌入层、基础特征确定层和异常分布确定层可以通过多个带有第二标签的第二训练样本联合训练得到。

向初始第一嵌入层输入第二训练样本得到初始第一嵌入层输出的初始客观验光特征向量，并且向初始第二嵌入层输入第二训练样本得到初始第二嵌入层输出的初始主观验光特征向量。再将初始第一嵌入层和初始第二嵌入层的输出的初始客观验光特征向量和初始主观验光特征向量作为训练样本，输入初始基础特征确定层，得到初始基础特征确定层输出的初始裸眼视力预估值、初始屈光预估特征和初始散光预估特征。再将初始基础特征确定层输出的初始裸眼视力预估值、初始屈光预估特征和初始散光预估特征作为训练样本，输入初始异常分布确定层。

训练过程中，基于第二标签，初始第一嵌入层，以及初始第二嵌入层的输出结果确定损失函数的值，同步更新初始第一嵌入层、初始第二嵌入层、初始基础特征确定层和初始基础特征确定层，得到训练好的第一嵌入层、第二嵌入层、基础特征确定层和异常分布确定层。

在一些实施例中，第二训练样本可以包括历史检影验光数据和历史交互反馈数据，第二标签可以是历史检影验光数据和历史交互反馈数据对应的视力基础特征和视力异常概率分布。在一些实施例中，第二训练样本可以基于历史数据获取，第二训练样本的第二标签可以通过人工标注。

多层结构的视力检测模型对视力进行检测，可以高效、准确地对用户视力情况进行评估，可以获得比直接使用验光仪更好的效果，提高后续的用户进行视力矫正的可靠性，节约人力和时间资源。

在一些实施例中，头戴式设备还包括眼部特征采集模块，眼部特征采集模块用于获取第一眼部图像260-1。视力检测模型的输入还可以包括第一眼部图像260-1，视力检测模型200还可以包括图像特征提取层250。第一眼部图像为图像特征提取层的输入。

图像特征提取层250可以为深度神经网络模型。

第一眼部图像可以是指包含用户眼睛的图像。例如，在用户进行视力检测任务时，眼部特征模块可以获取多张包含用户眼睛的图像。

眼部特征采集模块可以对用户的眼部进行智能识别，当识别到用户的眼部时，则自动进行图像采集。关于眼部特征采集模块的更多内容，参见图1及其相关描述。

在一些实施例中，第一眼部图像260-1可以为图像特征提取层250的输入。图像特征提取层250的输出为第一眼部特征290-1，第一眼部特征290-1可以为异常分布确定层240的输入。

当视力检测模型的输入包括第一眼部图像，视力检测模型包括图像特征提取层时，第二训练样本还可以包括历史第一眼部图像。在一些实施例中，图像特征提取层、第一嵌入层、第二嵌入层、基础特征确定层和异常分布确定层可以通过多个带有第二标签的第二训练样本联合训练得到。在一些实施例中，历史第一眼部图像可以输入到初始图像特征提取层250得到初始第一眼部特征，再将初始第一眼部特征输入与初始基础特征确定层输出的初始裸眼视力预估值、初始屈光预估特征和初始散光预估特征作为训练样本，输入初始异常分布确定层，进行联合训练。关于更多的联合训练的相关内容可以参见上述第一嵌入层、第二嵌入层、基础特征确定层和异常分布确定层的联合训练过程。

本说明书的一些实施例中，加入第一眼部图像作为视力检测模型的图像特征提取层的输入，使对用户视力的检测范围更加的全面，从而使视力检测的结果更加准确。

在一些实施例中，当处理器通过显示模块以优选检测顺序向用户显示第一画面时，视力检测模型的输入还包括优选检测顺序，优选检测顺序为第二嵌入层的输入。在一些实施例中，第二嵌入层220的输入还可以包括优选检测顺序260-4。

优选检测顺序是指从多个候选检测顺序里确定的显示检测视力画面的最优顺序。在一些实施例中，优选检测顺序可以通过评估多个候选检测顺序对应的视力检测的预估疲劳度确定。关于候选检测顺序以及优选检测顺序的更多内容，参加图1及其相关描述。

在一些实施例中，当视力检测模型的输入包括优选检测顺序260-4时，第二训练样本还可以包括历史优选检测顺序。

加入优选检测顺序作为视力检测模型的输入，可以使用户进行视力检测时的状态保持在相对较好的状态，从而使视力检测的结果更加准确和可靠。

图3是根据本说明书一些实施例所示的视力矫正任务的示例性流程图。流程300可以由处理器130执行。如图3所示，流程300包括下述步骤：

步骤310，基于目标矫正方案中的矫正画面集合，依次将矫正画面集合中的矫正画面确定为第二画面。

矫正方案是指针对不同弱视、近视等的用户的矫正手段。例如，矫正方案可以包括至少一个矫正画面、显示时间等任意一种或组合。又例如，矫正方案可以包括多个矫正画面组成的矫正画面集合，通过矫正方案将需要的多个矫正画面显示给用户，以供用户进行视力矫正。关于矫正画面、矫正集合的更多内容，可以参见图3下述实施例的描述。

目标矫正方案是指一个或多个矫正方案中最适合用户进行视力矫正的矫正方案。例如，目标矫正方案可以包括矫正画面集合。

在一些实施例中，矫正方案还可以包括多个矫正画面的显示特征，显示特征是与显示相关的信息，例如，显示特征可以包括显示顺序、显示时间。显示顺序是指需要进行显示的矫正画面的顺序。显示时间是指需要进行显示的矫正画面的显示时间。

处理器可以通过多种方式确定目标矫正方案。在一些实施例中，处理器可以基于视力基础特征以及视力异常概率分布，确定至少一个候选矫正方案；基于至少一个候选矫正方案，确定至少一个候选矫正方案的至少一个预估矫正度；基于至少一个预估矫正度，确定目标矫正方案。关于视力基础特征、视力异常概率分布的相关内容，可以参见图1中的相关描述。

候选矫正方案是指待确定为目标矫正方案的方案。候选矫正方案可以包括可能需要对幼儿进行视力矫正的一个或多个矫正画面的集合和矫正画面的显示特征等。关于显示特征的更多内容，可以参见图4中的相关描述。

在一些实施例中，候选矫正方案可以基于用户的视力情况确定。例如，处理器可以基于用户的视力情况，获取该视力情况对应的一个或多个历史矫正方案，将一个或多个历史矫正方案确定为候选矫正方案。

在一些实施例中，候选矫正方案可以基于当前幼儿的用户特征确定。例如，处理器基于当前幼儿的用户特征，与第一向量数据库进行匹配，计算当前幼儿的用户特征与第一向量数据库中历史幼儿的历史用户特征的向量距离，将向量距离小于阈值的矫正方案作为候选矫正方案。其中，用户特征可以包括视力基础特征和视力异常概率分布等。关于视力基础特征和视力异常概率分布的相关内容，可以参见图1中的相关描述。

第一向量数据库可以用于存储历史幼儿的历史用户特征，历史用户特征可以通过特征向量进行表示。

预估矫正度是候选矫正方案对用户的视力矫正程度。预估矫正度可以通过多种方式进行表示。在一些实施例中，预估矫正度可以是矫正后视力和正常视力的差异程度。

在一些实施例中，预估矫正度可以通过预估矫正度数表示。预估矫正度数可以与矫正视力有关。例如，用户的裸眼视力为0.2，矫正到0.8的预估矫正度数可以是200度，矫正到1.2的预估矫正度数可以是250度。不同的用户在裸眼视力和矫正视力相同的情况下矫正度数可以不一样。

在一些实施例中，处理器可以根据多次历史的矫正情况(例如，通过该候选矫正方案矫正之后得到的矫正视力)预估该候选矫正方案的预估矫正度。

预估矫正度可以基于多种方式确定。在一些实施例中，处理器130可以基于当前幼儿的候选矫正方案确定预估矫正度。例如，处理器基于当前幼儿的候选矫正方案，与第二向量数据库进行匹配，计算当前幼儿的候选矫正方案与第一向量数据库中历史幼儿的历史候选矫正方案的向量距离，将向量距离小于阈值的矫正度作为预估矫正度。

第二向量数据库可以用于存储历史幼儿的候选矫正方案，候选矫正方案可以通过特征向量进行表示。

在一些实施例中，处理器130可以基于至少一个候选矫正方案、视力基础特征以及视力异常概率分布，通过矫正度确定模型确定至少一个预估矫正度。

在一些实施例中，矫正度确定模型可以为机器学习模型。例如，矫正度确定模型可以为深度神经网络模型(Deep Neural Network，DNN)或其他。

在一些实施例中，矫正度确定模型的输入可以包括候选矫正方案、视力基础特征以及视力异常概率分布等，矫正度确定模型的输出可以包括该候选矫正方案对应的预估矫正度。

在一些实施例中，矫正度确定模型的输入还可以包括预估疲劳度。预估疲劳度是指预估的用户在检测时用眼的疲劳程度。关于预估疲劳度的更多内容，可以参见图4中的相关内容。

在一些实施例中，矫正度确定模型可以通过多个带有第三标签的第三训练样本训练得到。

在一些实施例中，第三训练样本中的每组训练样本至少可以包括历史矫正方案、历史视力基础特征以及历史视力异常概率分布。第三标签可以包括实际矫正度。第三训练样本可以基于历史的视力矫正任务获得。第三标签可以人工标注。

在一些实施例中，处理器可以基于历史的视力矫正任务情况，获得历史矫正度。例如，“屈光度和散光度降低，裸眼视力值提高，视力异常概率分布中真实异常类型减少，其他没有异常的类型增多等”等对应的历史矫正方案的“历史矫正度”较高，具体的标签的标注值可以基于前述的“屈光度和散光度降低值，裸眼视力提高值，视力异常概率分布中真实异常类型数量，其他没有异常的类型数量”等等比例确定。例如，上述的降低值、提高值越大，真实异常类型数量越少，对应的标签的标注值越大。反之，越小。

在一些实施例中，当矫正度确定模型评估的输入包括预估疲劳度时，第三训练样本还可以包括历史疲劳度。

通过矫正度确定模型确定预估矫正度，可以高效、准确地得到候选矫正方案的预估矫正度，可以获得比直接基于经验预设确定预估矫正度更好的效果，提高后续目标矫正方案的可靠性，节约人力和时间资源。当矫正度确定模型评估的输入包括预估疲劳度时，可以进一步提高确定的候选矫正方案的预估矫正度的准确性。

长期用眼产生的视疲劳将影响视力矫正的效果，基于预估疲劳度，确定预估矫正度，可以准确地确定其对应的预估候选矫正方案对矫正的效果，以便于确定矫正效果较好的候选矫正方案。

在一些实施例中，处理器130可以将最大的预估矫正度对应的候选矫正方案确定为目标矫正方案。在一些实施例中，处理器130可以将最佳预估矫正度对应的候选矫正方案确定为目标矫正方案。最佳预估矫正度是保证最佳视力的情况下，最低度数对应的预估矫正度。

每个幼儿的视力信息都有差异，基于其对应的视力基础特征、视力异常概率分布以及预估矫正度，确定候选矫正方案，从而安全有效地改善幼儿的视力，提高视力矫正的效果。

矫正画面是指用于视力矫正的画面，例如，矫正画面可以是一些预设的视力矫正的画面(目的是让用户的视线定向移动)等。

矫正画面可以包括单眼屏蔽、随机点寻迹、色光追寻、红光闪烁寻迹、光栅、干涉视标等多种用于视疲劳恢复、视觉训练和视力矫正的图形图像；矫正画面的表现形式可以为实物、动画、动图、视频、互动游戏、色标、图标、变幻线、点、游戏或其多个多种方式的组合；矫正画面可以是静态的或是动态变化的画面。

在一些实施例中，矫正画面可以是场景所呈现出的具体景象。例如，矫正画面可以包括以特定位置特定角度拍摄的场景的实时图像。

在一些实施例中，矫正画面可以通过系统中内置的传感设备获取。例如，传感设备可以获取特定场景的实时视频文件或实时图片以作为该场景的场景画面。

在一些实施例中，矫正画面可以从矫正画面数据库中挑选得到。确定矫正方案时，从矫正画面数据库中随机选若干个矫正画面构成一个候选矫正方案。矫正画面数据库可以是基于经验提前构建的。

矫正画面集合可以是多个矫正画面的集合。例如，一个矫正画面集合可以包括对应于一个用户的某次矫正的相关数据。矫正画面集合可以包括各种形式的矫正数据，例如文字、图像、视频等形式的数据。

在一些实施例中，矫正画面集合的表示方式可以是序号构成的集合(而非图像或视频数据)。序号可以指矫正画面在矫正画面数据库中的编号。例如，矫正画面集合1{A，B，C，D，……}表示矫正画面集合1中包括矫正画面数据库中的第A个、第B个、第C个、第D个等的矫正画面。

在一些实施例中，矫正画面集合可以是矫正画面按照预设排序规则排列的有序集合。

在一些实施例中，矫正画面集合可以根据不同的场景，基于先验知识预设不同的弱视或近视信息各自对应的矫正画面集合。

第二画面是指矫正画面集合中用于显示的矫正画面。例如，第二画面可以是一个静态画面、一段视频(即若干画面组成的序列)、一个交互式的游戏中所包含的画面(或画面序列)、混合现实(Mixed Reality，MR)图像等中的至少一种。交互式的游戏可以为虚拟现实(Virtual Reality，VR)与增强现实(Augmented Reality，AR)组合的触摸游戏等。混合现实是虚拟世界与现实世界的结合，在佩戴眼镜时有自然光可以被眼球捕捉，可以有效减缓近视的发展。

在一些实施例中，处理器可以按照排序，依次序将矫正画面集合中的矫正画面确定为第二画面，并发送至显示模块进行显示。

步骤320，通过显示模块向用户显示第二画面，其中，第二画面包括用于视力矫正的矫正画面。

在一些实施例中，处理器可以基于矫正过程中显示模块自身的屏幕参数(例如，屏幕尺寸、屏幕像素密度等)确定显示位置，以及在屏幕的显示位置中显示第二画面。

在一些实施例中，第二画面可以包括与视力矫正关联的矫正画面。例如，第二画面可以只显示一个矫正画面或同时显示多个画面等。

步骤330，基于第二画面，通过交互模块接收用户的输入。

在一些实施例中，各个矫正画面可以依次按照预设呈现规则确定为第二画面。例如，可以根据用户的感兴趣的区域调节各个矫正画面的呈现面积。再例如，处理器可以自行调整各个矫正画面的呈现面积以重新确定第二画面。

在一些实时例中，用户的输入是指用户基于第二画面进行视力矫正的反馈信息。例如，用户的输入可以包括但不限于语音输入、屏幕点击、或眼球的运动等，或其任意组合。

关于交互模块的更多内容，可以参见图1及其相关信息。

在一些实时例中，处理器通过显示模块显示第二画面，使得用户基于第二画面进行视力矫正，同时处理器可以通过交互模块接收用户的反馈信息。

步骤340，基于用户的输入，调整第二画面。

在一些实时例中，处理器可以基于用户的反馈信息，以多种方式调整第二画面。例如，切换、放大、缩小等任意一种或组合。又例如，第二画面中包含视标，基于用户的输入带动第二画面的切换，从而带动视标闪亮变化及位置变化，从而带动眼球运动，而眼球的每一次运动用于切换第二画面，从而完成用户视力的矫正。

用户的输入可以是直接由屏幕或按键进行输入，也可以是语音输入或可与头戴式设备通讯的输入器进行输入，处理器可以同时通过语音、振动与第二画面进行显示；处理器还可以基于用户的输入对第二画面的颜色和亮度进行调配，包括蓝光削弱、图像柔化等。

在一些实施例中，处理器可以在矫正过程中动态调整第二画面。例如，可以基于用户的反馈信息调整第二画面中的视觉目标大小、颜色、方向、形状、姿态和位置等。

不同用户的视力情况各异通过获得不同用户对应的不同的目标矫正方案，能够针对不同的用户进行相应的视力矫正，提高视力矫正的效果。

在一些实施例中，目标矫正方案可以包括矫正画面集合中的矫正画面的显示特征，显示特征至少可以包括显示顺序以及显示时间。关于目标矫正方案、矫正画面集合、以及矫正画面的更多描述，参见图3及其相关描述。

在一些实施例中，目标矫正方案可以基于多个候选矫正方案的预估矫正度确定。关于候选矫正方案以及与预估矫正度的更多内容，参加图3及其相关描述。

显示特征是指矫正画面在进行显示时的基础特征。在一些实施例中，显示特征可以包括其对应矫正方案的矫正画面的显示顺序和显示时间等。

目标矫正方案包括矫正画面的显示顺序以及显示时间，通过多个候选矫正方案的预估矫正度确定的显示特征更贴合用户的实际矫正状态，相对于直接基于经验预设确定矫正画面的显示顺序和显示时间，可以提高矫正方案的可靠性，使对用户的视力矫正取到更好的效果。

在一些实施例中，候选矫正方案的预估矫正度可以相关于预估疲劳度，其中，预估疲劳度基于视力基础特征、视力异常概率分布以及候选矫正方案确定。处理器可以将预估疲劳度输入矫正度确定模型，确定预估矫正度。关于视力基础特征、视力异常概率分布的更多内容可以参见图1的相关描述。关于候选矫正方案、以及矫正度确定模型的更多内容可以参见图3的相关描述。

预估矫正度是矫正方案对用户的视力矫正程度。关于预估矫正度的更多内容，参加图3及其相关描述。

在一些实施例中，处理器130可以基于视力基础特征、视力异常概率分布以及候选矫正方案通过预设规则确定预估疲劳度。预设规则可以为视力基础特征、视力异常概率分布以及候选矫正方案与预估疲劳度对应的计算方法和对应关系。在一些实施例中，处理器130可以基于视力基础特征、视力异常概率分布以及候选矫正方案，通过疲劳度确定模型确定预估疲劳度，关于疲劳度确定模型和预估疲劳度的确定的更多内容，参加图4及其相关描述。

通过视力基础特征、视力异常分布、以及候选矫正方案等确定预估疲劳度，可以提高确定的预估疲劳度的准确性，有利于提高后续计算预估矫正度进而确定目标矫正方案的准确度。

图4是根据本说明书一些实施例所示的疲劳度确定模型的示例性示意图。

在一些实施例中，处理器130可以基于视力基础特征270-1、视力异常概率分布270-2以及候选矫正方案410，通过疲劳度确定模型420确定预估疲劳度430。候选矫正方案410可以包括矫正画面410-1、矫正画面的显示特征410-2等。

关于视力基础特征、视力异常概率分布的更多内容，可以参见图1中的相关描述。关于候选矫正方案的更多内容，可以参见图3中的相关描述。

在一些实施例中，预估疲劳度可以是在长时间的用眼过程中，预估的眼干值、眼涩值、眼酸胀值、视力下降值等任意一种或组合。

在一些实施例中，处理器可以在当前眼睛出现上述任一种状态发生时，确定预估疲劳度。例如，处理器可以通过摄像头，对用户的用眼进行分析处理，得到当前的用眼图像，将当前的用眼图像与多个预设用眼图像进行相似分析，将最相似的预设用眼图像对应的疲劳度确定为预估疲劳度。每张用眼图像各自对应一个预估疲劳度。

在一些实施例中，疲劳度确定模型可以为机器学习模型。例如，疲劳度确定模型可以为深度神经网络模型(Deep Neural Network，DNN)或其他。

在一些实施例中，疲劳度确定模型的输入可以包括视力基础特征、视力异常概率分布以及候选矫正方案等，疲劳度确定模型的输出可以包括预估疲劳度。

在一些实施例中，疲劳度确定模型可以通过多个有第四标签的第四训练样本训练得到。关于疲劳度确定模型的训练方式与矫正度确定模型的训练方式相似，可以参见图3中的相关描述。

在一些实施例中，第四训练样本中的每组训练样本至少可以包括历史视力基础特征、历史视力异常概率分布以及历史矫正方案。第四标签可以包括历史疲劳度。第四训练样本可以基于历史视力检测数据获得。第四标签可以人工标注。

在一些实施例中，处理器可以基于历史的视力矫正任务情况，获得历史疲劳度。例如，“眼睛闭合度高、单位时间内眨眼次数与预设眨眼次数的比值高、统计时间内闭眼最大时间与睁眼最大时间比值高、闭眼时间与睁眼时间的比值高”等对应的“历史疲劳度”较高，具体的标签标注值可以基于前述的“眼睛闭合度、单位时间内眨眼次数与预设眨眼次数的比值、统计时间内闭眼最大时间与睁眼最大时间比值、闭眼时间与睁眼时间的比值”等的加权求和确定。上述权重值可以根据实际需求进行设置。

通过疲劳度确定模型确定预估疲劳度，可以高效、准确地得到候选的预估疲劳度，可以获得比直接基于经验预设确定预估疲劳度更好的效果，提高后续的确定预估矫正度的可靠性，节约人力和时间资源。

在一些实施例中，头戴式设备还可以包括视线追踪模块，疲劳度确定模型训练时，处理器可以通过视线追踪模块获取用户在所述视力矫正任务中的视线序列；基于视线序列，确定用户的感兴趣区域序列；基于感兴趣区域序列，评估候选矫正方案的预估疲劳度。关于视线追踪模块、视力矫正任务的更多内容，可以参见图1中的相关内容。

视线序列是指用户在第二画面中不同区域的视线信息构成的序列。例如，视线信息可以包括视线停留时间、视线移动、转移频率等任意一种或组合。第二画面中的不同区域是指第二画面经过划分后的区域。

在一些实施例中，处理器可以基于至少一个感应传感器追踪视线，获取用户的视线信息。例如，感应传感器可以包括眼动追踪传感器和角运动传感器，眼动追踪传感器和角运动传感器分别用于实时捕捉眼部活动信息和实时采集头戴式设备的当前运动状态且均传送至处理器。

在一些实施例中，处理器可以采用眼球追踪技术，定位第二画面的视场内观测点所在的区域，确定每个区域对应的视线信息。例如，处理器通过红外光源的图像采集设备进行眼球追踪。

感兴趣区域是指第二画面中用户感兴趣的区域。例如，感兴趣区域可以是视线停留时间较长的观测点所在区域。在一些实施例中，感兴趣区域的表示形式可以是感兴趣区域序列。感兴趣区域序列中可以包括感兴趣区域对应的视线信息。感兴趣区域序列是由多个感兴趣区域构成的序列。

在一些实施例中，处理器可以从视线序列中，选取视线停留时间大于预设时长的多个区域，确定为感兴趣区域序列。

在一些实施例中，处理器可以采用感兴趣区域确定模型，对视线序列进行分析处理，得到感兴趣区域序列。感兴趣区域确定模型可以是机器学习模型或其他。

在一些实施例中，预估疲劳度可以负相关于匹配度。关于匹配度的更多内容，可以参见图4下述实施例中的描述。

在一些实施例中，处理器可以将感兴趣区域序列与候选矫正方案的多个矫正画面的标准矫正视线区域进行匹配，获得匹配度。匹配度和预估疲劳度负相关，其中，匹配度基于候选矫正方案的多个矫正画面的预设权重确定。

标准矫正视线区域是指矫正画面中预设的一个或多个区域，预设的一个或多个区域为用户的注视点区域，用户视线处于注视点区域(例如，盯着注视点区域某个位置看)，才能达到较好的矫正效果。

在一些实施例中，标准矫正视线区域可以包含视觉目标，标准矫正视线区域可以是视觉目标按时间节律由远及近或由近及远的寻迹图像区域、由虚化过渡到清晰或由清晰过渡到虚化的变焦图像区域以及平移寻迹图像区域。

在一些实施例中，矫正画面可以预设有一个标准矫正视线区域。通过将用户的感兴趣区域序列与每个候选矫正方案的多个矫正画面的标准矫正视线区域进行匹配(例如，按时间顺序匹配)，根据匹配度来评估用户的预估疲劳度。

匹配度可以是感兴趣区域序列中的感兴趣区域与对应矫正画面中的标准矫正视线区域的相似程度。例如，匹配度相关于感兴趣区域与对应标准矫正视线区域的相似度。

例如，对于历史的某个候选矫正方案(包含5个按顺序的矫正画面A、B、C、D、E)，用户在使用该候选矫正方案进行矫正时，通过采集的视线序列得到的感兴趣区域序列包括：用户看矫正画面A时的感兴趣区域、用户看矫正画面B时的感兴趣区域、...、用户看矫正画面E时的感兴趣区域，则匹配度＝k1*“矫正画面A的标准矫正视线区域与用户看矫正画面A时的感兴趣区域的匹配度”+...+k5*“矫正画面E的标准矫正视线区域与用户看矫正画面E时的感兴趣区域的匹配度”，其中，k1、...、k5是预设权重。在一些实施例中，k1、...、k5可以取同样的值。处理器可以通过哈希值、汉明距离、直方图等计算匹配度。

匹配度与预估疲劳度是负相关的关系。匹配度越低，表示用户眼神越发散，不能跟着矫正画面的要求进行视力矫正，则认为用户对于该候选矫正方案的预估疲劳度较高，难以达到较好的矫正效果。示例性的，可以通过如下公式确定匹配度：

e＝k/m

其中，e为预估疲劳度，m为匹配度，k为预设系数(如，k＝1)。

预设权重是指候选矫正方案中某个感兴趣区域相对于其他感兴趣区域的重要程度。例如，对于某个候选矫正方案，越靠前的矫正画面的感兴趣区域权重越高。在一些实施例中，预设权重的值可以相关于该预设权重对应的感兴趣区域所属矫正画面的出现顺序。例如，在向用户按顺序显示矫正方案中矫正画面时，预设权重对应的感兴趣区域所属矫正画面的出现顺序越靠前(即越先出现)，该预设权重的值可以越大。示例性的，对于上述候选矫正方案(包含5个按顺序的矫正画面A、B、C、D、E)，用户在使用该候选矫正方案进行矫正时，矫正画面A、B、C、D、E按顺序依次向用户显示。因此，上述用于确定匹配度的预设权重k1～k5的取值可以是：k1＞k2＞k3＞k4＞k5。

幼儿注意力较难集中，矫正的时间越长，幼儿的注意力就越容易被分散，因此，排序越靠后出现的矫正画面的匹配度的权重应当相应减小，以忽略掉幼儿注意力较难集中的普遍影响，提高匹配度的准确性。

确定用户的预估疲劳度，提高后续计算预估矫正度进而确定目标矫正方案的准确度；基于视线序列，确定感兴趣区域序列，从而得到候选矫正方案的匹配度，能够全面、准确、直观地表征了用户在矫正过程的视疲劳情况。

本说明书一些实施例提供了一种幼儿近视及弱视的检测预防装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述实施例中任意一项所述的检测预防方法。

本说明书一些实施例提供了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述实施例中任意一项所述的检测预防方法。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (2)

1.一种幼儿近视及弱视的检测预防系统，其特征在于，所述检测预防系统包括：交互模块、头戴式设备和处理器；

所述交互模块用于用户与所述头戴式设备之间的交互；

所述头戴式设备包括显示模块、至少一个可调节透镜、至少一个光束发射器、至少一个光束接收器和至少一个视线追踪模块，所述头戴式设备用于对所述用户进行视力检测和视力矫正中的至少一种，所述光束发射器用于产生光束，并将所述光束发射至所述用户的眼睛，所述光束接收器用于接收从所述用户的眼睛中屈光折射或者反射出的所述光束；

所述处理器与所述交互模块和所述头戴式设备通信连接，所述处理器用于：

发出控制指令，控制所述检测预防系统对所述用户进行视力检测任务和视力矫正任务中的至少一种；

其中，所述视力检测任务包括：通过疲劳度确定模型，确定预估疲劳度；基于所述预估疲劳度，确定优选检测顺序；基于所述优选检测顺序，通过所述显示模块向所述用户显示第一画面；基于所述第一画面，通过所述交互模块接收所述用户的输入，并生成交互反馈数据；通过所述至少一个光束发射器发射光线和所述至少一个光束接收器接收反射后光线，生成检影验光数据，所述检影验光数据包括从用户的眼睛反射或折射到光束接收器的光信号的相关数据；

所述视力矫正任务包括：基于目标矫正方案中的矫正画面集合，依次将所述矫正画面集合中的矫正画面确定为第二画面；通过所述显示模块向所述用户显示所述第二画面，其中，所述第二画面包括用于视力矫正的所述矫正画面；基于所述第二画面，通过所述交互模块接收所述用户的输入；基于所述用户的所述输入，调整所述第二画面；所述目标矫正方案包括所述矫正画面集合中的所述矫正画面的显示特征，所述显示特征至少包括显示顺序以及显示时间；

其中，所述疲劳度确定模型训练时，训练标签的确定包括：通过所述视线追踪模块获取所述用户在进行所述视力矫正任务过程中的视线序列；基于所述视线序列，确定用户的感兴趣区域序列；基于所述感兴趣区域序列，评估每个候选矫正方案的预估疲劳度。

2.根据权利要求1所述的检测预防系统，其特征在于，所述处理器进一步用于：

基于视力检测数据，确定视力基础特征，其中，所述视力检测数据包括所述交互反馈数据和所述检影验光数据；

基于所述视力基础特征，确定视力异常概率分布；

将所述视力基础特征以及所述视力异常概率分布发送至所述显示模块，以向所述用户显示。