CN116580424A - 一种基于神经网络的防近视方法和装置 - Google Patents
一种基于神经网络的防近视方法和装置 Download PDFInfo
- Publication number
- CN116580424A CN116580424A CN202310495128.9A CN202310495128A CN116580424A CN 116580424 A CN116580424 A CN 116580424A CN 202310495128 A CN202310495128 A CN 202310495128A CN 116580424 A CN116580424 A CN 116580424A
- Authority
- CN
- China
- Prior art keywords
- early warning
- head
- sitting posture
- module
- neural network
- 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.)
- Pending
Links
- 230000004379 myopia Effects 0.000 title claims abstract description 49
- 208000001491 myopia Diseases 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 230000002265 prevention Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013500 data storage Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 210000003128 head Anatomy 0.000 description 94
- 230000036544 posture Effects 0.000 description 51
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000029091 Refraction disease Diseases 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000004430 ametropia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 208000014733 refractive error Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Emergency Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及近视预防技术领域,具体为一种基于神经网络的防近视方法和装置;通过设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值,再根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型,最后实时获取人体头部数据,采用基于神经网络的坐姿判定模型获取人体头部偏转角,并获取人体头部与被视物件的距离,再根据防近视规则,判定是否发出预警;本发明将人体头部与被视物件实际距离值、人体头部偏转角相结合,形成两个判定条件,来监控人体的姿态,并在姿态异常时,发出预警,提醒使用者调整头部的姿态,通过坐姿提醒也可以帮助青少年纠正不良坐姿,帮助预防近视。
Description
技术领域
本发明涉及近视预防技术领域,具体为一种基于神经网络的防近视方法和装置。
背景技术
近视是屈光不正的一种,当眼在调节放松状态下,平行光线进入眼内,其聚焦在视网膜之前,这导致视网膜上不能形成清晰像,称为近视眼。
近年来,近视已经成为影响当代儿童身体健康最严重的眼科疾病。儿童近视之后不仅会影响日常的学习,如果不加以防治,还有可能导致眼睛出现病理性病变,更严重还会导致永久性失明。目前众多科研人员对于导致儿童近视的原因进行了深入的研究,发现不良用眼习惯是导致儿童后天近视的主要原因,如果能够对于儿童日常学习时的不良姿态做出监测和提醒,可降低由于不良坐姿导致的近视比例,帮助儿童从小养成健康的用眼习惯。因此,如何有效预防近视已经成为我国近视预防领域亟待解决的重要问题。
因此,本发明提供一种基于神经网络的防近视方法和装置,用于解决上述所提出的相关技术问题。
发明内容
本发明的目的在于提供一种基于神经网络的防近视方法和装置,本发明提供了基于神经网络的防近视方法和装置,将人体头部与被视物件实际距离值、人体头部偏转角相结合,形成两个判定条件,来监控人体的姿态,并在姿态异常时,发出预警,提醒使用者调整头部的姿态,通过坐姿提醒也可以帮助青少年纠正不良坐姿,帮助预防近视。
为实现上述目的,本发明提供如下技术方案:
本发明的第一方面:提供了一种基于神经网络的防近视方法,包括以下步骤:
Ⅰ、设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值;
Ⅱ、根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型;
Ⅲ、实时获取人体头部数据,采用基于神经网络的坐姿判定模型获取人体头部偏转角,并获取人体头部与被视物件的距离,再根据防近视规则,判定是否发出预警。
更进一步的,所述步骤Ⅰ中的第一预警阈值为人体标准坐姿下人体头部距被视物 体间的健康距离阈值。
更进一步的,所述步骤Ⅰ中的第二预警阈值为人体在标准坐姿下,头部晃动的健康偏转角度值。
更进一步的,所述步骤Ⅱ中的根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型的过程如下:
ⅰ、在人体处于标准坐姿状态下,获得人体头部晃动数据,将晃动数据作为训练集,输入神经网络;
ⅱ、训练获取坐姿判定模型,由坐姿判定模型输出头部偏转角。
更进一步的,所述坐姿判定模型输出的头部偏转角的计算公式为:式中,α为人体头部在x轴方向的头部偏转角度,β为人体头部在y轴方向的头部偏转角度,γ为人体头部在z轴方向的头部偏转角度,Rx为人体头部的运动加速度在x轴方向的矢量值,Ry为人体头部的运动加速度在y轴方向的矢量值,Rz为人体头部的运动加速度在z轴方向的矢量值。
更进一步的,所述步骤Ⅲ中的防近视规则包括以下内容:
若人体头部与被视物件实际距离值大于第一预警阈值,且由坐姿判定模型所判定的人体头部偏转角小于第二预警阈值,则不发出预警;
若人体头部与被视物件实际距离值小于第一预警阈值,或由坐姿判定模型所判定的人体头部偏转角大于第二预警阈值,则发出预警。
本发明的第二方面:还提供了一种基于神经网络的防近视装置,包括预警阈值设定模块、数据存储模块、数据获取单元、坐姿判定模型模块和预警判定模块,其中:
所述预警阈值设定模块用于设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值;
所述数据存储模块用于存储所设置的第一预警阈值、第二预警阈值以及所采集的数据,所述数据存储模块与预警阈值设定模块连接;
所述数据获取单元用于采集人体头部与被视物件的距离数据,以及人体头部数据,所述数据获取单元与数据存储模块连接;
所述坐姿判定模型模块基于神经网络来获取人体头部偏转角,所述坐姿判定模型模块与数据获取单元连接;
所述预警判定模块用于判定是否符合预警规则,以及根据判定结果判定是否发出预警信息,所述预警判定模块与数据存储模块、数据获取单元和坐姿判定模型模块均连接。
更进一步的,所述数据获取单元包括距离获取模块和头部数据获取模块,其中:
所述距离获取模块用于采集人体头部与被视物件的距离数据;
所述头部数据获取模块用于采集人体头部数据。
更进一步的,所述距离获取模块与数据存储模块和预警判定模块均连接。
更进一步的,所述头部数据获取模块与数据存储模块、坐姿判定模型模块和预警判定模块均连接。
与现有技术相比,本发明的有益效果是:
本发明提供了基于神经网络的防近视方法和装置,通过设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值,再根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型,最后实时获取人体头部数据,采用基于神经网络的坐姿判定模型获取人体头部偏转角,并获取人体头部与被视物件的距离,再根据防近视规则,判定是否发出预警,本发明将人体头部与被视物件实际距离值、人体头部偏转角相结合,形成两个判定条件,来监控人体的姿态,并在姿态异常时,发出预警,提醒使用者调整头部的姿态,通过坐姿提醒也可以帮助青少年纠正不良坐姿,帮助预防近视。
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为本发明一种基于神经网络的防近视方法的流程图;
图2为本发明一种基于神经网络的防近视装置的示意图;
图3为本发明一种基于神经网络的防近视装置中数据获取单元的示意图;
图中标号说明:
100、预警阈值设定模块;200、数据存储模块;300、数据获取单元;310、距离获取模块;320、头部数据获取模块;400、坐姿判定模型模块;500、预警判定模块;
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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通;对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
如图1所示,本发明提供了一种基于神经网络的防近视方法,包括以下步骤:
Ⅰ、设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值。
其中,第一预警阈值为人体标准坐姿下人体头部距被视物体间的健康距离阈值。
第二预警阈值为人体在标准坐姿下,头部晃动的健康偏转角度值。
在本实施例中,需要说明的是,人体出现近视现象的影响因素主要包括距离被视 物体过近和坐姿不正确,本发明将两个相结合来用于防近视,通过设定第一预警阈值,来控制人体距离被视物体的距离,通过第二预警阈值来对人体的坐姿进行判定,进而来实现防近视纠正的效果。
Ⅱ、根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型。
其中,根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型的过程如下:
ⅰ、在人体处于标准坐姿状态下,获得人体头部晃动数据,将晃动数据作为训练集,输入神经网络;
ⅱ、训练获取坐姿判定模型,由坐姿判定模型输出头部偏转角。
进一步的,坐姿判定模型输出的头部偏转角的计算公式为:
式中,α为人体头部在x轴方向的头部偏转角度,β为人体头部在y轴方向的头部偏转角度,γ为人体头部在z轴方向的头部偏转角度,Rx为人体头部的运动加速度在x轴方向的矢量值,Ry为人体头部的运动加速度在y轴方向的矢量值,Rz为人体头部的运动加速度在z轴方向的矢量值。
在本实施例中,需要说明的是,考虑不同环境造成的差异,如身高,活动情况等外界因素的影响,对于完全正确的坐姿没有一个统一的判断标准,需要根据人体不同的情况进行判定,因此,本发明根据每个使用者的人体标准坐姿数据,来训练获取基于神经网络的坐姿判定模型,进而得到准对性的坐姿判定模型,其可以获取人体低头、左歪头和右歪头等的头部偏转角。
Ⅲ、实时获取人体头部数据,采用基于神经网络的坐姿判定模型获取人体头部偏转角,并获取人体头部与被视物件的距离,再根据防近视规则,判定是否发出预警。
其中,防近视规则包括以下内容:
若人体头部与被视物件实际距离值大于第一预警阈值,且由坐姿判定模型所判定的人体头部偏转角小于第二预警阈值,则不发出预警;
若人体头部与被视物件实际距离值小于第一预警阈值,或由坐姿判定模型所判定的人体头部偏转角大于第二预警阈值,则发出预警。
在本实施例中,需要说明的是,本发明将人体头部与被视物件实际距离值、人体头部偏转角相结合,形成两个判定条件,在两个判定结果均处于警阈值内时,说明人体头部与被视物体的距离合理,且人体头部姿态不会对视力造成伤害,在两个判定结果中的任意一个不在警阈值内时,则说明会出现影响人体眼睛近视的情况发生,则会发出预警。
实施例2
如图2-图3所示,为了实现本发明所提供的基于神经网络的防近视方法,本发明还提供了一种基于神经网络的防近视装置,包括预警阈值设定模块100、数据存储模块200、数据获取单元300、坐姿判定模型模块400和预警判定模块500,其中:
预警阈值设定模块100用于设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值;
数据存储模块200用于存储所设置的第一预警阈值、第二预警阈值以及所采集的数据,数据存储模块200与预警阈值设定模块100连接;
数据获取单元300用于采集人体头部与被视物件的距离数据,以及人体头部数据,数据获取单元300与数据存储模块200连接;
坐姿判定模型模块400基于神经网络来获取人体头部偏转角,坐姿判定模型模块400与数据获取单元300连接;
预警判定模块500用于判定是否符合预警规则,以及根据判定结果判定是否发出预警信息,预警判定模块500与数据存储模块200、数据获取单元300和坐姿判定模型模块400均连接。
其中,数据获取单元300包括距离获取模块310和头部数据获取模块320,其中:
距离获取模块310用于采集人体头部与被视物件的距离数据;
头部数据获取模块320用于采集人体头部数据。
进一步的,距离获取模块310与数据存储模块200和预警判定模块500均连接。
进一步的,头部数据获取模块320与数据存储模块200、坐姿判定模型模块400和预警判定模块500均连接。
在本实施例中,需要说明的是,在使用本装置前,可以通过预警阈值设定模块100,来对第一预警阈值和第二预警阈值进行设置,用于后续的人体头部与被视物件的距离、人体头部偏转角的判定,将第一预警阈值和第二预警阈值存储在数据存储模块200内,由距离获取模块310实时的获取人体头部与被视物件的距离,将其传输给预警判定模块500,预警判定模块500会将采集的人体头部与被视物件的距离与第一预警阈值进行对比,若人体头部与被视物件实际距离值小于第一预警阈值,则会发出预警,提醒使用者调整距离被视物 体的距离,同时,头部数据获取模块320会将采集的人体头部数据传输给坐姿判定模型模块400,坐姿判定模型模块400基于神经网络来获取人体头部偏转角,将该头部偏转角与第二预警阈值进行对比,若大于第二预警阈值,则发出预警,提醒使用者调整头部的角度。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于神经网络的防近视方法,其特征在于:包括以下步骤:
Ⅰ、设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值;
Ⅱ、根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型;
Ⅲ、实时获取人体头部数据,采用基于神经网络的坐姿判定模型获取人体头部偏转角,并获取人体头部与被视物件的距离,再根据防近视规则,判定是否发出预警。
2.根据权利要求1中所述的一种基于神经网络的防近视方法,其特征在于,所述步骤Ⅰ中的第一预警阈值为人体标准坐姿下人体头部距被视物体间的健康距离阈值。
3.根据权利要求1中所述的一种基于神经网络的防近视方法,其特征在于:所述步骤Ⅰ中的第二预警阈值为人体在标准坐姿下,头部晃动的健康偏转角度值。
4.根据权利要求1中所述的一种基于神经网络的防近视方法,其特征在于:所述步骤Ⅱ中的根据人体标准坐姿数据,训练获取基于神经网络的坐姿判定模型的过程如下:
ⅰ、在人体处于标准坐姿状态下,获得人体头部晃动数据,将晃动数据作为训练集,输入神经网络;
ⅱ、训练获取坐姿判定模型,由坐姿判定模型输出头部偏转角。
5.根据权利要求4中所述的一种基于神经网络的防近视方法,其特征在于:所述坐姿判定模型输出的头部偏转角的计算公式为:
式中,α为人体头部在x轴方向的头部偏转角度,β为人体头部在y轴方向的头部偏转角度,γ为人体头部在z轴方向的头部偏转角度,Rx为人体头部的运动加速度在x轴方向的矢量值,Ry为人体头部的运动加速度在y轴方向的矢量值,Rz为人体头部的运动加速度在z轴方向的矢量值。
6.根据权利要求1中所述的一种基于神经网络的防近视方法,其特征在于:所述步骤Ⅲ中的防近视规则包括以下内容:
若人体头部与被视物件实际距离值大于第一预警阈值,且由坐姿判定模型所判定的人体头部偏转角小于第二预警阈值,则不发出预警;
若人体头部与被视物件实际距离值小于第一预警阈值,或由坐姿判定模型所判定的人体头部偏转角大于第二预警阈值,则发出预警。
7.一种基于神经网络的防近视装置,其特征在于,包括预警阈值设定模块(100)、数据存储模块(200)、数据获取单元(300)、坐姿判定模型模块(400)和预警判定模块(500),其中:
所述预警阈值设定模块(100)用于设定人体头部与被视物件距离的第一预警阈值以及人体头部偏转角的第二预警阈值;
所述数据存储模块(200)用于存储所设置的第一预警阈值、第二预警阈值以及所采集的数据,所述数据存储模块(200)与预警阈值设定模块(100)连接;
所述数据获取单元(300)用于采集人体头部与被视物件的距离数据,以及人体头部数据,所述数据获取单元(300)与数据存储模块(200)连接;
所述坐姿判定模型模块(400)基于神经网络来获取人体头部偏转角,所述坐姿判定模型模块(400)与数据获取单元(300)连接;
所述预警判定模块(500)用于判定是否符合预警规则,以及根据判定结果判定是否发出预警信息,所述预警判定模块(500)与数据存储模块(200)、数据获取单元(300)和坐姿判定模型模块(400)均连接。
8.根据权利要求7中所述的一种基于神经网络的防近视装置,其特征在于:所述数据获取单元(300)包括距离获取模块(310)和头部数据获取模块(320),其中:
所述距离获取模块(310)用于采集人体头部与被视物件的距离数据;
所述头部数据获取模块(320)用于采集人体头部数据。
9.根据权利要求8中所述的一种基于神经网络的防近视装置,其特征在于:所述距离获取模块(310)与数据存储模块(200)和预警判定模块(500)均连接。
10.根据权利要求8中所述的一种基于神经网络的防近视装置,其特征在于:所述头部数据获取模块(320)与数据存储模块(200)、坐姿判定模型模块(400)和预警判定模块(500)均连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310495128.9A CN116580424A (zh) | 2023-05-05 | 2023-05-05 | 一种基于神经网络的防近视方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310495128.9A CN116580424A (zh) | 2023-05-05 | 2023-05-05 | 一种基于神经网络的防近视方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116580424A true CN116580424A (zh) | 2023-08-11 |
Family
ID=87538993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310495128.9A Pending CN116580424A (zh) | 2023-05-05 | 2023-05-05 | 一种基于神经网络的防近视方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580424A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021047315A2 (zh) * | 2020-07-20 | 2021-03-18 | 南京智金科技创新服务中心 | 一种人体异常姿态的提示方法及系统 |
WO2021114766A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳市鸿逸达科技有限公司 | 一种基于深度数据的人员行为模式分析方法和系统 |
CN114120357A (zh) * | 2021-10-22 | 2022-03-01 | 中山大学中山眼科中心 | 一种基于神经网络的防近视方法和装置 |
CN114283448A (zh) * | 2021-12-17 | 2022-04-05 | 浙江工业大学 | 一种基于头部姿态估计的儿童坐姿提醒方法和系统 |
CN115240222A (zh) * | 2022-07-13 | 2022-10-25 | 上海应用技术大学 | 一种青少年观看习惯的监测装置及监测方法 |
-
2023
- 2023-05-05 CN CN202310495128.9A patent/CN116580424A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114766A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳市鸿逸达科技有限公司 | 一种基于深度数据的人员行为模式分析方法和系统 |
WO2021047315A2 (zh) * | 2020-07-20 | 2021-03-18 | 南京智金科技创新服务中心 | 一种人体异常姿态的提示方法及系统 |
CN114120357A (zh) * | 2021-10-22 | 2022-03-01 | 中山大学中山眼科中心 | 一种基于神经网络的防近视方法和装置 |
CN114283448A (zh) * | 2021-12-17 | 2022-04-05 | 浙江工业大学 | 一种基于头部姿态估计的儿童坐姿提醒方法和系统 |
CN115240222A (zh) * | 2022-07-13 | 2022-10-25 | 上海应用技术大学 | 一种青少年观看习惯的监测装置及监测方法 |
Non-Patent Citations (2)
Title |
---|
NEIL CHARMAN, W: ""Myopia, posture and the visual environment"", 《OPHTHALMIC AND PHYSIOLOGICAL OPTICS》, vol. 31, 16 March 2011 (2011-03-16), pages 494 - 501 * |
曾星;罗武胜;孙备;鲁琴;刘涛诚;: "基于深度图像的嵌入式人体坐姿检测系统的实现", 计算机测量与控制, no. 09, 25 September 2017 (2017-09-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108371538B (zh) | 一种人眼视觉监测系统及方法 | |
US11450144B2 (en) | Devices having system for reducing the impact of near distance viewing on myopia onset and/or myopia progression | |
CN109512380A (zh) | 基于波前传感技术制作全视网膜屈光地形图的方法 | |
CN107562213A (zh) | 视疲劳状态的检测方法、装置以及头戴式可视设备 | |
US20140085608A1 (en) | System and method for real time monitoring and dynamic treatment of oculomotor conditions | |
US20210307654A1 (en) | Vestibular Testing Apparatus | |
Wann et al. | Measurement of visual aftereffects following virtual environment exposure | |
CN107066089A (zh) | 一种基于计算机视觉技术的手机用眼姿势保护方法 | |
CN114052654A (zh) | 动态眼睛健康管理系统 | |
CN112183160A (zh) | 视线估计方法及装置 | |
WO2017123086A1 (en) | Method, system and computer readable medium to determine a strabismus angle between the eyes of an individual | |
CN209301108U (zh) | 一种人眼视觉监测系统 | |
US20220273211A1 (en) | Fatigue evaluation system and fatigue evaluation device | |
CN116580424A (zh) | 一种基于神经网络的防近视方法和装置 | |
CN107103736A (zh) | 一种智能式读写坐姿矫正装置 | |
CN110049710B (zh) | 用于测量屈光的方法和系统、用于眼科镜片的光学设计的方法以及包括这种眼科镜片的眼镜 | |
CN106931923A (zh) | 视力保护芯片 | |
Ohno et al. | Simple-to-calibrate gaze tracking method | |
JP2022056820A (ja) | 視覚挙動の測定方法および判定方法、累進屈折力レンズの設計方法および製造方法、視覚挙動の測定システム、および累進屈折力レンズの設計システム | |
CN118116062A (zh) | 用眼信息获取、用眼习惯确定方法及装置、可穿戴设备 | |
CN116166121A (zh) | 基于双目立体视觉的眼球追踪方法、装置、设备及介质 | |
CN116370278A (zh) | 基于双目视觉训练头戴式vr视力提升装置、系统及方法 | |
CN112587083A (zh) | 视觉处理方法、装置及计算机存储介质 | |
CN114299600A (zh) | 一种视功能检查、训练中的智能反馈方法 | |
CN116225219A (zh) | 一种基于多组合双目立体视觉的眼球追踪方法及相关装置 |
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 |