CN116670569A

CN116670569A - 基于大数据方法和机器学习的计算眼镜镜片的方法

Info

Publication number: CN116670569A
Application number: CN202180088926.9A
Authority: CN
Inventors: G·艾瑟; A·穆席洛克; H·阿尔特海默; W·贝肯; A·塞德曼; P·肯纳; M·齐默尔曼; L·格罗曼; L·施密德; D·乌腾韦勒; S·特鲁姆
Original assignee: Rodenstock GmbH
Current assignee: Rodenstock GmbH
Priority date: 2020-11-03
Filing date: 2021-11-02
Publication date: 2023-08-29
Also published as: DE102020128958A1; JP2023548196A; DE102020128958B4; EP4241131A1; WO2022096454A1; CL2023001283A1

Abstract

本发明涉及一种用于确定眼睛的生物特征数据的计算机实现的方法以及一种用于考虑所确定的生物特征数据来制造眼镜镜片的相应方法。此外，本发明涉及相应的计算机程序产品和设备。用于确定生物特征数据的方法包括以下步骤：提供用户的个体标准数据，标准数据包括处方数据，处方数据包括用户的至少一只眼睛的远用处方和/或近用处方；基于个体标准数据并使用描述标准数据与附加数据之间的关系的统计模型来计算包括用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据，其中统计模型是使用对具有多个参考数据集的训练数据集的统计分析而导出的，每个参考数据集包括标准数据和与标准数据相关联的附加数据。

Description

基于大数据方法和机器学习的计算眼镜镜片的方法

技术领域

本发明涉及一种用于确定眼睛的生物特征数据的计算机实现的方法以及一种用于制造考虑了所确定的生物特征数据的眼镜镜片的相应方法。此外，本发明涉及相应的计算机程序产品和设备。

背景技术

在计算眼镜镜片、特别是渐进眼镜镜片时，例如如文献US9,910,294B2中所描述的，可以考虑眼镜佩戴者眼睛的生物特征。这些生物特征眼镜镜片具有巨大的优势，因为成像质量不再在顶点球(简单模型的虚拟点)处评估，而是在成像实际发生的地方：眼睛的视网膜上评估。因此，还考虑了在屈光和通过眼睛介质传播期间产生的个体像差之间的相互作用。

然而，这种方法的缺点是需要使用复杂的设备和设备进行大量测量。这导致巨大的努力和高成本。因此，高质量生物特征眼镜镜片的优势仅适用于相对较小比例的视力缺陷患者。

发明内容

本发明的一个目的是广泛利用生物特征的眼镜镜片的优点而没有复杂测量的缺点。

该目的在相应的独立权利要求中通过用于确定眼睛的生物特征数据的计算机实现的方法、相应的设备和相应的计算机程序产品，以及用于制造具有各自的特征的眼镜镜片的方法和相应的设备来实现。

本发明基于令人惊喜的发现，即可以使用作为常规屈光确定的一部分确定的用户眼睛的标准值以足够的准确度和精确度来确定或预测用户的至少一只眼睛的个体生物特征参数。因此，可以计算和制造具有高成像质量和佩戴舒适度的个体生物特征眼镜镜片，而无需为此对附加生物特征数据进行复杂且高成本的测量。

本发明的第一方面涉及一种用于确定用户的至少一只眼睛的个体生物特征参数的计算机实现的方法。该方法包括：

提供所述用户的个体标准数据，所述标准数据包括用户的至少一只眼睛的处方数据；

基于所述个体标准数据并使用描述标准数据和附加数据之间的关系的统计模型来计算包括所述用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据，

其中所述统计模型是使用对具有多个参考数据集的训练数据集的统计分析而导出的，每个所述参考数据集包括标准数据和与所述标准数据相关联的附加数据。

所述方法还可以包括提供描述标准数据和附加数据之间的关系的所述统计模型。

此外，所述方法可以包括提供训练数据集并使用训练数据集的统计分析来导出所述统计模型。导出所述统计模型可以包括，例如，使用所述训练数据集训练原始(未训练的)模型。例如，所述模型可以包括在使用所述训练数据集进行训练期间改变或调整的几个模型参数。

本申请的含义内的术语“提供”包括“指定”、“发送”、“获得”、“读出”、“从存储器、数据库和/或表格检索”、“接收”等。

本申请含义内的术语“确定”还包括“指定”、“计算”、“识别”、“预测”等。

标准数据

标准数据(基本数据)是用户的至少一只眼睛的数据，并且可能还有与眼镜订单有关的其他数据(例如由配镜师或眼科医生记录)。例如，标准数据可以包括通常总是与眼镜订单有关的记录的数据，例如处方数据。标准数据还可以包括通常与眼镜订单有关的选择性地记录或测量的数据，例如用户的至少一只眼睛的高阶像差等。然后可以使用该数据来确定进一步的补充数据(附加数据)。

例如，标准数据可以包括已经用第一测量设备或第一测量方法记录的数据。可以基于该数据计算附加数据，这些数据不能用第一测量设备或用第一测量方法确定或测量。备选地或附加地，附加数据可以包括可以用第一测量设备或第一测量方法确定或测量但质量不足(例如不具有足够准确度、精确度和/或可重复性)的数据。

例如，在确定至少部分标准数据时，可以使用测量设备，该测量设备允许确定用户的至少一只眼睛的部分生物特征参数，以便在计算个体生物特征眼镜镜片时将其考虑在内。使用此测量设备记录的数据随后可用于确定无法使用此测量设备确定的其他个体生物特征参数。例如，第一测量设备可以是像差计，它可以确定眼睛的像差，但不能确定角膜的像差(例如，用地形图仪测量)和/或前房深度(例如，使用沙姆相机进行测量)。基于用像差计记录的眼睛的像差数据，该方法可用于确定进一步的生物特征数据，例如角膜像差和/或前房深度。如果地形图仪和/或沙姆相机可用，则可以使用相应的测量数据来确定眼睛的像差。

如上所述，当数据不仅不能确定或测量时(例如，因为没有合适的测量设备)，而且当相应的数据只能在不良或不足的质量的情况下确定或测量时，也可以使用该方法。例如，标准数据可以包括已经用第一(例如简单的)测量设备或测量方法测量的数据，该测量设备或测量方法提供低质量或不足质量的数据。用第一测量设备或用第一测量方法记录的数据可以用于确定具有更高质量的附加数据。例如，附加数据可以对应于已经记录的数据或者可以用第二更精确的测量设备/测量设备类型或者用第二测量方法测量的数据。

标准数据至少包括处方数据。处方数据包括远用处方(即，在远距离观察时的屈光数据，例如在无限远处)和/或近远用处方(即，在近距离观察时的屈光数据，例如在阅读距离处)。用户的至少一只眼睛的距离规定由参数球体(Sph)、柱体(Cyl)和轴或从中导出的变量组成，例如远用处方的度数矢量的分量M(等效球面)、J0(正视-散光)和J45(斜散光)。近用处方也由用户的至少一只眼睛的变量球体(Sph)、柱体(Cyl)和轴组成，或者由由此导出的变量组成，例如近用处方的度数矢量的分量M、J0和J45。处方数据还例如在渐进镜片和多焦点镜片的情况下可以包括下加光。

例如，可以使用主觉验光来确定远用处方、下加光和/或近用处方。还可以使用客观验光或者使用客观和主觉验光的组合来确定远用处方、下加光和/或近用处方。

主觉验光判定是考虑用户主观感受的视觉印象的验光判定方法。通常，不同的屈光镜片被放置在使用者的前面，当前面的屈光镜片的光学性质改变时，眼镜镜片的使用者通知验光师视觉印象的改善或恶化。

然而，在客观验光的情况下，不考虑用户的反馈。客观验光仅使用设备布置进行，并且还可以记录眼球的屈光特性和几何形状。客观验光可以使用各种设备进行，例如屈光计、像差计、波前扫描仪等。

可选地，标准数据可以至少包括以下参数之一：

瞳孔距离PD；以及

瞳孔直径。

瞳孔距离和瞳孔直径可以使用传统的测量方法来确定。

此外，标准数据可以可选地包括以下数据的至少一部分，该数据是使用第一测量方法或测量设备记录的：

-眼睛的低阶和/或高阶像差，例如球面像差(Sph)、柱面像差(Cyl)、轴像差(或M、J0、J45)、彗差、三叶像差、二次散光、球面像差和/或其他像差；和/或

-角膜的低阶和高阶像差，例如球面像差(Sph)、柱面像差(Cyl)、轴像差(或M、J0、J45)、彗差、三叶像差、二次散光、球面像差和/或其他像差；和/或

-眼睛的物理尺寸，例如前房深度、眼睛长度等；和/或

-眼睛晶状体数据，例如包括眼睛晶状体的低阶像差和高阶像差(例如球面(Sph)、柱面(Cyl)、轴(或M、J0、J45)、慧差、三叶形、二次散光、球面像差和/或其他像差)；和/或眼睛晶状体的结构和/或物理尺寸，例如曲率和/或厚度；和/或

-远视力和近视力时的瞳孔大小和/或中视和明视条件下的瞳孔大小。

此外，标准数据还可以可选地包括以下附加参数：年龄、性别、种族、订购地点、身高、眼压、血液值、既往数据或医疗记录(例如可能是糖尿病)、视网膜图像、眼压值、眼前节数据(房角)和/或旧眼镜镜片的数据。

附加数据

附加数据是用户的至少一只眼睛的生物特征数据，其与眼镜订单相关地确定(例如由配镜师)。附加数据可以是例如通常与眼镜订单相关地可选地(例如由眼镜商)确定的数据。如上所述，附加数据和标准数据可以至少部分地包括相同的参数(例如用户的至少一只眼睛的像差等)，附加数据中包括的参数和标准数据中包括的参数可以使用不同的测量方法或测量设备记录。

例如，附加数据可以包括用像差计、地形仪、沙姆相机、OCT(即光学相干断层扫描仪或光学相干断层扫描方法)、生物计和/或另一测量设备测量的数据，或已经或可以使用另一种客观验光方法记录的。

附加数据可以包括例如用户至少一只眼睛的以下生物特征数据或参数：

-眼睛的物理尺寸，例如前房深度、眼睛长度等；和/或

-眼睛晶状体数据，例如包括眼睛晶状体的低阶像差和高阶像差(例如球面(Sph)、柱面(Cyl)、轴(或M、J0、J45)、彗差、三叶形、二次散光、球面像差和/或其他像差)；和/或眼睛晶状体的结构和/或物理尺寸，例如曲率和/或厚度；和/或

附加数据优选地包括以下数据或参数的至少一部分：眼睛的高阶像差(例如彗形像差、三叶形像差、二次散光、球面像差等)、角膜的低阶像差和高阶像差(球面(Sph)、柱面(Cyl)、轴(或M、J0、J45)、彗差、三叶形、二级散光、球面像差等)、前房深度、远用和近用和/或在中间和明视条件下的瞳孔大小。

参考数据集中的附加数据可以是除了标准数据之外已经为较早订单的生物特征眼镜镜片记录或测量的数据，例如使用像差计、地形测量仪、沙姆相机、OCT、生物特征仪和/或其他测量设备。

基于用户的标准个体数据指定的个体附加数据和使用统计模型确定的附加数据可以但不一定是包括在参考数据集中并用于导出导统计模型的相同类型的附加数据。

统计模型

统计模型可以是使用统计方法从现有数据集(训练数据集)导出的任何统计模型。示例性统计方法是回归(例如线性回归、非线性回归、具有注意机制的非线性回归、非线性多任务回归、非参数或半参数回归等)、分类方法和其他机器学习方法。机器学习算法在Jeremy Watt、Reza Borhani、Aggelos Katsaggelos中有所描述：精炼的机器学习：基础、算法和应用，剑桥大学出版社，2020年。

统计模型接收至少部分个体标准数据和/或从中导出的变量作为输入变量，并使用它们来计算至少部分附加个体生物特征参数或附加数据。统计模型规定的标准数据和附加数据之间的关系可以是线性关系或非线性关系。此外，该关系可以是多参数的。

示例性统计模型是线性或非线性回归模型。例如，神经网络，也包括深度神经网络，可以用作非线性回归模型。也可以使用机器学习领域已知的其他非线性回归模型。回归模型，例如神经网络，可以使用提供的训练数据集进行训练。

统计模型还可以是几种不同类型的统计模型的组合，例如线性回归模型、非线性回归模型(例如神经网络)、分类模型和/或其他统计模型的组合。

从训练数据集导出的统计模型可以存储在合适的存储设备中，例如数据库、计算器、计算云或数据云。用于推导的训练数据集的至少一部分可以与统计模型一起存储。

还可以例如基于新的参考数据集连续地或定期地检查和/或修改从训练数据集导出的统计模型。因此，该方法可以包括修改统计模型。

神经网络作为统计模型

如果统计模型包含神经网络或者如果它由神经网络组成，则神经网络的输入层填充有至少部分标准数据和/或由此计算的辅助变量。输出层输出至少一个附加参数或至少部分附加数据的值。除了输入层和输出层之外，神经网络优选地还可以包含一个或多个隐藏层。

在训练原始的、未经训练的神经网络期间，使用适当的学习算法来改变权重。经过训练的神经网络指定标准数据和附加数据之间的关系。

神经网络的结构(例如层的数量和类型、不同层中神经元的数量和类型、层和神经元彼此链接的方式等)和学习算法可以不同。

训练数据集

描述标准数据和附加数据之间的关系的统计模型是基于具有多个单独数据集(参考数据集)的训练数据集使用统计方法导出的。每个参考数据集可以包括例如使用合适的测量方法确定的特定用户的标准数据和附加数据。训练数据集中的不同参考数据集优选地可以包括多个不同用户(参考用户)的数据(标准数据和附加数据)。

包括在参考数据集中的附加数据可以包括未包括在分配给附加数据的标准数据中的生物特征参数。包括在参考数据集中的附加数据还可以包括生物特征参数，这些生物特征参数包括在分配给附加数据的标准数据中，但是质量较低。例如，标准数据的值和分配给该标准数据的附加数据可以使用不同的测量方法和/或测量设备来记录。

为此，生物特征眼镜镜片的现有订单可用于利用数据集训练神经网络或另一统计模型。在新标准订单的情况下，可以使用训练的统计模型并基于新订单中包括的各个标准参数来计算或预测附加测量数据(附加数据)。因此，可以基于个体标准参数和使用神经网络或其他统计模型由此计算出的附加数据来计算生物特征眼镜镜片。

参考数据集的数量可能会有所不同。例如，可以使用多于10、100、1,000、10,000、100,000或1,000,000个参考数据集。参考数据集优选地覆盖大的、优选地整个范围，稍后可以在该范围内订购眼镜镜片。例如，参考数据集可以覆盖屈光值的范围，例如球体为-20dpt至+20dpt，柱面为-8dpt至+8dpt。

此外，用于确定用户的至少一只眼睛的个体生物特征参数的方法可以包括将个体标准数据和计算出的个体附加数据传输至外部实体，例如眼科镜片的制造商、制造单位、制造设备等。

本发明的第二方面涉及一种眼镜镜片的制造方法，包括：

提供所述用户个体标准数据，所述标准数据包括用户至少一只眼睛的远用处方；

基于所提供的根据上述方面之一的方法的用户的个体标准数据，确定用户的至少一只眼睛的个体生物特征参数；

根据提供的所述个体标准数据和确定的所述个体生物特征参数计算所述眼镜镜片。

例如，眼镜镜片可以使用美国专利No.9,910,294B2中描述的方法或使用另一种已知的方法计算，其中在计算眼镜镜片时考虑个体生物特征参数。

该方法还可以包括制造计算出的眼镜镜片。眼镜镜片可以是单光眼镜镜片、多焦点眼镜镜片或渐进式眼镜镜片。

本发明的第三方面涉及一种用于确定统计模型的计算机实现的方法，所述方法包括：

-提供具有多个参考数据集的训练数据集，每个所述参考数据集包括标准数据和与所述标准数据相关联的附加数据；

-使用所述训练数据集的统计分析推导描述所述标准数据和所述附加数据之间关系的统计模型，

-将所述统计模型存储在存储设备中。

本发明的第四方面涉及一种计算机程序产品，当所述计算机程序产品被加载到计算机的存储器中并在所述存储器上执行时，使得计算机执行根据上述方面之一的方法。

关于上述方法和计算机程序产品，上述优选实施例和上述优点类似地适用。

可以使用相应设计的设备执行根据上述方面之一的方法。

本发明的第五方面涉及一种用于确定用户的至少一只眼睛的个体生物特征参数的设备，所述设备包括被设计成执行上述用于确定个体生物特征参数的方法的计算设备。

所述计算设备可以优选地包括：

标准数据输入接口，用于提供所述用户的个体标准数据，所述标准数据包括用户的至少一只眼睛的处方数据(例如远用处方和/或近用处方以及可能的附加数据)；

附加数据计算设备，用于计算个体附加数据，包括所述用户的至少一只眼睛的至少一个个体生物特征参数，所述计算基于所述个体标准数据并使用统计模型进行，所述统计模型是使用具有多个参考数据集的训练数据集的统计分析，每个所述参考数据集包括标准数据和与所述标准数据相关联的附加数据。

此外，该设备可以包括用于提供统计模型的模型输入接口。例如，统计模型可以存储在诸如数据库、计算器和/或数据或计算器云的设备中。此外，该设备可以提供训练数据集输入接口，用于提供训练数据集；以及模型计算设备，用于使用训练数据集的统计分析推导或计算统计模型。例如，可以通过使用训练数据集训练原始(未训练)模型来导出或计算统计模型。

本发明的第六方面涉及一种眼镜镜片的制造设备，包括：

根据第五方面的用于确定用户的至少一只眼睛的个体生物特征参数的设备；

镜片计算设备，被设计成根据提供的所述个体标准数据和所述计算出的个体生物特征参数来计算所述眼镜镜片。

制造设备还可以包括用于制造计算出的眼镜镜片的制造设备。

上述用于提供、确定、指定或计算数据(例如(个体)标准数据、(个体)附加数据、统计模型、模型参数、权重等)的设备可以通过适当配置或编程的具有适当计算单元、电子接口、存储和数据传输单元的数据处理设备(特别是专用硬件模块、计算机或计算机系统，例如计算机或数据云)来实现。该设备可以进一步包括至少一个优选的交互式图形用户界面(GUI)，允许用户查看和/或输入和/或修改数据。

上述设备还可以具有合适的接口，使数据(例如训练数据集、参考数据集、(个体)标准数据、(个体)附加数据等)能够被传输、输入和/或读出。这些设备还可以包括至少一个存储单元，例如数据库形式的存储单元，其存储所使用的数据。

例如，制造设备可以包括至少一台CNC控制的机器，用于根据确定的优化规范直接加工毛坯。备选地，可以使用铸造工艺来制造眼镜镜片。完成的眼镜镜片可以具有第一简单球面或旋转对称非球面表面和作为单独标准数据和计算的单独附加数据的函数计算的第二单独表面。简单球面或旋转对称非球面可以是眼镜镜片的前表面(即，物体侧表面)。然而，当然可以将单独的表面布置为眼镜镜片的前表面。眼镜镜片的两个表面也可以单独计算。

本发明的另一方面涉及一种根据上述制造方法制造的眼镜镜片。此外，本发明提供了根据上述制造方法制造的眼镜镜片在特定用户眼前的预定平均或理想或个体佩戴位置的用途，用于矫正用户的视觉缺陷。

附图说明

下面将结合附图举例说明本发明的优选实施例。所描述的实施例的各个元件不限于相应的实施例。相反，实施例的元件可以根据需要彼此组合，并且由此可以创建新的实施例。数字示出：

图1是用于确定用户的至少一只眼睛的个体生物特征数据并计算眼镜镜片的示例性方法；

图2示例性参考数据集；

图3示例性线性回归模型；

图4是示例性非线性回归模型；

图5具有注意力机制的示例性非线性回归模型；

图6示例性多任务非线性回归模型；

图7A是角膜的等效球面M[单位Dpt]与瞳孔直径[单位mm]的函数关系；

图7B作为标准数据中包括的主观正散光[单位Dpt]的函数的角膜屈光力矢量的分量J0[以Dpt为单位]；

图7C作为包括在标准数据中的主观斜散光J45[单位Dpt]的函数的角膜屈光度矢量的分量J45[单位Dpt]；

图8A是眼睛长度作为标准数据中包含的主观等效球面M[单位Dpt]的函数；

图8B是前房深度作为标准数据中包含的主观等效球面M[单位Dpt]的函数；

图9为表格形式的用户右眼的不同生物特征附加参数；

图10以表格形式显示用户左眼的不同附加生物特征参数；

图11是使用根据本发明的示例的方法计算的眼镜镜片与不使用生物特征数据或使用由Gullstrand眼睛表示的生物特征标准参数的传统眼镜镜片的眼睛中最大周边散光的差异；

图12是使用根据本发明的示例的方法计算的眼镜镜片的屈光力变化的百分比差异，以及不使用生物特征数据或使用由Gullstrand眼表示的生物特征标准参数的传统眼镜镜片的屈光力变化的百分比差异；

图13是系统眼镜镜片-眼睛的像平面中的散光，该眼镜镜片已使用根据本发明的示例的方法计算出；

图14是示例性统计模型的图形表示；

图15A至15D是针对不同标准参数的角膜形貌的示例性预测；

图16A至16C显示了预测的附加数据(在本例中为眼长)与实际测量数据的偏差。

具体实施方式

图1示出了用于确定用户的至少一只眼睛的个体生物特征参数以及用于基于所确定的个体生物特征参数来计算眼镜镜片的示例性方法。该方法包括以下步骤：

步骤S1：从多个数据集(参考数据集)10创建训练数据集，每个参考数据集包括标准数据12和分配给该标准数据的附加数据14。

图2中示出了示例性参考数据集10。标准数据12包括远用处方(Sph、Cyl、Axis或M、J0、J45)以及双焦点、多焦点和渐进镜片的下加光(Add)。可选地，标准数据还包括瞳孔距离(PD)、瞳孔直径、近用处方(Sph、Cyl、Axis或M、J0、J45)。附加数据14可以包括以下数据集的至少之一，例如：

眼睛的低阶像差和高阶像差；

角膜的低阶像差和高阶像差；

眼睛的参数，例如前房深度、眼睛长度；

瞳孔大小(远视、近视、中视、明视)；

眼镜镜片数据。

为了形成训练数据集，可以使用生物特征眼镜镜片的现有订单，已使用测量方法记录了其附加数据。示例性测量方法是使用像差计、地形仪、沙姆相机、OCT和/或生物计的测量。

步骤S2：借助统计方法从多个参考数据集中导出标准数据和附加数据之间的关系。换句话说，统计模型是基于训练数据集确定的，该训练数据集描述了标准数据和附加数据之间的关系，例如相关性。

统计模型的确定可以包括例如用包括多个参考数据集的训练数据集来训练最初未经训练的神经网络。训练的神经网络可以使用测试数据集进行测试和/或可以使用验证数据集进行验证。测试数据集和验证数据集可以各自包括来自先前订单的多个数据集(参考数据集)，例如图2中所示的多个参考数据集。优选地，测试中包括在测试数据集中的参考数据集既不包含在验证数据集也不包含在训练数据集中。类似地，包括在验证数据集中的参考数据集优选地既不包括在测试数据集中也不包括在训练数据集中。

步骤S3：提供仅包含个体标准数据的个体数据集。个别标准数据可由配镜师记录为用户的个体眼镜订单的一部分。

步骤S4：根据步骤S3提供的个体数据集中包含的个体标准数据，进一步基于步骤S2确定的标准数据与附加数据的关系，计算个体附加数据(附加数据)。例如，可以将个体标准数据输入到步骤S2的训练神经网络。神经网络相应的输出数据可以直接作为个体的附加数据。可以不直接使用神经网络的输出数据，而是首先对该输出数据进行进一步处理(例如合理性检查、平滑、过滤、分类、转换等)。

步骤S5：根据步骤S3提供的个体数据集中包含的个体标准数据，进一步基于步骤S4计算出的个体附加数据，计算个体眼镜镜片。

个体眼镜镜片的计算包括基于个体标准数据和计算出的个体附加数据计算眼镜镜片的至少一个表面。这样计算出的表面可以是眼镜镜片的后表面或前表面。“计算眼镜镜片的至少一个表面”包括计算至少一部分表面或一块表面。换句话说，“计算眼镜镜片的至少一个表面”是指计算至少部分表面或计算整个表面。

与计算出的表面相对的表面可以是简单表面，例如球面、旋转对称面、非球面、复曲面或非曲面。也可以单独计算两个表面。

单独的眼镜镜片可以使用已知的方法来计算，例如使用从文献US 9,910,294 B2已知的方法。

图3至图6示出了各自基于数据集1(训练数据集)进行训练的示例性统计模型2。

图3示出了具有输入层和输出层的示例性线性回归模型。具有K个变量的输出变量f(x)由维度为D(例如D＝26)的多维输入变量x计算得出：

f(x)＝Wx, (1)

其中表示权重矩阵。

图4示出了具有输入层、输出层和多个隐藏层的示例性非线性回归模型。这里，具有k个变量的输出变量f(x)是从维度为D(例如D＝26)的多维输入变量x计算得出的：

f(x)＝σ(W³σ(W²σ(W¹x))), (2)

其中：

σ(a)：表示一个激活函数，

例如σ(a)＝max(a，0)(修正线性单元(ReLU))；以及

以及/>表示权重矩阵。

图5示出了具有注意力机制的示例性非线性回归模型。该模型有一个输入层、一个输出层、几个隐藏层和一个具有“H”注意力头的注意力层。对每个注意力头执行以下操作：

其中：

(0＝1,...H)表示权重矩阵；以及

h(h＝1,...H)表示第h个注意头。

输出f(x)计算如下：

f(x)＝σ(W³σ(W²σ(W¹Attention(x)))), (4)

其中：

σ(a)表示激活函数(例如修正线性单元(ReLU))；

⊙表示元素乘积；

表示各个注意力头的所有输出向量的串联h＝1,...H；以及

以及/>表示权重矩阵。

图6示出了用于处理多个任务(任务1到T)的示例性非线性多任务回归模型。图6中所示的模型基于图5中所示的模型，针对多个任务(任务1到任务T)进行了修改。这里，使用了注意力层中的通用表示。代替权重矩阵单独的权重矩阵/>用于每个个体的任务。在模型的帮助下，几个输出变量f^t(x)，t＝1，...，T是从具有维度D(例如D＝26)的多维输入变量x中计算出来的。输出变量的维度由任务给出，其中各种任务可以具有不同的维度。例如，输出变量f¹可以有维度K₁，输出变量f²可以有维度K₂等。总的来说，所有输出变量的维度是各个输出变量维度的总和/>

图7和图8示出了根据上述方法使用图3所示模型(即使用线性回归)计算出的不同个体生物特征附加参数(即包含在附加数据中的参数)与实际测量的个体附加参数的结果以及根据Gullstrand眼模型的附加参数相比的结果。在图7和图8中，测量值用小圆圈表示。实线示出了使用上述方法统计确定的各个附加参数与相应标准参数(即包含在标准数据中的参数)之间的线性关系。虚线示出根据Gullstrand眼模型的参数值。

图7示出了角膜“M”(等效球镜)“J0”(正散光)和“J45”(斜向散光)的角膜屈光力矢量分量的结果，其中：

图7A示出了角膜的等效球面M[单位Dpt]作为标准数据中包含的瞳孔直径[单位mm]的函数；

图7B示出了角膜的正散光J0[单位Dpt]作为标准数据中包括的主观(Rx)正散光J0[单位Dpt]的函数；以及

图7C示出了角膜的斜散光J45[单位Dpt]作为标准数据中包含的主观(Rx)斜散光J45[单位Dpt]的函数。

图8示出了眼睛长度(图8A)和前房深度(图8B)，每个都作为标准数据中包含的主观(Rx)等效球面M[单位Dpt]的函数。

主观(Rx)球镜当量M、主观(Rx)正散光J0和主观斜散光J45是远用处方的度数矢量的分量，其是使用主觉验光确定的。远用处方是标准数据的一部分。

从图7和图8可以看出，附加生物特征参数角膜球当量M、角膜正散光J0、角膜斜散光J45、眼长和前房角的值采用上述方法确定。前房深度非常接近通过复杂测量方法确定的值。

图9和图10分别以表格形式示出了用户右眼(图9)和左眼(图10)的不同附加生物特征参数，具有以下标准数据：

右眼：

远用处方：

Sph＝-3.00dpt；

Cyl＝-1.75dpt；轴＝173°；

下加光＝0.00dpt；

瞳孔距离PD＝61.7毫米

左眼：

远用处方：

Sph＝-4.50dpt；

Cyl＝-1.00dpt；轴＝179°

下加光＝0.00dpt；

瞳孔距离PD＝61.7毫米

图9和图10中所示表的第1列表示根据Gullstrand眼睛模型的附加生物特征参数的值。第2列指示使用上述方法基于统计模型确定的附加生物特征参数的值。统计模型是如图3所示的线性回归模型，针对多个任务进行了修改。第3列表示实际测量值。使用适合测量眼睛屈光表面之间的距离的“LenStar900”(Haag-Streit)低相干反射计记录测量值。

从图9至图10可以看出，计算出的附加参数很大程度上与实际测量的参数相对应。

图11和图12各自示出了使用根据本发明的示例的方法计算的眼镜镜片(总共813个眼镜镜片)与不使用生物特征模型的传统眼镜镜片的特性的差异。基于生物特征标准参数，例如Gullstrand眼睛所代表的参数。

以Dpt(也称为球面当量)表示的处方平均屈光力(sph+cyl/2)绘制在图11和图12的横坐标上。

使用根据本发明示例的方法计算的具有眼镜镜片的眼睛的最大散光与具有传统眼镜镜片的眼睛的最大散光的差值[单位Dpt]绘制在图11的纵坐标上，其中两种眼镜镜片具有相同的标准参数。

通过根据本发明示例的方法计算的眼镜镜片的屈光力变化与传统眼镜镜片的屈光力变化之间的百分比差异绘制在图12的纵坐标上，其中两种眼镜镜片都具有相同的标准参数。

图13示出了系统眼镜镜片-眼睛的像平面中的散光，两条等散光线之间的距离为0.25Dpt。使用根据本发明的示例性方法针对远用处方(Sph＝0.0Dpt，Ast＝0.0Dpt)和下加光Add＝2.0Dpt来计算眼镜镜片。该眼镜镜片的最大周边散光(Cyl)减少约15％。

从图11至图13可以看出，基于个体附加生物特征参数(附加数据)优化的眼镜镜片具有非常好的光学特性，其中附加数据是使用统计模型基于标准数据计算或预测的。因此不需要对各个附加数据进行复杂且成本密集的测量。

下面将描述用于计算具有图11至图13所示的值的眼镜镜片的示例性方法。

训练数据集包括大约20000个参考数据集。每个参考数据集包括标准数据和与标准数据相关联的附加数据。标准数据包括通过主觉验光获取的用户右眼的处方数据(将远用处方转换为M、J0、J45)。附加数据包括Zernike表示形式的角膜地形和用户右眼的前房深度。训练数据集用于训练线性回归模型，如图3所示的模型。

经过训练的模型能够将角膜地形图的每个Zernike系数c_n，m(x)和前房深度d_CL(x)预测为以下特征的线性回归：

x＝(1，M，J₀，J₄₅，Add，M·J₀，M·J₄₅，M·Add，J₀·J₄₅，J₀·Add，J₄₅·Add)^T (5)

在线性回归模型中，预测的角膜地形Zernike系数c_n，m(x)成立：

对于预测的前房深度d_CL(x)，有：

在等式(6)和(7)中：

表示第i个特征的线性回归的参数，用于预测Zernike系数c_n，m；以及

表示预测前房深度的第i个特征的线性回归的参数。

对于作为特征向量X和瞳孔坐标X_pup，Y_pup的位置的函数的角膜顶点深度Z，有：

z(x，X_pup，Y_pup)＝∑_n，mc_n，m(x)Z_n，m(X_pup，Y_pup)＝∑_ix_i z_i(X_pup，Y_pup)， (8)

其中：

Z_n，m：表示第(m，n)个Zernike多项式；以及

X_pup，Y_pup表示瞳孔坐标。

根据等式(8)的总和项通过训练模型来确定。

图14示出了经过训练的角膜地形图模型的图形表示。如上所述，对于角膜地形图的顶点深度z°来说：

z(x，X_pup，Y_pup)＝∑_ix_i°z_i(X_pup，Y_pup) (10)

在图14中，通过训练模型确定的方程(10)和的项示出为顶点深度图，其中顶点深度等值线以相应特征的μm每单位表示(常数项°M，°J₀，°J₄₅，°Add，°M·J₀，°M·J₄₅，°M·Add,°J₀·J₄₅，°J₀·Add,°J₄₅·Add)以及瞳孔坐标X_pup，Y_pup以mm为单位。

图15A至15D示出了基于具有不同标准参数M(等效球面)、J0、J45和Add的训练模型的角膜地形图的示例性预测。图15A示出了M＝0D、J0＝0D、J45＝0D和Add＝0D的结果(作为等值线图)。图15B示出了M＝0D、J0＝2D、J45＝0D和Add＝0D的结果(作为等值线图)。图15C示出了M＝0D、J0＝0D、J45＝2D和Add＝0D的结果(作为等值线图)。图15D示出了M＝0D、J0＝0D、J45＝0D和Add＝2D的结果(作为等值线图)。瞳孔坐标x_pup，y_pup分别绘制在图15A至15D的横坐标和纵坐标上。具体而言，图15A至15D从左到右分别示出以Dpt为单位的角膜平均屈光度、以μm为单位的角膜顶点深度(角膜地形图)以及角膜顶点深度与角膜地形图中根据等式(10)表示的角膜常数项的偏差(地形偏差)。

图16A至16C示出了预测的附加数据(在这种情况下为眼睛长度)与实际测量的数据的偏差。测量的眼睛长度(以mm为单位)绘制在横坐标上。预测的眼睛长度以mm为单位绘制在纵坐标上。

图16A中所示的预测眼睛长度是根据Gullstrand眼睛模型的眼睛长度。该模型有0个输入参数。预测精度(95％置信区间)为+/-2.4mm。

图16B中所示的预测眼长是使用训练有素的统计模型确定的，其中等效球面作为输入参数。预测精度(95％置信区间)为+/-1.5mm。

图16C中所示的预测眼长是使用训练有素的统计模型确定的，其中球面等效值和瞳孔距离作为输入参数。预测精度(95％置信区间)为+/-1.4mm。

从图16A至图16C可以看出，考虑多个输入参数可以提高预测的准确性。

参考标号列表

1 训练数据集

2 统计模型

10 参考数据集

12 标准数据

14附加数据

S1至S5：方法步骤。

Claims

1.一种用于确定用户的至少一只眼睛的个体生物特征参数的计算机实现的方法，包括：

提供所述用户的个体标准数据(12)，所述标准数据(12)包括处方数据，所述处方数据包括用户的至少一只眼睛的远用处方和/或近用处方；

基于所述个体标准数据(12)并使用描述所述标准数据与附加数据之间的关系的统计模型(2)来计算包括所述用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据(14)，

其中所述统计模型(2)是使用对具有多个参考数据集(10)的训练数据集(1)的统计分析而导出的，每个所述参考数据集(10)包括标准数据和与所述标准数据相关联的附加数据。

2.根据权利要求1所述的方法，还包括：

提供所述训练数据集(1)；以及

使用对所述训练数据集(1)的统计分析来导出所述统计模型(2)，其中导出所述统计模型(2)包括使用所述训练数据集(1)来训练原始模型。

3.根据权利要求1或2所述的方法，其中所述统计模型(2)是线性回归模型、非线性回归模型、非参数或半参数回归模型。

4.根据前述权利要求中任一项所述的方法，其中所述统计模型(2)是已经使用所述训练数据集训练的神经网络。

5.根据前述权利要求中任一项所述的方法，

其中所述标准数据(12)还包括下加光和/或瞳孔距离和/或瞳孔直径。

6.根据前述权利要求中任一项所述的方法，

其中包含在所述参考数据集(10)中的所述附加数据(14)包括未包含在与所述附加数据(14)相关联的所述标准数据(12)中的生物特征参数；和/或

其中包含在所述参考数据集(10)中的所述附加数据(14)包括包含在与所述附加数据(14)相关联的所述标准数据(12)中的生物特征参数，其中所述标准数据(12)的所述值和与所述标准数据相关联的所述附加数据(14)已经利用不同的测量方法和/或测量设备被记录。

7.根据前述权利要求中任一项所述的方法，其中所述处方已使用主觉验光被确定。

8.根据前述权利要求中任一项所述的方法，其中包含在所述参考数据集(10)中的所述附加数据(14)包括已经用像差计、地形图仪、沙姆相机、OCT和/或生物计量器记录的数据。

9.根据前述权利要求中任一项所述的方法，其中所述附加数据(14)包括：

-所述眼睛的低阶和/或高阶像差；和/或

-所述眼睛的前房深度和/或长度；和/或

-角膜的低阶像差和高阶像差；和/或

-眼睛晶状体的低阶像差和/或高阶像差；和/或

-眼睛晶状体的结构和/或眼睛晶状体的曲率和/或眼睛晶状体的厚度；和/或

-所述用户在远视和近视和/或在中视和明视条件下的瞳孔大小。

10.一种眼镜镜片的制造方法，包括：

根据权利要求1至9中任一项所述的方法，基于所提供的所述用户的个体标准数据(12)确定包括所述用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据(14)；

基于所述确定的个体附加数据计算所述眼镜镜片。

11.一种计算机程序产品，当被加载到计算机的存储器中并在所述存储器上执行时，使得所述计算机执行根据权利要求1至10中的任一项所述的方法。

12.一种用于确定用户的至少一只眼睛的个体生物特征参数的设备，所述设备包括被设计成执行根据权利要求1至9中任一项所述的方法的计算设备。

13.一种用于制造眼镜镜片的设备：

根据权利要求12所述的用于确定用户的至少一只眼睛的个体生物特征参数的设备；

镜片计算设备，被设计成用于基于计算出的个体生物特征参数来计算所述眼镜镜片。