CN117059269B - 一种基于深度学习的青少年近视预测方法及模型 - Google Patents
一种基于深度学习的青少年近视预测方法及模型 Download PDFInfo
- Publication number
- CN117059269B CN117059269B CN202311001209.5A CN202311001209A CN117059269B CN 117059269 B CN117059269 B CN 117059269B CN 202311001209 A CN202311001209 A CN 202311001209A CN 117059269 B CN117059269 B CN 117059269B
- Authority
- CN
- China
- Prior art keywords
- myopia
- prediction
- prediction method
- deep learning
- screening
- 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.)
- Active
Links
- 230000004379 myopia Effects 0.000 title claims abstract description 51
- 208000001491 myopia Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 230000000366 juvenile effect Effects 0.000 title claims description 18
- 238000012216 screening Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 24
- 230000004438 eyesight Effects 0.000 claims description 14
- 239000011521 glass Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 6
- 230000001788 irregular Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004515 progressive myopia Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004402 high myopia Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ophthalmology & Optometry (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Surgery (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于深度学习的青少年近视预测方法及模型，涉及计算机技术领域。其中，该预测方法能够掌握不规则采样时间序列中的动态关系，同时充分考虑样本自身属性的影响，实现了基于不定长青少年近视筛查历史记录对未来等效球镜(SE)的定量预测；该模型能够对输入的不同长度、任意时间间隔的历史数据进行预测，且对于预测结果的平均误差绝对值相对于真实值偏差极小，具有较高的预测准确率。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于深度学习的青少年近视预测方法及模型。
背景技术
近视是全球性的公共卫生问题。作为一种目前难以完全治愈的疾病，预防近视的发作和进展至关重要。对未来视力变化的准确预测可以帮助具有近视风险的青少年进行早期干预，以延迟近视发病或减缓近视进展。近年来，近视预测引起了人们的广泛关注，已有许多研究人员开发了各自的预测模型来预测不同人群的近视或高度近视风险。以往的大多数研究利用线性回归或逻辑回归，也有采用svm、决策树等传统机器学习(MachineLearning)模型来处理更复杂的数据集。然而，面对大量且复杂的数据时，深度学习方法往往具有更高的准确性。深度学习方法可以训练具有复杂非线性的参数来学习数据结构，并在许多医学预测任务中达到了最先进的水平。目前少有深度学习在近视预测领域的应用。有研究表明近视的历史进展与未来视力变化有关，同时，疾病的时间动态可以提供比静态症状观察更多的信息。
然而，同一样本不同次近视筛查记录间具有时间间隔分布不均的问题，给时间特征的提取造成了极大困难，主要包括以下缺点：
1、现有技术多为自回归预测模型(仅用历史等效球镜预测未来等效球镜)；
2、现有技术未充分考虑相邻历史数据间采样时间间隔不同对预测结果带来的影响(将历史数据视为相同频率采样结果)。因此现有技术在进行多步预测(预测未来多个时刻)时会产生误差积累(如：预测t+2时刻的值时需要先预测t+1时刻的值，然后将t+1时刻的值也作为输入预测t+2时刻的值)；
3、现有技术多为通过固定长度历史数据序列对未来等效球镜进行预测(如：仅可通过两次记录预测未来的等效球镜值)。
发明内容
本发明的第一目的在于提供一种基于深度学习的青少年近视预测方法，该方法能够掌握不规则采样时间序列中的动态关系，同时充分考虑样本自身属性的影响，实现了基于不定长青少年近视筛查历史记录对未来等效球镜(SE)的定量预测。
本发明的第二目的在于提供一种基于深度学习的青少年近视预测模型，该模型能够对输入的历史数据进行预测，且对于预测结果的平均误差绝对值相对于真实值偏差极小，具有较高的预测准确率。
本发明是这样实现的：
首先，本发明提供了一种基于深度学习的青少年近视预测方法，S1、将采集到的多个样本近视筛查记录依次进行one-hot编码和标准化处理，近视筛查记录包括筛查日期、学段、性别、年龄、矫正方式、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜，以性别和年龄作为状态信息，以筛查日期、学段、矫正方式、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜作为历史记录；每个样本包括不同时期的1-6条近视筛查记录；S2、将同一样本的多条近视筛查记录重新进行排列组合以进行数据增强，以同一样本不同时间间隔的状态信息、历史记录和数据标签作为训练数据，数据标签为历史记录最后一个时间点的等效球镜；S3、将历史记录、状态信息和时间间隔数据以序列长度进行分层后，将训练集、测试集和验证集按比例进行数据集划分；S4、构建预测模型并对预测模型进行训练，得到训练好的模型；S5、以当前记录xt、xt与前一记录xt+1之间的时间间隔Δt+1和t时刻样本的状态信息st为输入信息，输出得到细胞状态Ct和当前状态ht后，将细胞状态Ct和当前状态ht继续进入下一循环，直至输出最后一个时刻的细胞状态C终和h终，最后将当前状态h终经两层全连接层处理后得到预测结果。
进一步地，上述同一样本相邻两次近视筛查记录的间隔时间为一个月至两年半。
进一步地，上述性别和矫正方式经过one-hot编码，筛查日期、学段、年龄、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜经过标准化处理。
进一步地，上述标准化处理后的样本均值为0，方差为1。
进一步地，上述S3中，按比例划分为80％训练集、10％验证集和10％测试集。
进一步地，上述S4中，以均方误差作为预测模型训练的损失函数，均方误差的公式如式(I)所示：
其中yi为真实值，为预测值，m为样本数。
进一步地，上述S4中，以平均绝对误差对预测模型的预测效果进行评估，平均绝对误差的公式如式(II)所示：
其中yi为真实值，为预测值，m为样本数。
进一步地，上述基于深度学习的青少年近视预测方法采用Adam优化方法对预测模型进行训练。
另外，本发明还提供了一种基于深度学习的青少年近视预测方法的预测模型，其包括对当前记录xt、xt与前一记录xt-1之间的时间间隔Δt+1和t时刻样本的状态信息st进行输入的输入模块、多个线性叠加模块和改进模块，输入模块分别与多个线性叠加模块连接，多个线性叠加模块均分别与改进模块连接。其中改进模块为对LSTM模块的改进。
相对于现有技术，本发明至少具有如下优点或有益效果：
本发明提供了一种基于深度学习的青少年近视预测方法及模型，其通过对LSTM算法(深度学习中经典循环神经网络的一种)的改进，提出一种新的模型结构，充分考虑相邻历史数据间采样时间间隔不同对预测结果带来的影响，和样本状态信息对于预测结果的影响(即年龄、性别等样本自身属性)，最终实现通过不定长历史视力筛查记录对未来任意时刻等效球镜值的预测。当前模型可实现使用最少一条筛查记录，对未来两年半的等效球镜进行预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例的模型结构示意图；
图2为本发明实施例的整体算法流程图；
图3为本发明实施例的训练过程的损失变化的折线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“内”、“外”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，或者是该发明产品使用时惯常摆放的方位或位置关系，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”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，“若干个”代表至少2个。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，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，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例
请参照图1-3，图1所示为本发明实施例的模型结构示意图；图2所示为本发明实施例的整体算法流程图，图3所示为本发明实施例的训练过程的损失变化的折线图。
1、数据采集：
本研究数据集来源于2019年10月至2022年3月期间，不定期青少年进校视力筛查方式采集的37,586名6-20岁学龄青少年共232,244条视力筛查记录。其中每个样本包含不同时期的1-6条筛查记录，同一样本相邻两次筛查记录间隔时间从一个月到两年半不等。所采集数据包含：筛查日期，学段，性别，年龄，矫正方式，裸眼视力(UCVA)，球镜，柱镜，轴向，曲率k1，曲率k2，眼轴，是否近视，近视程度，等效球镜(SE)。
入选标准：6-20岁的公立小学、初中及高中在校学生，其中6-12岁主要为小学生，13-15主要为初中生，16-18岁主要为高中生。排除标准：未获得父母或其监护人同意的学生，因智力或身体原因无法配合检查或检查未完成的学生，数据异常项。遵循标准临床方案来执行如下检查：远视力检查，裂隙灯显微镜检查，屈光检查，轴向眼长测量。
2、数据预处理：
首先，对于数据集中的无序分类特征进行one-hot编码，以排除原有顺序编码对无序分类特征各类别间的干扰。one-hot编码是针对无序分类特征(例如矫正方式和性别)的一种编码方式。对于性别，可能的one-hot编码为：男性：(1，0)和女性：(0，1)。编码后的性别和年龄数据作为状态信息，其余数据作为历史记录。其次对所有特征进行标准化处理，以减小神经网络模型学习参数大小，加快模型收敛速度。标准化将样本均值重新缩放为0，而方差放缩为1。
3、数据增强：
为增加训练数据量，将同一个样本的多条筛查记录重新进行排列组合。如现有一个样本(一个学生)依次包含(a,b,c,d)4条筛查记录，经过数据增强后将生成11条训练数据。如表1所示(input data：输入数据，即除id和筛查日期外的一条或多条筛查记录；label：数据标签，即输入数据包含的筛查记录之后某一次的SE；time interval：时间间隔，[ac]表示筛查记录a和c之间的时间间隔，单位为季度)。
表1
经数据增强后数据量由原有的232,244增加为490,420。
4、数据集划分
将历史记录、状态信息和时间间隔数据以序列长度进行分层后，以80％训练集，10％验证集，10％测试集的比例进行数据集划分。
5、模型构建
所改进的预测模型的结构如图1所示，根据图1结果所示，改进后的预测模型每个单元的输入为当前记录xt、xt与前一记录xt+1之间的时间间隔Δt+1和t时刻样本的状态信息st。输出为当前状态ht和细胞状态Ct。将最后一个步长的输出再经两层全连接层得到最终预测结果。在进行视力预测时，改变最后一个时间间隔的值即可实现对未来任意时刻视力的预测。
6、模型训练
a、评价指标
以均方误差(Mean Square Error，MSE)作为预测模型训练的损失函数(判断模型训练得好不好的标准)。MSE是反映估计量与被估计量之间差异程度的一种度量。MSE的取值范围为[0,+∞)，函数曲线光滑、连续，处处可导，便于使用梯度下降算法。随着误差的减小，梯度也在减小，有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。
其中yi为真实值，为预测值，m为样本数。
其中训练过程的损失变化的折线图如图3所示，其中训练集损失和验证集损失随着训练轮次的增加，二者的MSE逐渐收敛到最小值。
通过平均绝对误差(MeanAbsolute Error，MAE)对模型预测效果进行评估(判断预测效果好不好的标准)。MAE指各次测量值绝对偏差绝对值的平均值。范围[0,+∞)，当预测值和真实值的差距越小，则模型越好。相较于MSE，MAE不存在平方操作，在模型误差评估方面更符合人类直觉。
其中yi为真实值，为预测值，m为样本数。
其最终所得结果如表2所示：
表2模型在测试集上SE的平均绝对误差(MAE)
表2中带*数据为测试样本数量小于100的数据，表示数据代表性有限。
b、训练过程
采用Adam优化方法(神经网络的一种训练方法)对预测模型进行训练，390轮迭代之后，模型趋近收敛(验证集误差不再降低)。保存此时神经网络学习到的参数，用于以后预测。
7、近视预测应用
训练好的模型可基于一条或多条筛查记录对未来SE进行预测，最长可预测未来两年半的SE，在测试集上SE平均误差绝对值为0.122。
综上，本发明的实施例提供了一种基于深度学习的青少年近视预测方法及模型，通过对LSTM算法(深度学习中经典循环神经网络的一种)的改进，提出一种新的模型结构，充分考虑相邻历史数据间采样时间间隔不同对预测结果带来的影响，和样本状态信息对于预测结果的影响(即年龄、性别等样本自身属性)，最终实现通过不定长历史视力筛查记录对未来任意时刻等效球镜值的预测。当前模型可实现使用最少一条筛查记录，对未来两年半的等效球镜进行预测。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的青少年近视预测方法，其特征在于，包括如下步骤：
S1、将采集到的多个样本近视筛查记录依次进行one-hot编码和标准化处理，所述近视筛查记录包括筛查日期、学段、性别、年龄、矫正方式、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜，以性别和年龄作为状态信息，以筛查日期、学段、矫正方式、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜作为历史记录；每个所述样本包括不同时期的1-6条近视筛查记录；
S2、将同一样本的多条近视筛查记录重新进行排列组合以进行数据增强，以同一样本不同时间间隔的状态信息、历史记录和数据标签作为训练数据，所述数据标签为所述历史记录最后一个时间点的等效球镜；
S3、将历史记录、状态信息和时间间隔数据以序列长度进行分层后，将训练集、测试集和验证集按比例进行数据集划分；
S4、构建预测模型并对所述预测模型进行训练，得到训练好的模型；
S5、以当前记录xt、xt与前一记录xt+1之间的时间间隔Δt+1和t时刻样本的状态信息st为输入信息，输出得到细胞状态Ct和当前状态ht后，将细胞状态Ct和当前状态ht继续进入下一循环，直至输出最后一个时刻的细胞状态C终和h终，最后将当前状态h终经两层全连接层处理后得到预测结果。
2.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，同一样本相邻两次近视筛查记录的间隔时间为一个月至两年半。
3.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，所述性别和所述矫正方式经过所述one-hot编码，所述筛查日期、学段、年龄、裸眼视力、球镜、柱镜、轴向、曲率k1、曲率k2、眼轴、是否近视、近视程度和等效球镜经过所述标准化处理。
4.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，所述标准化处理后的样本均值为0，方差为1。
5.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，所述S3中，按比例划分为80％训练集、10％验证集和10％测试集。
6.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，所述S4中，以均方误差作为所述预测模型训练的损失函数，所述均方误差的公式如式(I)所示：
其中yi为真实值，为预测值，m为样本数。
7.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，所述S4中，以平均绝对误差对所述预测模型的预测效果进行评估，所述平均绝对误差的公式如式(II)所示：
其中yi为真实值，为预测值，m为样本数。
8.根据权利要求1所述的基于深度学习的青少年近视预测方法，其特征在于，采用Adam优化方法对所述预测模型进行训练。
9.一种基于权利要求1-8任意一项所述的基于深度学习的青少年近视预测方法的预测模型，其特征在于，包括对当前记录xt、xt与前一记录xt+1之间的时间间隔Δt+1和t时刻样本的状态信息st进行输入的输入模块、多个线性叠加模块和改进模块，所述输入模块分别与多个所述线性叠加模块连接，多个所述线性叠加模块均分别与所述改进模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311001209.5A CN117059269B (zh) | 2023-08-10 | 2023-08-10 | 一种基于深度学习的青少年近视预测方法及模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311001209.5A CN117059269B (zh) | 2023-08-10 | 2023-08-10 | 一种基于深度学习的青少年近视预测方法及模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117059269A CN117059269A (zh) | 2023-11-14 |
| CN117059269B true CN117059269B (zh) | 2024-04-26 |
Family
ID=88668555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311001209.5A Active CN117059269B (zh) | 2023-08-10 | 2023-08-10 | 一种基于深度学习的青少年近视预测方法及模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117059269B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789984A (zh) * | 2023-12-27 | 2024-03-29 | 成都伞下云瞳数据科技有限公司 | 基于多维数据的视力风险预测方法、系统、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN109754885A (zh) * | 2019-03-18 | 2019-05-14 | 杭州镜之镜科技有限公司 | 近视预测系统及方法 |
| CN110968272A (zh) * | 2019-12-16 | 2020-04-07 | 华中科技大学 | 基于时间序列预测的海量小文件存储性能优化方法及系统 |
| CN110993100A (zh) * | 2019-11-06 | 2020-04-10 | 北京理工大学 | 一种青少年儿童近视预测系统的缺失值填补方法及使用该方法的系统 |
| KR20200077085A (ko) * | 2018-12-20 | 2020-06-30 | 사회복지법인 삼성생명공익재단 | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 |
| CN112289446A (zh) * | 2020-10-29 | 2021-01-29 | 美视(杭州)人工智能科技有限公司 | 一种预测青少年近视的计算机系统 |
| CN114078596A (zh) * | 2020-08-17 | 2022-02-22 | 上海市静安区市北医院 | 一种儿童青少年近视预测系统、方法及机器人 |
| CN115223714A (zh) * | 2022-07-04 | 2022-10-21 | 何鲜桂 | 一种基于新型视觉健康档案的近视预测方法 |
| CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
-
2023
- 2023-08-10 CN CN202311001209.5A patent/CN117059269B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| KR20200077085A (ko) * | 2018-12-20 | 2020-06-30 | 사회복지법인 삼성생명공익재단 | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 |
| CN109754885A (zh) * | 2019-03-18 | 2019-05-14 | 杭州镜之镜科技有限公司 | 近视预测系统及方法 |
| CN110993100A (zh) * | 2019-11-06 | 2020-04-10 | 北京理工大学 | 一种青少年儿童近视预测系统的缺失值填补方法及使用该方法的系统 |
| CN110968272A (zh) * | 2019-12-16 | 2020-04-07 | 华中科技大学 | 基于时间序列预测的海量小文件存储性能优化方法及系统 |
| CN114078596A (zh) * | 2020-08-17 | 2022-02-22 | 上海市静安区市北医院 | 一种儿童青少年近视预测系统、方法及机器人 |
| CN112289446A (zh) * | 2020-10-29 | 2021-01-29 | 美视(杭州)人工智能科技有限公司 | 一种预测青少年近视的计算机系统 |
| CN115223714A (zh) * | 2022-07-04 | 2022-10-21 | 何鲜桂 | 一种基于新型视觉健康档案的近视预测方法 |
| CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于LSTM网络的时间多尺度电采暖负荷预测;李香龙; 马龙飞; 赵向阳; 朱洁; 徐振华;电力系统及其自动化学报;20200526;第33卷(第04期);71-75 * |
| 基于服务负载的时序QoS预测;张红霞;武梦德;王登岳;董琰;高增海;计算机系统应用;20230721;第32卷(第11期);286-293 * |
| 基于自适应时间戳与多尺度特征提取的轨迹下一足迹预测模型;李艾玲，张凤荔，高强，王瑞锦;计算机科学;20211115;第48卷(第S2期);191-197 * |
| 武汉市儿童青少年屈光状态与眼轴/角膜曲率的相关性;赵原原;龚洁;鲁本麟;许文龙;李芳;杨莉华;吕美霞;徐婷;严菁;;中国学校卫生;20180224(第02期);260-262 * |
| 监测采样间隔对土壤墒情预测模型性能的影响;张武;洪汛;李蒙;宋一帆;金秀;;甘肃农业大学学报;20200215(第01期);221-228 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117059269A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Driver fatigue detection based on eye state recognition | |
| CN107516110B (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
| CN117059269B (zh) | 一种基于深度学习的青少年近视预测方法及模型 | |
| Shih et al. | Grey number prediction using the grey modification model with progression technique | |
| Esteban et al. | Predicting the co-evolution of event and knowledge graphs | |
| CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| Bartolucci et al. | An overview of latent Markov models for longitudinal categorical data | |
| CN115295153B (zh) | 基于深度学习的认知评估方法及认知任务推送方法 | |
| CN112700858A (zh) | 一种儿童青少年近视预警方法及设备 | |
| CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
| CN112289446A (zh) | 一种预测青少年近视的计算机系统 | |
| CN115131131A (zh) | 面向不平衡数据集多阶段集成模型的信用风险评估方法 | |
| CN117612703A (zh) | 一种基于医学检验指标的糖尿病视网膜病变分类方法 | |
| Kasemthaweesab et al. | Association analysis of diabetes mellitus (DM) with complication states based on association rules | |
| CN112185564B (zh) | 一种基于结构化电子病历的眼科疾病预测方法和存储设备 | |
| Tuerlinckx et al. | Models for polytomous data | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| WO2023195919A2 (en) | Method for predicting risk of developing myopia | |
| CN115527673A (zh) | 一种基于大数据的心理健康风险筛查系统及其方法 | |
| CN115472264A (zh) | 一种非接触式的心理状态预测方法 | |
| Scheiblechner | Nonparametric IRT: Testing the bi-isotonicity of isotonic probabilistic models (ISOP) | |
| Wang et al. | Research on early warning model of college students’ psychological crisis based on genetic BP neural network | |
| Pandey et al. | Mental Health Prediction for Juvenile Using Machine Learning Techniques | |
| Falissard et al. | A deep artificial neural network based model for underlying cause of death prediction from death certificates |
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 |