CN117095821A - 一种近视风险等级的预测方法、装置、电子设备及介质 - Google Patents

Abstract

本申请提供了一种近视风险等级的预测方法、装置、电子设备及介质，涉及数据处理技术领域，该方法包括：获取近视风险数据；针对每个用眼风险项，对用眼风险数据进行统计获得多个风险统计数据；利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得风险预测模型；利用风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据模型参数值及风险预测值，确定单项近视风险等级；将多个单项近视风险等级组合在一起获得近视风险标识组，根据近视风险标识组预测下一时间周期的近视风险等级。通过采用上述近视风险等级的预测方法、装置、电子设备及介质，解决了无法有效地预测近视风险的问题。

Description

一种近视风险等级的预测方法、装置、电子设备及介质

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种近视风险等级的预测方法、装置、电子设备及介质。

背景技术

电子设备已经成为人们生活和工作中必不可少的一部分，手机、平板电脑、电视等各种电子设备的使用频率非常高，尤其是在青少年中更加普遍。这些电子设备的广泛应用为我们的生活带来了诸多便利，但同时也带来了许多健康问题，尤其是眼部健康问题。

目前，随着电子设备的使用频率的不断增加，近视发生率也在不断飙升，如何准确地了解用户的视觉状况、评估眼部健康状况和预测近视风险就变得尤为重要。然而，现有技术中尚未建立起有效预测近视风险的方法。

发明内容

有鉴于此，本申请的目的在于提供一种近视风险等级的预测方法、装置、电子设备及介质，以解决无法有效地预测近视风险的问题。

第一方面，本申请实施例提供了一种近视风险等级的预测方法，包括：

获取待评测用户的近视风险数据，近视风险数据包括不同用眼风险项对应的用眼风险数据；

针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据，每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长；

将该用眼风险项作为因变量，将历史时间周期作为自变量，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型；

利用风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级；

将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据近视风险标识组预测待评测用户在下一时间周期内的近视风险等级。

可选地，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型，包括：选取距离当前时刻最远的历史时间周期作为基准周期，将基准周期对应的自变量的取值设置为0；针对除基准周期外的每个其他历史时间周期，根据该其他历史时间周期与基准周期之间的间隔长度，确定该其他历史时间周期对应的自变量的取值；将多个风险统计数据作为因变量的取值；根据因变量的取值及自变量的取值，对因变量与自变量之间的关系进行拟合获得风险预测模型。

可选地，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级，包括：计算模型参数值与模型参数阈值的第一差值及风险预测值与风险阈值的第二差值；根据第一差值所在的参数等级区间及第二差值所在的健康值等级区间，确定单项近视风险等级。

可选地，获取待评测用户的近视风险数据，包括：获取待评测用户的历史观测数据，历史观测数据是待评测用户使用电子设备时的用屏用眼数据；按照预设的时间周期长度，将处于同一历史时间周期内的历史观测数据聚合在一起，获得不同历史时间周期对应的区间观测数据；对不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据。

可选地，对不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据，包括：针对每个区间观测数据，确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，第一清洗规则用于清洗电子设备的使用时长较短的历史时间周期对应的数据，第二清洗规则用于清洗电子设备发生剧烈晃动的历史时间周期对应的数据；若符合第一清洗规则和/或符合第二清洗规则，则将该区间观测数据清洗掉，将未被清洗掉的区间观测数据作为近视风险数据。

可选地，区间观测数据包括电子设备的摆放角度；确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，包括：确定该区间观测数据中的数据条数是否小于设定条数；若小于设定条数，则确定该区间观测数据符合第一清洗规则；按照摆放角度从小到大的顺序，对该区间观测数据中的多条数据进行排序，选取处于十分位的摆放角度及处于九十分位的摆放角度作为两个目标摆放角度；确定两个目标摆放角度的差值的绝对值是否大于设定角度；若大于设定角度，则确定该区间观测数据符合第二清洗规则。

可选地，在获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据之后，还包括：从该用眼风险项对应的多个风险统计数据中选取距离当前时间周期最近的设定数量的风险统计数据作为目标风险统计数据；利用目标风险统计数据及目标风险统计数据对应的不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型。

第二方面，本申请实施例还提供了一种近视风险等级的预测装置，所述装置包括：

风险数据获取模块，用于获取待评测用户的近视风险数据，近视风险数据包括不同用眼风险项对应的用眼风险数据；

比例数据统计模块，用于针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据，每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长；

模型拟合模块，用于将该用眼风险项作为因变量，将历史时间周期作为自变量，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型；

单项风险确定模块，用于利用风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级；

风险等级确定模块，用于将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据近视风险标识组预测待评测用户在下一时间周期内的近视风险等级。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的近视风险等级的预测方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的近视风险等级的预测方法的步骤。

本申请实施例带来了以下有益效果：

本申请实施例提供的一种近视风险等级的预测方法、装置、电子设备及介质，能够从用眼风险数据中统计出不同历史时间周期内各不良用眼行为的占比数据，利用该不良用眼行为的占比数据进行模型拟合构建对应的风险预测模型，利用每个用眼风险项对应的风险预测模型能够对下一时间周期的各用眼风险项的近视风险进行预测，并根据预测值及模型参数值确定近视风险等级，与现有技术中的近视风险等级的预测方法相比，解决了无法有效地预测近视风险的问题。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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示出了本申请实施例所提供的近视风险等级的预测方法的流程图；

图2示出了本申请实施例所提供的近视风险等级的预测装置的结构示意图；

图3示出了本申请实施例所提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

值得注意的是，在本申请提出之前，电子设备已经成为人们生活和工作中必不可少的一部分，手机、平板电脑、电视等各种电子设备的使用频率非常高，尤其是在青少年中更加普遍。这些电子设备的广泛应用为我们的生活带来了诸多便利，但同时也带来了许多健康问题，尤其是眼部健康问题。目前，随着电子设备的使用频率的不断增加，近视发生率也在不断飙升，如何准确地了解用户的视觉状况、评估眼部健康状况和预测近视风险就变得尤为重要。然而，现有技术中尚未建立起有效预测近视风险的方法。

基于此，本申请实施例提供了一种近视风险等级的预测方法，以提高预测近视风险的准确性。

请参阅图1，图1为本申请实施例所提供的一种近视风险等级的预测方法的流程图。如图1所示，本申请实施例提供的近视风险等级的预测方法，包括：

步骤S101，获取待评测用户的近视风险数据。

该步骤中，近视风险数据可指用于近视风险预测的历史数据，近视风险数据是待评测用户使用电子设备所产生的数据。

近视风险数据包括不同用眼风险项对应的用眼风险数据。

用眼风险项可指使用电子设备时，产生近视风险的项目，用眼风险项包括但不限于：不良距离风险项、不良姿态风险项、不良光线风险项、眯眼时长风险项及疲劳时长风险项。

不良距离风险项可指不良的用眼距离产生的近视风险。不良姿态风险项可指不良的身体姿态产生的近视风险。不良光线风险项可指不良的环境光照度产生的近视风险。眯眼时长风险项可指长时间眯眼观看电子设备产生的近视风险。疲劳时长风险项可指不良的使用时长产生的近视风险。

在本申请实施例中，针对待评测用户，获取该待评测用户的不良距离风险项对应的不良用眼距离数据、不良姿态风险项对应的不良身体姿态数据、不良光线风险项对应的不良环境光照度数据、眯眼时长风险项对应的不良眯眼时长数据、疲劳时长风险项对应的不良使用时长数据，将不良用眼距离数据、不良身体姿态数据、不良环境光照度数据、不良眯眼时长数据及不良使用时长数据作为用眼风险数据。

在一可选实施例中，获取待评测用户的近视风险数据，包括：获取待评测用户的历史观测数据，历史观测数据是待评测用户使用电子设备时的用屏用眼数据；按照预设的时间周期长度，将处于同一历史时间周期内的历史观测数据聚合在一起，获得不同历史时间周期对应的区间观测数据；对不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据。

这里，电子设备可指待评测用户使用的，且能够获取历史观测数据的设备，示例性的，电子设备包括但不限于：智能手表、智能手机、电视机、PAD、笔记本。

具体的，待评测用户使用的电子设备上附有各类传感器，这些传感器包括但不限于：红外传感器、光敏传感器及图像传感器，这些传感器每隔一段时间就会同时采集待评测用户的观测数据，例如：每隔3秒就同时采集设备数据及待评测用户的用眼数据，将设备数据及用眼数据作为观测数据进行记录并保存，形成历史观测数据。

其中，设备数据包括电子设备的摆放角度、设备屏幕当前亮度值。电子设备的摆放角度可指设备平面与水平面之间的夹角。

用眼数据包括但不限于：采集时间、待评测用户的用户标识、用眼环境光线值、用眼距离值、用眼头部姿态角度值、当前是否眯眼。

电子设备每3秒采集一次数据就会形成一条历史观测数据，则一分钟内会产生20条历史观测数据。示例性的，这一条历史观测数据为：日期(date)：2023-03-30 18:30:00 ；用户标识(id)：1154634；设备摆放角度(pad_angle)：128；俯仰角(pitch_angle)：10.1；偏航角(yaw_angle)：-2.79；倾斜角(roll_angle)：-1；是否眯眼(eye_close_frame_num)：-1；用眼距离(distance_laser)：2；环境光线值(env_light)：140。

以预设的时间周期长度为一天为例，可将处于同一天内的历史观测数据聚合在一起，获得每一天对应的区间观测数据，然后对每一天对应的区间观测数据进行数据清洗，获得近视风险数据。

需要说明的是，在获取待评测用户的近视风险数据时，可以是先获取不同用户各自对应的历史观测数据，然后从历史观测数据中筛选出待评测用户对应的历史观测数据，再对待评测用户对应的历史观测数据进行数据聚合及清洗获得近视风险数据。也可以是先对所有用户的历史观测数据进行数据聚合及清洗，然后再从聚合及清洗后的近视风险数据中选取待评测用户的近视风险数据。

在一可选实施例中，对不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据，包括：针对每个区间观测数据，确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，第一清洗规则用于清洗电子设备的使用时长较短的历史时间周期对应的数据，第二清洗规则用于清洗电子设备发生剧烈晃动的历史时间周期对应的数据；若符合第一清洗规则和/或符合第二清洗规则，则将该区间观测数据清洗掉，将未被清洗掉的区间观测数据作为近视风险数据。

具体的，为了得到能够表征待评测用户一天内对电子设备的使用习惯及使用行为的稳态数据，进行近视风险预测所使用的数据必须具备以下两个条件：一是，当天使用电子设备的时长必须高于一定阈值，例如：该阈值为20分钟；二是，电子设备的摆放角度必须维持在相对固定的状态下，排除使用期间大量晃动的情况。

如果不符合第一个条件，则表明待评测用户这一天中使用电子设备的时间很短，那么用户使用电子设备的不确定因素较大，收集的数据不具备稳定的参考性，不能将这一天的数据作为预测近视风险的数据。如果不符合第二个条件，则表明电子设备与待评测用户之间是相对移动的，未长时间以固定姿态来使用电子设备，收集的数据没有参考价值，属于使用过程中的特殊情况，也不能将这一天的数据作为预测近视风险的数据。为此，数据清洗围绕以上两个条件进行实施，如果不同时符合上述两个条件则将该数据清洗掉。

在一可选实施例中，区间观测数据包括电子设备的摆放角度；确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，包括：确定该区间观测数据中的数据条数是否小于设定条数；若小于设定条数，则确定该区间观测数据符合第一清洗规则；按照摆放角度从小到大的顺序，对该区间观测数据中的多条数据进行排序，选取处于十分位的摆放角度及处于九十分位的摆放角度作为两个目标摆放角度，确定两个目标摆放角度的差值的绝对值是否大于设定角度；若大于设定角度，则确定该区间观测数据符合第二清洗规则。

具体的，根据上述两个条件建立第一清洗规则及第二清洗规则。可根据收集到的待评测用户一天内的数据条数建立第一清洗规则，例如：若聚合后一天内的数据条数少于设定条数400条（即待评测用户使用电子设备的时长少于20分钟），则确定待评测用户当天的区间观测数据符合第一清洗规则，将待评测用户这一天的区间观测数据清洗掉。

可根据待评测用户一天内的设备的摆放角度建立第二清洗规则，例如：按照摆放角度从小到大的顺序，对一天内的区间观测数据中的多条数据进行排序，确定出这一天内处于十分位的摆放角度以及处于九十分位的摆放角度，这两个摆放角度即为目标摆放角度，若这两个摆放角度的差值的绝对值高于设定角度30°，则确定待评测用户当天的区间观测数据符合第二清洗规则，将待评测用户这一天的区间观测数据清洗掉。

步骤S102，针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据。

该步骤中，不良用眼行为规则可指界定不良用眼行为的规则。

每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长。

在本申请实施例中，用眼风险数据的数据量大、颗粒度小，用眼风险数据更专注于细节，而我们的最终目标是衡量待评测用户长期的用眼行为习惯，所以需将数据转换成粗颗粒的、具备代表意义的时间比例数据。时间比例数据可指不良用眼行为的时间占总使用时间的比例。

这里，不良用眼行为规则包括不良用眼距离规则、不良姿态规则、不良光线规则、不良眯眼规则及疲劳时长规则，其中，不良距离规则定义为用眼距离不高于第一设定距离；不良姿态规则定义为歪头角度高于第一角度或者低头角度小于第二角度；不良光线规则定义为环境光照度低于第一光照度或者高于第二光照度；不良眯眼规则定义为以眯眼方式使用电子设备；疲劳时长规则定义为连续使用电子设备超过第一时长后所使用的时长。其中，第一设定距离、第一角度、第二角度、第一光照度、第二光照度及第一时长的具体取值本领域技术人员可以实际情况进行选择，本申请在此不作限定。

针对不良距离风险项，确定一天内用眼距离不高于第一设定距离的数据条数占当天所有数据条数的比例，例如：2023年3月30日中待评测用户共有100条数据记录，其中，用眼距离不高于第一设定距离的数据条数为20条，则可得到该不良距离风险项在2023年3月30日的风险统计数据为20/100=20%，同理，可以确定不良距离风险项下，待评测用户在每个其他历史时间周期各自对应的风险统计数据。

根据不良距离风险项对应的风险统计数据的确定方法，除疲劳时长风险项外的其余用眼风险项，也可以确定各自在不同历史时间周期内的风险统计数据。针对疲劳时长风险项对应的不良使用时长数据来说，不是计算不良使用时长的占比，而是统计连续使用电子设备超过第一时长后的时长，由于电子设备每3秒钟进行一次数据采集，则1分钟有20条数据记录，假设第一时长为30分钟，30分钟内共有600条数据记录，因此，只需统计超过600条数据记录的超出条数，然后用该超出条数乘以3即可得到疲劳时长风险项对应的风险统计数据。

在一可选实施例中，在获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据之后，还包括：从该用眼风险项对应的多个风险统计数据中选取距离当前时间周期最近的设定数量的风险统计数据作为目标风险统计数据；利用目标风险统计数据及目标风险统计数据对应的不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型。

具体的，模型拟合的目标是检测出待评测用户最近一段时间内的用屏行为习惯是否发生改变，因此，需要选取近期一段时间内的数据，并且对待评测用户使用电子设备的天数做最小限制。例如：最近一段时间设定为3个月，最小限制设定为20次，即选取最近3个月内使用电子设备在20天以上的数据作为目标风险统计数据。

获取的历史观测数据可以是已经选取的最近一段时间内的数据，例如：最近3个月的历史观测数据，直接对这3个月的历史观测数据进行统计获得风险统计数据。也可以是获取较长时间内的历史观测数据，例如：最近1年的历史观测数据，然后先计算最近1年的历史观测数据对应的风险统计数据，再从最近1年的风险统计数据中选取最近3个月的风险统计数据作为目标风险统计数据，根据目标风险统计数据及不同历史时间周期之间的先后顺序，进行因变量与自变量之间的关系拟合，得到各个用眼风险项各自对应的风险预测模型。

步骤S103，将该用眼风险项作为因变量，将历史时间周期作为自变量，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型。

该步骤中，风险预测模型可指用于预测由单个用眼风险项引发近视风险的模型。

假设当前日期为2023年7月18日，则2023年7月18日之前的3个月内的每一天均可作为一个历史时间周期。

在本申请实施例中，共有5个用眼风险项，每个用眼风险项对应的风险统计数据随时间的变化情况可能是不同的，因此，需要针对每个用眼风险项单独进行模型拟合，以确定待评测用户在该用眼风险项下，风险统计数据随时间变化的模型。

以不良距离风险项为例，将不良距离风险项作为因变量，将最近3个月内最近20天的风险统计数据作为因变量的取值，按照时间先后顺序对每一天的日期进行编号得到自变量的取值，利用预设的拟合方式对因变量与自变量之间的关系进行拟合，得到不良距离风险项对应的风险预测模型。其中，预设的拟合方式可以是线性拟合方式，也可以是其他拟合方式，本申请在此不作限定。

需要说明的是，在按照时间先后顺序对每一天的日期进行编号时，如果前后两个具有风险统计数据的日期之间存在多个无风险统计数据的间隔日期，则在前一个日期编号后空出相应的天数后继续对后一个日期进行编号。例如：7月1日和7月8日这两天均有各自对应的风险统计数据，但是两个日期之间的日期没有风险统计数据，则如果将7月1日编号为2，则7月8日编号为9。

在一可选实施例中，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型，包括：选取距离当前时刻最远的历史时间周期作为基准周期，将基准周期对应的自变量的取值设置为0；针对除基准周期外的每个其他历史时间周期，根据该其他历史时间周期与基准周期之间的间隔长度，确定该其他历史时间周期对应的自变量的取值；将多个风险统计数据作为因变量的取值；根据因变量的取值及自变量的取值，对因变量与自变量之间的关系进行拟合获得风险预测模型。

具体的，在进行模型拟合时，选取距离当前时刻最远的日期作为基准周期，将基准日期对应的自变量的取值设置为0，将基准日期对应的风险统计数据作为此时因变量的取值，按照其他日期的先后顺序，依次确定每个日期对应的自变量的取值及每个日期对应的因变量的取值。在去除异常值后，根据因变量的取值及自变量的取值，对因变量及自变量之间的关系进行线性拟合，得到该用眼风险项对应的风险预测模型。其中，线性拟合方法可以是最小二乘法。不同用眼风险项对应的模型拟合方式可以是相同的，也可以是不同的，本申请在此不作限定。

其中，异常值去除时，可采用异常值检测方法确定要去除的异常值，异常值检测方法可以是KNN算法或者去除最大、最小值方法。

步骤S104，利用风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级。

该步骤中，风险预测值可指下一时间周期内待评测用户由该用眼风险项上引起近视风险的预测值，风险预测值越高，表明由该用眼风险项上引起近视的风险越高，风险预测值越低，表明由该用眼风险项上引起近视的风险越低。

不良距离风险项对应的风险预测模型为不良距离风险预测模型，不良距离风险项对应的风险预测值为不良距离风险预测值。

示例性的，不良距离风险预测模型可以是线性拟合模型，也可以是二次函数模型，还可以是对数模型。

例如：每一天为一个历史时间周期，自变量x的取值为1、2、3、4、5，因变量为不良距离风险项，因变量y的取值为0.2、0.4、0.6、0.8、1，则通过模型拟合可得不良距离风险预测模型为线性拟合模型，该线性拟合模型为：。

以模型为例，下一时间周期为x=6，此时该不良距离风险项的风险预测值为1.2。

不良光线风险项对应的风险预测模型为不良光线风险预测模型，不良光线风险项对应的风险预测值为不良光线风险预测值。

示例性的，不良光线风险预测模型可以是线性拟合模型，也可以是二次函数模型，还可以是对数模型。

例如：每一天为一个历史时间周期，自变量x的取值为1、2、3、4、5，因变量为不良光线风险项，因变量y的取值为0.17、0.25、0.37、0.52、0.72，则通过模型拟合可得不良光线风险预测模型为二次函数拟合模型，该二次函数拟合模型为：。

以模型为例，下一时间周期为x=6，此时该不良光线风险项的风险预测值为1.12。

不良姿态风险项对应的风险预测模型为不良姿态风险预测模型，不良姿态风险项对应的风险预测值为不良姿态风险预测值。

示例性的，不良姿态风险预测模型可以是线性拟合模型，也可以是二次函数模型，还可以是对数模型。

例如：每一天为一个历史时间周期，自变量x的取值为1、2、3、4、5，因变量为不良姿态风险项，因变量y的取值为0.002、0.016、0.054、0.128、0.25，则通过模型拟合可得不良姿态风险预测模型为线性拟合模型，该线性拟合模型为：。

以模型为例，下一时间周期为x=6，此时该不良姿态风险项的风险预测值为0.432。

眯眼时长风险项对应的风险预测模型为不良眯眼风险预测模型，眯眼时长风险项对应的风险预测值为不良眯眼风险预测值。

示例性的，不良眯眼风险预测模型可以是线性拟合模型，也可以是二次函数模型，还可以是对数模型。

例如：每一天为一个历史时间周期，自变量x的取值为1、2、3、4、5，因变量为眯眼时长风险项，因变量y的取值为0.17、0.25、0.37、0.52、0.72，则通过模型拟合可得不良眯眼风险预测模型为二次函数拟合模型，该二次函数拟合模型为：。

以模型为例，下一时间周期为x=6，此时该眯眼时长风险项的风险预测值为1.12。

疲劳时长风险项对应的风险预测模型为疲劳时长风险预测模型，疲劳时长风险项对应的风险预测值为疲劳时长风险预测值。

示例性的，疲劳时长风险预测模型可以是线性拟合模型，也可以是二次函数模型，还可以是对数模型。

例如：每一天为一个历史时间周期，自变量x的取值为1、2、3、4、5，因变量为疲劳时长风险项，因变量y的取值为0.15、0.3、0.45、0.6、0.75，则通过模型拟合可得疲劳时长风险预测模型为线性拟合模型，该线性拟合模型为：。

以模型为例，下一时间周期为x=6，此时该疲劳时长风险项的风险预测值为0.9。

模型参数值可指风险预测模型的模型参数的取值，示例性的，如果风险预测模型为线性拟合模型，则模型参数值是线性拟合模型的斜率。

单项近视风险等级用于表征下一时间周期内，由单个用眼风险项引发近视的风险等级，示例性的，不良距离风险项对应的单项近视风险等级表明待评测用户在下一时间周期内，因不良的用眼距离引发近视的风险等级，风险等级越高，表明越容易因不良用眼距离引发近视，风险等级越低，表明越不容易因为不良用眼距离引发近视。

在本申请实施例中，利用不良距离风险预测模型，可以计算出下一时间周期内不良距离风险预测值，然后根据不良距离风险预测模型的模型参数值的数值大小及不良距离风险预测值的数值大小，可以通过数据分类法确定下一时间周期内不良距离风险项对应的单项近视风险等级。同理，能够确定其他风险项各自对应的单项近视风险等级。

在一可选实施例中，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级，包括：计算模型参数值与模型参数阈值的第一差值及风险预测值与风险阈值的第二差值；根据第一差值所在的参数等级区间及第二差值所在的健康值等级区间，确定单项近视风险等级。

以对不良距离风险项进行线性拟合为例，可获得拟合直线的斜率值K，该斜率值即为模型参数，计算斜率值K与设定的模型参数阈值的第一差值，若斜率值K大于设定的模型参数阈值，则说明待评测用户的不良距离比例成上升趋势，斜率值K的大小表征上升程度的大小。不良距离预测值记作P，若不良距离预测值P高于设定的风险阈值，则说明待评测用户在下一时间周期内处于不良状态，近视风险增加。

结合斜率值K与模型参数阈值的第一差值、不良距离预测值P与风险阈值的第二差值，采用数据分类方法，可得到该不良距离风险项的单项近视风险等级。其中，数据分类方法可以为区间衡定法，即直接根据第一差值所在的参数等级区间及第二差值所在的健康值等级区间，确定单项风险等级，单项风险等级可以分为0、1、2、3、4、5六个等级，单项风险等级越大，表明近视风险越高，单项风险等级越低，表明近视风险越低。

根据不同用眼风险项对应的单项风险等级，可提醒待评测用户在该用眼风险项上的近视紧迫程度，可有效提醒待评测用户改正，针对性更强。

步骤S105，将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据近视风险标识组预测待评测用户在下一时间周期内的近视风险等级。

该步骤中，针对各个用眼风险项均使用上述方法，可获得待评测用户的近视风险标识组，例如：不良距离风险项对应的单项近视风险等级为5、不良光线风险项对应的单项近视风险等级为4、不良姿态风险项对应的单项近视风险等级为0、眯眼时间风险项对应的单项近视风险等级为2、疲劳时间风险项对应的单项近视风险等级为3，则可得到近视风险标识组为[5,4,0,2,3]。

然后，将近视风险标识组输入近视风险综合评价模型，预测出待评测用户在下一时间周期内综合近视风险评级，再根据综合近视风险评级确定最终的近视风险等级。

其中，近视风险综合评价模型可通过如下方法输出综合近视风险评级：首先对各单项近视风险等级进行归一化处理，然后为每个归一化处理后的单项近视风险等级赋予不同的权重，将权重和作为近视风险综合评价模型的输出结果。

将近视风险综合评价模型输出的综合近视风险评级与设定的风险等级值区间进行比较，确定输出结果所处的近视风险区间，根据所处的近视风险区间确定最终的近视风险等级。

例如：对近视风险标识组 [5,4,0,2,3] 进行归一化处理，归一化后转换为[1,0.8,0,1,0.6]，再与权重列向量[k1,k2,k3,k4,k5]相乘，得到近视风险综合评价模型的输出结果0.9。近视风险等级可设定为极高、高、中、低，其中每个近视风险等级对应一个风险等级值区间，例如：极高的近视风险等级对应的风险等级值区间为[0.8,1]，由于近视风险综合评价模型的输出结果0.9处于极高区间[0.8,1]内，则确定该待评测用户在下一时间周期的近视风险等级为极高。

与现有技术中近视风险等级的预测方法相比，本申请能够从用眼风险数据中统计出不同历史时间周期内各不良用眼行为的占比数据，利用该不良用眼行为的占比数据进行模型拟合构建对应的风险预测模型，利用每个用眼风险项对应的风险预测模型能够对下一时间周期的各用眼风险项的近视风险进行预测，并根据预测值及模型参数值确定近视风险等级，解决了无法有效地预测近视风险的问题。

基于同一发明构思，本申请实施例中还提供了与近视风险等级的预测方法对应的近视风险等级的预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述近视风险等级的预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

请参阅图2，图2为本申请实施例所提供的一种近视风险等级的预测装置的结构示意图。如图2中所示，所述近视风险等级的预测装置200包括：

风险数据获取模块201，用于获取待评测用户的近视风险数据，近视风险数据包括不同用眼风险项对应的用眼风险数据；

比例数据统计模块202，用于针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据，每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长；

模型拟合模块203，用于将该用眼风险项作为因变量，将历史时间周期作为自变量，利用多个风险统计数据及不同历史时间周期之间的先后顺序，对因变量与自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型；

单项风险确定模块204，用于利用风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据风险预测模型的模型参数值及风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级；

风险等级确定模块205，用于将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据近视风险标识组预测待评测用户在下一时间周期内的近视风险等级。

请参阅图3，图3为本申请实施例所提供的一种电子设备的结构示意图。如图3中所示，所述电子设备300包括处理器310、存储器320和总线330。

所述存储器320存储有所述处理器310可执行的机器可读指令，当电子设备300运行时，所述处理器310与所述存储器320之间通过总线330通信，所述机器可读指令被所述处理器310执行时，可以执行如上述图1所示方法实施例中的近视风险等级的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的近视风险等级的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种近视风险等级的预测方法，其特征在于，包括：

获取待评测用户的近视风险数据，所述近视风险数据包括不同用眼风险项对应的用眼风险数据；

针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据，每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长；

将该用眼风险项作为因变量，将历史时间周期作为自变量，利用所述多个风险统计数据及不同历史时间周期之间的先后顺序，对所述因变量与所述自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型；

利用所述风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据所述风险预测模型的模型参数值及所述风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级；

将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据所述近视风险标识组预测所述待评测用户在下一时间周期内的近视风险等级。

2.根据权利要求1所述的方法，其特征在于，所述利用所述多个风险统计数据及不同历史时间周期之间的先后顺序，对所述因变量与所述自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型，包括：

选取距离当前时刻最远的历史时间周期作为基准周期，将所述基准周期对应的自变量的取值设置为0；

针对除所述基准周期外的每个其他历史时间周期，根据该其他历史时间周期与所述基准周期之间的间隔长度，确定该其他历史时间周期对应的自变量的取值；

将所述多个风险统计数据作为因变量的取值；

根据所述因变量的取值及所述自变量的取值，对所述因变量与所述自变量之间的关系进行拟合获得风险预测模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述风险预测模型的模型参数值及所述风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级，包括：

计算所述模型参数值与模型参数阈值的第一差值及所述风险预测值与风险阈值的第二差值；

根据所述第一差值所在的参数等级区间及所述第二差值所在的健康值等级区间，确定单项近视风险等级。

4.根据权利要求1所述的方法，其特征在于，所述获取待评测用户的近视风险数据，包括：

获取所述待评测用户的历史观测数据，所述历史观测数据是所述待评测用户使用电子设备时的用屏用眼数据；

按照预设的时间周期长度，将处于同一历史时间周期内的历史观测数据聚合在一起，获得不同历史时间周期对应的区间观测数据；

对所述不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据。

5.根据权利要求4所述的方法，其特征在于，所述对所述不同历史时间周期对应的区间观测数据进行数据清洗，获得近视风险数据，包括：

针对每个区间观测数据，确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，所述第一清洗规则用于清洗电子设备的使用时长较短的历史时间周期对应的数据，所述第二清洗规则用于清洗电子设备发生剧烈晃动的历史时间周期对应的数据；

若符合所述第一清洗规则和/或符合所述第二清洗规则，则将该区间观测数据清洗掉，将未被清洗掉的区间观测数据作为近视风险数据。

6.根据权利要求5所述的方法，其特征在于，所述区间观测数据包括所述电子设备的摆放角度；

所述确定该区间观测数据是否符合第一清洗规则和/或符合第二清洗规则，包括：

确定该区间观测数据中的数据条数是否小于设定条数；

若小于设定条数，则确定该区间观测数据符合第一清洗规则；

按照摆放角度从小到大的顺序，对该区间观测数据中的多条数据进行排序，选取处于十分位的摆放角度及处于九十分位的摆放角度作为两个目标摆放角度；

确定所述两个目标摆放角度的差值的绝对值是否大于设定角度；

若大于设定角度，则确定该区间观测数据符合第二清洗规则。

7.根据权利要求1所述的方法，其特征在于，在所述获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据之后，还包括：

从该用眼风险项对应的多个风险统计数据中选取距离当前时间周期最近的设定数量的风险统计数据作为目标风险统计数据；

利用所述目标风险统计数据及所述目标风险统计数据对应的不同历史时间周期之间的先后顺序，对所述因变量与所述自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型。

8.一种近视风险等级的预测装置，其特征在于，包括：

风险数据获取模块，用于获取待评测用户的近视风险数据，所述近视风险数据包括不同用眼风险项对应的用眼风险数据；

比例数据统计模块，用于针对每个用眼风险项，根据不良用眼行为规则对该用眼风险项对应的用眼风险数据进行统计，获得该用眼风险项对应的不同历史时间周期内的多个风险统计数据，每个风险统计数据用于表征待评测用户在对应的历史时间周期内的单项不良用眼行为的占比或时长；

模型拟合模块，用于将该用眼风险项作为因变量，将历史时间周期作为自变量，利用所述多个风险统计数据及不同历史时间周期之间的先后顺序，对所述因变量与所述自变量之间的关系进行拟合获得该用眼风险项对应的风险预测模型；

单项风险确定模块，用于利用所述风险预测模型确定下一时间周期内该用眼风险项的风险预测值，根据所述风险预测模型的模型参数值及所述风险预测值，确定下一时间周期内该用眼风险项对应的单项近视风险等级；

风险等级确定模块，用于将不同用眼风险项对应的多个单项近视风险等级组合在一起获得近视风险标识组，根据所述近视风险标识组预测所述待评测用户在下一时间周期内的近视风险等级。

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7中任一项所述的近视风险等级的预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的近视风险等级的预测方法的步骤。