CN117153407A - 一种用于视力矫正的青少年近视预测方法及系统 - Google Patents
一种用于视力矫正的青少年近视预测方法及系统 Download PDFInfo
- Publication number
- CN117153407A CN117153407A CN202311440889.0A CN202311440889A CN117153407A CN 117153407 A CN117153407 A CN 117153407A CN 202311440889 A CN202311440889 A CN 202311440889A CN 117153407 A CN117153407 A CN 117153407A
- Authority
- CN
- China
- Prior art keywords
- myopia
- prediction
- data
- image
- fundus
- 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.)
- Granted
Links
- 208000001491 myopia Diseases 0.000 title claims abstract description 245
- 230000004379 myopia Effects 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000004438 eyesight Effects 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 title claims abstract description 26
- 230000000366 juvenile effect Effects 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 54
- 230000004927 fusion Effects 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 30
- 230000006403 short-term memory Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 17
- 230000007787 long-term memory Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 210000003462 vein Anatomy 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 210000001508 eye Anatomy 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 201000009310 astigmatism Diseases 0.000 claims description 3
- 230000004323 axial length Effects 0.000 claims description 3
- 210000005252 bulbus oculi Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000004087 cornea Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000001788 irregular Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于视力矫正的青少年近视预测方法及系统，方法包括数据采集、数据预处理、图像数据近视预测、数值数据近视预测和近视预测。本发明属于近视预测技术领域，具体是指一种用于视力矫正的青少年近视预测方法及系统，本方案采用独热编码结合数据标准化的数据预处理方法，提高了数据质量，加快了模型收敛速度，为后续数据处理提供优质数据源；采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，提供了更直观的预测辅助依据，拓宽了青少年近视预测的维度；采用时序长短期记忆神经网络的方法进行数值数据近视预测，更好地获取不规则时间序列中的时间特征，进而提高了青少年近视预测的整体准确度以及方法的整体可用性。
Description
技术领域
本发明属于近视预测技术领域，具体是指一种用于视力矫正的青少年近视预测方法及系统。
背景技术
近视患病率在青少年群体中呈现日益增长的趋势，青少年近视预测旨在及早发现青少年近视风险，从而提供早期干预和治疗，制定视力保护计划，有助于青少年养成良好的用眼习惯，减缓近视的进展，降低近视风险。
但在现有的青少年近视预测过程中，存在着数值数据之间易存在类别间干扰，影响数值数据的近视预测结果准确性和有效性的技术问题；存在着缺少一种结合图像数据和数值数据进行多途径的青少年近视预测的方法，进而影响了用于视力矫正的青少年近视预测的总体自动性和可用性的技术问题；存在着历史视觉记录数据中的数值数据具有时间间隔分布不均匀，时间特征提取困难的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于视力矫正的青少年近视预测方法及系统，针对在已有的青少年近视预测过程中，存在着数值数据之间易存在类别间干扰，影响数值数据的近视预测结果准确性和有效性的技术问题，本方案采用独热编码结合数据标准化的数据预处理方法，提高了数据质量，加快了模型的收敛速度，为后续的数值数据处理提供优质的数据源；针对在已有的青少年近视预测过程中，存在着缺少一种结合图像数据和数值数据进行多途径的青少年近视预测的方法，进而影响了用于视力矫正的青少年近视预测的总体自动性和可用性的技术问题，本方案创造性地采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，为后续数值数据预测结果提供更直观的预测辅助依据，拓宽了青少年近视预测的途径和维度；针对在已有的青少年近视预测过程中，存在着历史视觉记录数据中的数值数据具有时间间隔分布不均匀，时间特征提取困难的技术问题，本方案创造性地采用时序长短期记忆神经网络的方法进行数值数据近视预测，通过在传统的长短期记忆神经网络的基础上构造时间门，更好地获取不规则时间序列中的时间特征，进而提高了青少年近视预测的整体准确度和应用范围，提高了方法的整体可用性。
本发明采取的技术方案如下：本发明提供的一种用于视力矫正的青少年近视预测方法，该方法包括以下步骤：
步骤S1：数据采集，具体为从青少年历史视觉记录数据中，采集得到近视预测原始数据，所述近视预测原始数据包括数值数据和图像数据；
步骤S2：数据预处理，具体为通过独热编码、数据标准化和数据增量，对数值数据进行预处理，得到增强数值数据；
步骤S3：图像数据近视预测，具体为采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI，采用所述图像数据近视预测模型ModelI进行近视预测，得到眼底图像近视预测信息；
步骤S4：数值数据近视预测，具体为采用时序长短期记忆神经网络进行数值数据近视预测，通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD，采用所述数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息；
步骤S5：青少年近视预测。
进一步地，在步骤S1中，所述数值数据包括裸眼视力数据、眼球球体数据、散光数据、眼角膜曲率数据和轴向长度数据，所述图像数据为眼底图像数据。
进一步地，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：独热编码，用于排除数值数据中原始顺序编码的类间干扰，具体为对所述数值数据中的每个数据项创建单位向量，并将所述单位向量的维数设置为所述数值数据中的类别总数；
步骤S22：数据标准化，用于加快模型的收敛速度，具体为将数值数据中的样本均值重新缩放为0，并将样本方差重新缩放为1，计算公式为：
；
式中，为标准化数值数据，X为数值数据，μ是样本均值，σ是方差；
步骤S23：数据增量，用于增加数据样本的数量，具体为对数值数据进行数据重采样和数据划分重组，得到增量数值数据；
步骤S24：通过独热编码、数据标准化和数据增量对数值数据进行预处理，得到增强数值数据。
进一步地，在步骤S3中，所述图像数据近视预测，用于对图像数据进行处理，并采用深度学习方法依据图像数据进行近视预测辅助，具体为采用结合先验知识提取的深度卷积神经网络，对图像数据进行图像数据近视预测，包括以下步骤：
步骤S31：构建先验知识提取单元，用于获取近视性病变的关键特征，并自动获取特征信息作为先验知识，具体为进行镶嵌式眼底信息提取和最亮区域提取，包括以下步骤：
步骤S311：镶嵌式眼底信息提取，用于检测眼底图像中的脉络血管，并构建镶嵌式眼底图像，具体为采用眼底图像的红色通道进行镶嵌式眼底信息提取，通过多向高斯滤波器匹配并提取眼底图像中的脉络血管，通过对多向高斯滤波器进行旋转操作，并对多向高斯滤波器中与眼底图像中的每个像素值进行卷积计算，得到镶嵌式眼底图像，所述多向高斯滤波器的计算公式为：
；
式中，K（）是多向高斯滤波器函数，m是多向高斯滤波器中的像素水平坐标，n是多向高斯滤波器中的像素垂直坐标，ε是脉络血管长度；
步骤S312：最亮区域提取，用于获取眼底图像中的最亮区域，具体采用眼底图像的绿色通道进行最亮区域提取，得到最亮区域信息；
步骤S313：先验知识提取，具体为结合通过所述镶嵌式眼底信息提取得到的镶嵌式眼底图像和通过所述最亮区域提取得到的最亮区域信息，构造并得到先验知识；
步骤S32：构建特征融合单元，用于将所述先验知识与所述图像数据进行特征融合，优化图像数据近视预测，包括以下步骤：
步骤S321：镶嵌式眼底图像特征融合，具体为构建卷积层和池化层，对眼底图像进行卷积和平均池化操作，对所述卷积和平均池化操作得到的特征图进行全局池化操作，并采用多层感知器，通过特征融合，得到镶嵌式眼底特征融合图像，计算公式为：
；
式中，ZA是镶嵌式眼底特征融合图像，MLP（）是多层感知器函数，GAP（）是全局池化操作，Conv（）是卷积操作，F1是卷积层输入特征图，AvgPool（）是平均池化操作，F2是池化层输入特征图；
步骤S322：最亮区域特征融合，具体为将眼底图像中的最亮区域设置为掩膜，并通过平均池化操作得到最亮区域特征融合图像，计算公式为：
；
式中，ZB是最亮区域特征融合图像，F3是眼底图像中的最亮区域特征图像，γ是最亮区域特征融合偏置项；
步骤S323：网络特征融合，具体为结合镶嵌式眼底特征融合图像ZA和最亮区域特征融合图像ZB，并将图像数据中的眼底图像作为原始图像，对镶嵌式眼底特征融合图像ZA、最亮区域特征融合图像ZB和原始图像进行特征融合，得到融合特征；
步骤S33：损失函数构建，用于优化模型训练，包括以下步骤：
步骤S331：构建特征向量排名分支函数，用于构建排名分类损失函数，计算公式为：
；
式中，U（）是特征向量排名分支函数，si是特征向量水平方向排名分支输入，sj是特征向量垂直方向排名分支输出，i是特征向量水平方向索引，j是特征向量垂直方向索引，yi是特征向量水平方向标签，yj是特征向量垂直方向标签；
步骤S332：构建排名分类损失函数，用于优化预测效果，计算公式为：
；
式中，Lrank是排名分类损失函数，ReLU（）是先行修正函数；
步骤S333：构建交叉熵损失函数，用于降低预测误差，计算公式为：
；
式中，LCE是交叉熵损失函数，N是图像数据中的样本总数，k是样本索引，G是预测总类别数，c是类别索引，rkc是样本真实标签，pkc是样本预测标签；
步骤S334：构建整体损失函数，用于优化模型训练，计算公式为：
；
式中，Lto是整体损失函数；
步骤S34：深度卷积神经网络模型训练，具体为通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI；
步骤S35：采用图像数据近视预测模型ModelI对图像数据进行近视预测，得到眼底图像近视预测信息。
进一步地，在步骤S4中，所述数值数据近视预测，用于依据增强数值数据进行近视预测，具体为将所述增强数值数据作为数值数据输入，并采用时序长短期记忆神经网络进行数值数据近视预测；
所述时序长短期记忆神经网络，包括遗忘门、输入门、时间门、输出门和细胞单元状态；
所述采用时序长短期记忆神经网络进行数值数据近视预测，包括以下步骤：
步骤S41：构建遗忘门，用于控制并筛选细胞单元状态需要遗忘的信息，计算公式为：
；
式中，t是时间索引，用于表示当前时刻，Fgt是遗忘门在当前时刻t时的状态，φ（）是sigmoid激活函数，是遗忘门权重，xT是作为当前时刻输入的数值数据，UFg是遗忘门学习参数，ht-1是前一时刻状态，bFg是遗忘门偏置项；
步骤S42：构建输入门，用于控制新输入信息对细胞单元状态的更新，计算公式为：
；
式中，Ipt是输入门在当前时刻t时的状态，是输入门权重，UIp是输入门学习参数，bIp是输入门偏置项；
步骤S43：构建细胞单元状态，用于传递并存储长期记忆，包括以下步骤：
步骤S431：计算细胞激活状态，计算公式为：
；
式中，是细胞单元状态在当前时刻t时的激活状态，tanh（）是双曲正切激活函数，/>是细胞单元状态权重，UC是细胞单元状态学习参数，bC是细胞单元状态偏置项；
步骤S432：通过遗忘门和输入门，构建细胞单元状态，计算公式为：
；
式中，Ct是细胞单元状态在当前时刻t时的状态，Ct-1是细胞单元状态在前一时刻t-1时的状态；
步骤S44：构建时间门，用于依据时间间隔的变化调整细胞单元状态的更新，包括以下步骤：
步骤S441：计算短期记忆，计算公式为：
；
式中，是短期记忆在前一时刻t-1时的状态，/>是短期记忆权重，bd是短期记忆偏置项；
步骤S442：计算加权短期记忆，计算公式为：
；
式中，是加权短期记忆在前一时刻t-1时的状态，/>是加权时间推移量；
步骤S443：计算长期记忆，计算公式为：
；
式中，是长期记忆在前一时刻t-1时的状态；
步骤S444：计算调整记忆，具体为结合加权短期记忆和长期记忆进行调整记忆计算，计算公式为：
；
式中，是调整记忆在前一时刻t-1时的状态；
步骤S445：时间门构建，具体为通过计算调整记忆，构建时间门；
步骤S45：构建输出门，用于控制细胞单元状态的信息对当前时刻的隐藏状态和输出的影响，计算公式为：
；
式中，Opt是输出门在当前时刻t时的状态，是输出门权重，UOp是输出门学习参数，bOp是输出门偏置项；
步骤S46：时序长短期记忆神经网络模型训练，具体为通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD；
步骤S47：采用数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息。
进一步地，在步骤S5中，所述青少年近视预测，用于结合数值数据和图像数据进行近视预测，具体为结合眼底图像近视预测信息和历史数据近视预测信息，得到青少年近视预测信息。
本发明提供的一种用于视力矫正的青少年近视预测系统，包括数据采集模块、数据预处理模块、图像数据近视预测模块、数值数据近视预测模块和青少年近视预测模块；
所述数据采集模块，用于数据采集，具体为收集青少年近视预测相关数据，通过采集得到近视预测原始数据，并将所述近视预测原始数据发送至数据预处理模块和图像数据近视预测模块；
所述数据预处理模块，用于数据预处理，具体为对所述数值数据进行预处理，得到增强数值数据，并将所述增强数值数据发送至数值数据近视预测模块；
所述图像数据近视预测模块，用于图像数据近视预测，具体为对所述图像数据进行处理，并采用深度学习方法依据所述图像数据进行近视预测，得到眼底图像近视预测信息，并将所述眼底图像近视预测信息发送至近视预测模块；
所述数值数据近视预测模块，用于数值数据近视预测，具体为依据增强数值数据进行近视预测，得到历史数据近视预测信息，并将所述历史数据近视预测信息发送至近视预测模块；
所述青少年近视预测模块，用于青少年近视预测，具体为结合数值数据和图像数据进行青少年近视预测，得到青少年近视预测信息。
采用上述方案本发明取得的有益效果如下：
（1）针对在已有的青少年近视预测过程中，存在着数值数据之间易存在类别间干扰，影响数值数据的近视预测结果准确性和有效性的技术问题，本方案采用独热编码结合数据标准化的数据预处理方法，提高了数据质量，加快了模型的收敛速度，为后续的数值数据处理提供优质的数据源。
（2）针对在已有的青少年近视预测过程中，存在着缺少一种结合图像数据和数值数据进行多途径的青少年近视预测的方法，进而影响了用于视力矫正的青少年近视预测的总体自动性和可用性的技术问题，本方案创造性地采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，为后续数值数据预测结果提供更直观的预测辅助依据，拓宽了青少年近视预测的途径和维度。
（3）针对在已有的青少年近视预测过程中，存在着历史视觉记录数据中的数值数据具有时间间隔分布不均匀，时间特征提取困难的技术问题，本方案创造性地采用时序长短期记忆神经网络的方法进行数值数据近视预测，通过在传统的长短期记忆神经网络的基础上构造时间门，更好地获取不规则时间序列中的时间特征，进而提高了青少年近视预测的整体准确度和应用范围，提高了方法的整体可用性。
附图说明
图1为本发明提供的一种用于视力矫正的青少年近视预测方法的流程示意图；
图2为本发明提供的一种用于视力矫正的青少年近视预测系统的示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示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。
实施例一，参阅图1，本发明提供的一种用于视力矫正的青少年近视预测方法，该方法包括以下步骤：
步骤S1：数据采集，具体为从青少年历史视觉记录数据中，采集得到近视预测原始数据，所述近视预测原始数据包括数值数据和图像数据；
步骤S2：数据预处理，具体为通过独热编码、数据标准化和数据增量，对数值数据进行预处理，得到增强数值数据；
步骤S3：图像数据近视预测，具体为采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI，采用所述图像数据近视预测模型ModelI进行近视预测，得到眼底图像近视预测信息；
步骤S4：数值数据近视预测，具体为采用时序长短期记忆神经网络进行数值数据近视预测，通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD，采用所述数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息；
步骤S5：青少年近视预测。
实施例二，参阅图1，在步骤S1中，所述数值数据包括裸眼视力数据、眼球球体数据、散光数据、眼角膜曲率数据和轴向长度数据，所述图像数据为眼底图像数据。
实施例三，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：独热编码，用于排除数值数据中原始顺序编码的类间干扰，具体为对所述数值数据中的每个数据项创建单位向量，并将所述单位向量的维数设置为所述数值数据中的类别总数；
步骤S22：数据标准化，用于加快模型的收敛速度，具体为将数值数据中的样本均值重新缩放为0，并将样本方差重新缩放为1，计算公式为：
；
式中，为标准化数值数据，X为数值数据，μ是样本均值，σ是方差；
步骤S23：数据增量，用于增加数据样本的数量，具体为对数值数据进行数据重采样和数据划分重组，得到增量数值数据；
步骤S24：通过独热编码、数据标准化和数据增量对数值数据进行预处理，得到增强数值数据；
通过执行上述操作，针对在已有的青少年近视预测过程中，存在着数值数据之间易存在类别间干扰，影响数值数据的近视预测结果准确性和有效性的技术问题，本方案采用独热编码结合数据标准化的数据预处理方法，提高了数据质量，加快了模型的收敛速度，为后续的数值数据处理提供优质的数据源。
实施例四，参阅图1和图4，该实施例基于上述实施例，进一步地，在步骤S3中，所述图像数据近视预测，用于对图像数据进行处理，并采用深度学习方法依据图像数据进行近视预测辅助，具体为采用结合先验知识提取的深度卷积神经网络，对图像数据进行图像数据近视预测，包括以下步骤：
步骤S31：构建先验知识提取单元，用于获取近视性病变的关键特征，并自动获取特征信息作为先验知识，具体为进行镶嵌式眼底信息提取和最亮区域提取，包括以下步骤：
步骤S311：镶嵌式眼底信息提取，用于检测眼底图像中的脉络血管，并构建镶嵌式眼底图像，具体为采用眼底图像的红色通道进行镶嵌式眼底信息提取，通过多向高斯滤波器匹配并提取眼底图像中的脉络血管，通过对多向高斯滤波器进行旋转操作，并对多向高斯滤波器中与眼底图像中的每个像素值进行卷积计算，得到镶嵌式眼底图像，所述多向高斯滤波器的计算公式为：
；
式中，K（）是多向高斯滤波器函数，m是多向高斯滤波器中的像素水平坐标，n是多向高斯滤波器中的像素垂直坐标，ε是脉络血管长度；
步骤S312：最亮区域提取，用于获取眼底图像中的最亮区域，具体采用眼底图像的绿色通道进行最亮区域提取，得到最亮区域信息；
步骤S313：先验知识提取，具体为结合通过所述镶嵌式眼底信息提取得到的镶嵌式眼底图像和通过所述最亮区域提取得到的最亮区域信息，构造并得到先验知识；
步骤S32：构建特征融合单元，用于将所述先验知识与所述图像数据进行特征融合，优化图像数据近视预测，包括以下步骤：
步骤S321：镶嵌式眼底图像特征融合，具体为构建卷积层和池化层，对眼底图像进行卷积和平均池化操作，对所述卷积和平均池化操作得到的特征图进行全局池化操作，并采用多层感知器，通过特征融合，得到镶嵌式眼底特征融合图像，计算公式为：
；
式中，ZA是镶嵌式眼底特征融合图像，MLP（）是多层感知器函数，GAP（）是全局池化操作，Conv（）是卷积操作，F1是卷积层输入特征图，AvgPool（）是平均池化操作，F2是池化层输入特征图；
步骤S322：最亮区域特征融合，具体为将眼底图像中的最亮区域设置为掩膜，并通过平均池化操作得到最亮区域特征融合图像，计算公式为：
；
式中，ZB是最亮区域特征融合图像，F3是眼底图像中的最亮区域特征图像，γ是最亮区域特征融合偏置项；
步骤S323：网络特征融合，具体为结合镶嵌式眼底特征融合图像ZA和最亮区域特征融合图像ZB，并将图像数据中的眼底图像作为原始图像，对镶嵌式眼底特征融合图像ZA、最亮区域特征融合图像ZB和原始图像进行特征融合，得到融合特征；
步骤S33：损失函数构建，用于优化模型训练，包括以下步骤：
步骤S331：构建特征向量排名分支函数，用于构建排名分类损失函数，计算公式为：
；
式中，U（）是特征向量排名分支函数，si是特征向量水平方向排名分支输入，sj是特征向量垂直方向排名分支输出，i是特征向量水平方向索引，j是特征向量垂直方向索引，yi是特征向量水平方向标签，yj是特征向量垂直方向标签；
步骤S332：构建排名分类损失函数，用于优化预测效果，计算公式为：
；
式中，Lrank是排名分类损失函数，ReLU（）是先行修正函数；
步骤S333：构建交叉熵损失函数，用于降低预测误差，计算公式为：
；
式中，LCE是交叉熵损失函数，N是图像数据中的样本总数，k是样本索引，G是预测总类别数，c是类别索引，rkc是样本真实标签，pkc是样本预测标签；
步骤S334：构建整体损失函数，用于优化模型训练，计算公式为：
；
式中，Lto是整体损失函数；
步骤S34：深度卷积神经网络模型训练，具体为通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI；
步骤S35：采用图像数据近视预测模型ModelI对图像数据进行近视预测，得到眼底图像近视预测信息。
通过执行上述操作，针对在已有的青少年近视预测过程中，存在着缺少一种结合图像数据和数值数据进行多途径的青少年近视预测的方法，进而影响了用于视力矫正的青少年近视预测的总体自动性和可用性的技术问题，本方案创造性地采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，为后续数值数据预测结果提供更直观的预测辅助依据，拓宽了青少年近视预测的途径和维度。
实施例五，参阅图1和图5，该实施例基于上述实施例，进一步地，在步骤S4中，所述数值数据近视预测，用于依据增强数值数据进行近视预测，具体为将所述增强数值数据作为数值数据输入，并采用时序长短期记忆神经网络进行数值数据近视预测；
所述时序长短期记忆神经网络，包括遗忘门、输入门、时间门、输出门和细胞单元状态；
所述采用时序长短期记忆神经网络进行数值数据近视预测，包括以下步骤：
步骤S41：构建遗忘门，用于控制并筛选细胞单元状态需要遗忘的信息，计算公式为：
；
式中，t是时间索引，用于表示当前时刻，Fgt是遗忘门在当前时刻t时的状态，φ（）是sigmoid激活函数，是遗忘门权重，xT是作为当前时刻输入的数值数据，UFg是遗忘门学习参数，ht-1是前一时刻状态，bFg是遗忘门偏置项；
步骤S42：构建输入门，用于控制新输入信息对细胞单元状态的更新，计算公式为：
；
式中，Ipt是输入门在当前时刻t时的状态，是输入门权重，UIp是输入门学习参数，bIp是输入门偏置项；
步骤S43：构建细胞单元状态，用于传递并存储长期记忆，包括以下步骤：
步骤S431：计算细胞激活状态，计算公式为：
；
式中，是细胞单元状态在当前时刻t时的激活状态，tanh（）是双曲正切激活函数，/>是细胞单元状态权重，UC是细胞单元状态学习参数，bC是细胞单元状态偏置项；
步骤S432：通过遗忘门和输入门，构建细胞单元状态，计算公式为：
；
式中，Ct是细胞单元状态在当前时刻t时的状态，Ct-1是细胞单元状态在前一时刻t-1时的状态；
步骤S44：构建时间门，用于依据时间间隔的变化调整细胞单元状态的更新，包括以下步骤：
步骤S441：计算短期记忆，计算公式为：
；
式中，是短期记忆在前一时刻t-1时的状态，/>是短期记忆权重，bd是短期记忆偏置项；
步骤S442：计算加权短期记忆，计算公式为：
；
式中，是加权短期记忆在前一时刻t-1时的状态，/>是加权时间推移量；
步骤S443：计算长期记忆，计算公式为：
；
式中，是长期记忆在前一时刻t-1时的状态；
步骤S444：计算调整记忆，具体为结合加权短期记忆和长期记忆进行调整记忆计算，计算公式为：
；
式中，是调整记忆在前一时刻t-1时的状态；
步骤S445：时间门构建，具体为通过计算调整记忆，构建时间门；
步骤S45：构建输出门，用于控制细胞单元状态的信息对当前时刻的隐藏状态和输出的影响，计算公式为：
；
式中，Opt是输出门在当前时刻t时的状态，是输出门权重，UOp是输出门学习参数，bOp是输出门偏置项；
步骤S46：时序长短期记忆神经网络模型训练，具体为通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD；
步骤S47：采用数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息；
通过执行上述操作，针对在已有的青少年近视预测过程中，存在着历史视觉记录数据中的数值数据具有时间间隔分布不均匀，时间特征提取困难的技术问题，本方案创造性地采用时序长短期记忆神经网络的方法进行数值数据近视预测，通过在传统的长短期记忆神经网络的基础上构造时间门，更好地获取不规则时间序列中的时间特征，进而提高了青少年近视预测的整体准确度和应用范围，提高了方法的整体可用性。
实施例六，参阅图1，该实施例基于上述实施例，进一步地，在步骤S5中，所述青少年近视预测，用于结合数值数据和图像数据进行近视预测，具体为结合眼底图像近视预测信息和历史数据近视预测信息，得到青少年近视预测信息。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种用于视力矫正的青少年近视预测系统，包括数据采集模块、数据预处理模块、图像数据近视预测模块、数值数据近视预测模块和青少年近视预测模块；
所述数据采集模块，用于数据采集，具体为收集青少年近视预测相关数据，通过采集得到近视预测原始数据，并将所述近视预测原始数据发送至数据预处理模块和图像数据近视预测模块；
所述数据预处理模块，用于数据预处理，具体为对所述数值数据进行预处理，得到增强数值数据，并将所述增强数值数据发送至数值数据近视预测模块；
所述图像数据近视预测模块，用于图像数据近视预测，具体为对所述图像数据进行处理，并采用深度学习方法依据所述图像数据进行近视预测，得到眼底图像近视预测信息，并将所述眼底图像近视预测信息发送至近视预测模块；
所述数值数据近视预测模块，用于数值数据近视预测，具体为依据增强数值数据进行近视预测，得到历史数据近视预测信息，并将所述历史数据近视预测信息发送至近视预测模块；
所述青少年近视预测模块，用于青少年近视预测，具体为结合数值数据和图像数据进行青少年近视预测，得到青少年近视预测信息。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (8)
1.一种用于视力矫正的青少年近视预测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，具体为从青少年历史视觉记录数据中，采集得到近视预测原始数据，所述近视预测原始数据包括数值数据和图像数据；
步骤S2：数据预处理，具体为通过独热编码、数据标准化和数据增量，对数值数据进行预处理，得到增强数值数据；
步骤S3：图像数据近视预测，具体为采用结合先验知识提取的深度卷积神经网络进行图像数据近视预测，通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI，采用所述图像数据近视预测模型ModelI进行近视预测，得到眼底图像近视预测信息；
步骤S4：数值数据近视预测，具体为采用时序长短期记忆神经网络进行数值数据近视预测，通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD，采用所述数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息；
步骤S5：青少年近视预测；
在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：独热编码，用于排除数值数据中原始顺序编码的类间干扰，具体为对所述数值数据中的每个数据项创建单位向量，并将所述单位向量的维数设置为所述数值数据中的类别总数；
步骤S22：数据标准化，用于加快模型的收敛速度，具体为将数值数据中的样本均值重新缩放为0，并将样本方差重新缩放为1，计算公式为：
；
式中，为标准化数值数据，X为数值数据，μ是样本均值，σ是方差；
步骤S23：数据增量，用于增加数据样本的数量，具体为对数值数据进行数据重采样和数据划分重组，得到增量数值数据；
步骤S24：通过独热编码、数据标准化和数据增量对数值数据进行预处理，得到增强数值数据。
2.根据权利要求1所述的一种用于视力矫正的青少年近视预测方法，其特征在于：在步骤S3中，所述图像数据近视预测，用于对图像数据进行处理，并采用深度学习方法依据图像数据进行近视预测辅助，具体为采用结合先验知识提取的深度卷积神经网络，对图像数据进行图像数据近视预测，包括以下步骤：
步骤S31：构建先验知识提取单元，用于获取近视性病变的关键特征，并自动获取特征信息作为先验知识，具体为进行镶嵌式眼底信息提取和最亮区域提取，包括以下步骤：
步骤S311：镶嵌式眼底信息提取，用于检测眼底图像中的脉络血管，并构建镶嵌式眼底图像，具体为采用眼底图像的红色通道进行镶嵌式眼底信息提取，通过多向高斯滤波器匹配并提取眼底图像中的脉络血管，通过对多向高斯滤波器进行旋转操作，并对多向高斯滤波器中与眼底图像中的每个像素值进行卷积计算，得到镶嵌式眼底图像，所述多向高斯滤波器的计算公式为：
；
式中，K（）是多向高斯滤波器函数，m是多向高斯滤波器中的像素水平坐标，n是多向高斯滤波器中的像素垂直坐标，ε是脉络血管长度；
步骤S312：最亮区域提取，用于获取眼底图像中的最亮区域，具体采用眼底图像的绿色通道进行最亮区域提取，得到最亮区域信息；
步骤S313：先验知识提取，具体为结合通过所述镶嵌式眼底信息提取得到的镶嵌式眼底图像和通过所述最亮区域提取得到的最亮区域信息，构造并得到先验知识；
步骤S32：构建特征融合单元，用于将所述先验知识与所述图像数据进行特征融合，优化图像数据近视预测；
步骤S33：损失函数构建，用于优化模型训练；
步骤S34：深度卷积神经网络模型训练，具体为通过构建先验知识提取单元、构建特征融合单元和损失函数构建进行模型训练，得到图像数据近视预测模型ModelI；
步骤S35：采用图像数据近视预测模型ModelI对图像数据进行近视预测，得到眼底图像近视预测信息。
3.根据权利要求2所述的一种用于视力矫正的青少年近视预测方法，其特征在于：在步骤S32中，所述构建特征融合单元，包括以下步骤：
步骤S321：镶嵌式眼底图像特征融合，具体为构建卷积层和池化层，对眼底图像进行卷积和平均池化操作，对所述卷积和平均池化操作得到的特征图进行全局池化操作，并采用多层感知器，通过特征融合，得到镶嵌式眼底特征融合图像，计算公式为：
；
式中，ZA是镶嵌式眼底特征融合图像，MLP（）是多层感知器函数，GAP（）是全局池化操作，Conv（）是卷积操作，F1是卷积层输入特征图，AvgPool（）是平均池化操作，F2是池化层输入特征图；
步骤S322：最亮区域特征融合，具体为将眼底图像中的最亮区域设置为掩膜，并通过平均池化操作得到最亮区域特征融合图像，计算公式为：
；
式中，ZB是最亮区域特征融合图像，F3是眼底图像中的最亮区域特征图像，γ是最亮区域特征融合偏置项；
步骤S323：网络特征融合，具体为结合镶嵌式眼底特征融合图像ZA和最亮区域特征融合图像ZB，并将图像数据中的眼底图像作为原始图像，对镶嵌式眼底特征融合图像ZA、最亮区域特征融合图像ZB和原始图像进行特征融合，得到融合特征。
4.根据权利要求3所述的一种用于视力矫正的青少年近视预测方法，其特征在于：在步骤S33中，所述损失函数构建，包括以下步骤：
步骤S331：构建特征向量排名分支函数，用于构建排名分类损失函数，计算公式为：
；
式中，U（）是特征向量排名分支函数，si是特征向量水平方向排名分支输入，sj是特征向量垂直方向排名分支输出，i是特征向量水平方向索引，j是特征向量垂直方向索引，yi是特征向量水平方向标签，yj是特征向量垂直方向标签；
步骤S332：构建排名分类损失函数，用于优化预测效果，计算公式为：
；
式中，Lrank是排名分类损失函数，ReLU（）是先行修正函数；
步骤S333：构建交叉熵损失函数，用于降低预测误差，计算公式为：
；
式中，LCE是交叉熵损失函数，N是图像数据中的样本总数，k是样本索引，G是预测总类别数，c是类别索引，rkc是样本真实标签，pkc是样本预测标签；
步骤S334：构建整体损失函数，用于优化模型训练，计算公式为：
；
式中，Lto是整体损失函数。
5.根据权利要求4所述的一种用于视力矫正的青少年近视预测方法，其特征在于：在步骤S4中，所述数值数据近视预测，用于依据增强数值数据进行近视预测，具体为将所述增强数值数据作为数值数据输入，并采用时序长短期记忆神经网络进行数值数据近视预测；
所述时序长短期记忆神经网络，包括遗忘门、输入门、时间门、输出门和细胞单元状态；
所述采用时序长短期记忆神经网络进行数值数据近视预测，包括以下步骤：
步骤S41：构建遗忘门，用于控制并筛选细胞单元状态需要遗忘的信息，计算公式为：
；
式中，t是时间索引，用于表示当前时刻，Fgt是遗忘门在当前时刻t时的状态，φ（）是sigmoid激活函数，是遗忘门权重，xT是作为当前时刻输入的数值数据，UFg是遗忘门学习参数，ht-1是前一时刻状态，bFg是遗忘门偏置项；
步骤S42：构建输入门，用于控制新输入信息对细胞单元状态的更新，计算公式为：
；
式中，Ipt是输入门在当前时刻t时的状态，是输入门权重，UIp是输入门学习参数，bIp是输入门偏置项；
步骤S43：构建细胞单元状态，用于传递并存储长期记忆，包括以下步骤：
步骤S431：计算细胞激活状态，计算公式为：
；
式中，是细胞单元状态在当前时刻t时的激活状态，tanh（）是双曲正切激活函数，/>是细胞单元状态权重，UC是细胞单元状态学习参数，bC是细胞单元状态偏置项；
步骤S432：通过遗忘门和输入门，构建细胞单元状态，计算公式为：
；
式中，Ct是细胞单元状态在当前时刻t时的状态，Ct-1是细胞单元状态在前一时刻t-1时的状态；
步骤S44：构建时间门，用于依据时间间隔的变化调整细胞单元状态的更新，包括以下步骤：
步骤S441：计算短期记忆，计算公式为：
；
式中，是短期记忆在前一时刻t-1时的状态，/>是短期记忆权重，bd是短期记忆偏置项；
步骤S442：计算加权短期记忆，计算公式为：
；
式中，是加权短期记忆在前一时刻t-1时的状态，/>是加权时间推移量；
步骤S443：计算长期记忆，计算公式为：
；
式中，是长期记忆在前一时刻t-1时的状态；
步骤S444：计算调整记忆，具体为结合加权短期记忆和长期记忆进行调整记忆计算，计算公式为：
；
式中，是调整记忆在前一时刻t-1时的状态；
步骤S445：时间门构建，具体为通过计算调整记忆，构建时间门；
步骤S45：构建输出门，用于控制细胞单元状态的信息对当前时刻的隐藏状态和输出的影响，计算公式为：
；
式中，Opt是输出门在当前时刻t时的状态，是输出门权重，UOp是输出门学习参数，bOp是输出门偏置项；
步骤S46：时序长短期记忆神经网络模型训练，具体为通过构建遗忘门、构建输入门、构建时间门、构建输出门和构建细胞单元状态，进行模型训练，得到数值数据近视预测模型ModelD；
步骤S47：采用数值数据近视预测模型ModelD进行近视预测，得到历史数据近视预测信息。
6.根据权利要求5所述的一种用于视力矫正的青少年近视预测方法，其特征在于：在步骤S1中，所述数值数据包括裸眼视力数据、眼球球体数据、散光数据、眼角膜曲率数据和轴向长度数据，所述图像数据为眼底图像数据；
在步骤S5中，所述青少年近视预测，用于结合数值数据和图像数据进行近视预测，具体为结合眼底图像近视预测信息和历史数据近视预测信息，得到青少年近视预测信息。
7.一种用于视力矫正的青少年近视预测系统，用于实现如权利要求1-6中任一项所述的一种用于视力矫正的青少年近视预测方法，其特征在于：包括数据采集模块、数据预处理模块、图像数据近视预测模块、数值数据近视预测模块和青少年近视预测模块。
8.根据权利要求7所述的一种用于视力矫正的青少年近视预测系统，其特征在于：所述数据采集模块，用于数据采集，具体为收集青少年近视预测相关数据，通过采集得到近视预测原始数据，并将所述近视预测原始数据发送至数据预处理模块和图像数据近视预测模块；
所述数据预处理模块，用于数据预处理，具体为对所述数值数据进行预处理，得到增强数值数据，并将所述增强数值数据发送至数值数据近视预测模块；
所述图像数据近视预测模块，用于图像数据近视预测，具体为对所述图像数据进行处理，并采用深度学习方法依据所述图像数据进行近视预测，得到眼底图像近视预测信息，并将所述眼底图像近视预测信息发送至近视预测模块；
所述数值数据近视预测模块，用于数值数据近视预测，具体为依据增强数值数据进行近视预测，得到历史数据近视预测信息，并将所述历史数据近视预测信息发送至近视预测模块；
所述青少年近视预测模块，用于青少年近视预测，具体为结合数值数据和图像数据进行青少年近视预测，得到青少年近视预测信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440889.0A CN117153407B (zh) | 2023-11-01 | 2023-11-01 | 一种用于视力矫正的青少年近视预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440889.0A CN117153407B (zh) | 2023-11-01 | 2023-11-01 | 一种用于视力矫正的青少年近视预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117153407A true CN117153407A (zh) | 2023-12-01 |
| CN117153407B CN117153407B (zh) | 2023-12-26 |
Family
ID=88903261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311440889.0A Active CN117153407B (zh) | 2023-11-01 | 2023-11-01 | 一种用于视力矫正的青少年近视预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153407B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493982A (zh) * | 2024-01-03 | 2024-02-02 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
| CN118512149A (zh) * | 2024-07-19 | 2024-08-20 | 山东黄海智能装备有限公司 | 一种用于青少年视力训练的近视视力预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
| CN109998477A (zh) * | 2019-04-12 | 2019-07-12 | 复旦大学附属眼耳鼻喉科医院 | 一种高度近视白内障手术预后智能预判系统 |
| CN111612856A (zh) * | 2020-05-25 | 2020-09-01 | 中南大学 | 用于彩色眼底图像的视网膜新生血管检测方法及成像方法 |
| WO2021220138A1 (en) * | 2020-04-29 | 2021-11-04 | Novartis Ag | A computer-implemented system and method for assessing a level of activity of a disease or condition in a patient's eye |
| CN114782394A (zh) * | 2022-05-07 | 2022-07-22 | 浙江大学 | 一种基于多模态融合网络的白内障术后视力预测系统 |
| WO2022252107A1 (zh) * | 2021-06-01 | 2022-12-08 | 眼灵(上海)智能科技有限公司 | 一种基于眼部图像的疾病检测系统及方法 |
| KR102551808B1 (ko) * | 2022-10-12 | 2023-07-05 | 주식회사 에이비스 | 근시퇴행 예측 의료기기 장치 및 방법 |
| CN116805138A (zh) * | 2023-06-25 | 2023-09-26 | 东南大学 | 基于先验循环神经网络的高速公路沥青路面使用性能预测方法 |
-
2023
- 2023-11-01 CN CN202311440889.0A patent/CN117153407B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
| CN109998477A (zh) * | 2019-04-12 | 2019-07-12 | 复旦大学附属眼耳鼻喉科医院 | 一种高度近视白内障手术预后智能预判系统 |
| WO2021220138A1 (en) * | 2020-04-29 | 2021-11-04 | Novartis Ag | A computer-implemented system and method for assessing a level of activity of a disease or condition in a patient's eye |
| CN111612856A (zh) * | 2020-05-25 | 2020-09-01 | 中南大学 | 用于彩色眼底图像的视网膜新生血管检测方法及成像方法 |
| WO2022252107A1 (zh) * | 2021-06-01 | 2022-12-08 | 眼灵(上海)智能科技有限公司 | 一种基于眼部图像的疾病检测系统及方法 |
| CN114782394A (zh) * | 2022-05-07 | 2022-07-22 | 浙江大学 | 一种基于多模态融合网络的白内障术后视力预测系统 |
| KR102551808B1 (ko) * | 2022-10-12 | 2023-07-05 | 주식회사 에이비스 | 근시퇴행 예측 의료기기 장치 및 방법 |
| CN116805138A (zh) * | 2023-06-25 | 2023-09-26 | 东南大学 | 基于先验循环神经网络的高速公路沥青路面使用性能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 石征锦 等: "基于深度学习的近视性屈光度自动预测方法研究", 光电技术应用, no. 05, pages 51 - 56 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493982A (zh) * | 2024-01-03 | 2024-02-02 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
| CN117493982B (zh) * | 2024-01-03 | 2024-03-22 | 江苏上达半导体有限公司 | 一种基于机器学习的半导体电阻值预测方法及系统 |
| CN118512149A (zh) * | 2024-07-19 | 2024-08-20 | 山东黄海智能装备有限公司 | 一种用于青少年视力训练的近视视力预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117153407B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117153407B (zh) | 一种用于视力矫正的青少年近视预测方法及系统 | |
| Xiao et al. | Robust facial landmark detection via recurrent attentive-refinement networks | |
| US11544524B2 (en) | Electronic device and method of obtaining emotion information | |
| US20210049410A1 (en) | Devices, systems and methods for predicting gaze-related parameters using a neural network | |
| CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
| KR102668240B1 (ko) | 사용자의 신체 상태를 추정하기 위한 방법 및 디바이스 | |
| US20210041701A1 (en) | Devices, systems and methods for predicting gaze-related parameters | |
| CN103870796B (zh) | 一种人眼视线估计的方法与装置 | |
| CN108222749B (zh) | 一种基于图像分析的智能自动门控制方法 | |
| WO2010045272A1 (en) | Smoothed sarsa: reinforcement learning for robot delivery tasks | |
| US20090147994A1 (en) | Toro: tracking and observing robot | |
| EP3749172A1 (en) | Devices, systems and methods for predicting gaze-related parameters | |
| US20210073589A1 (en) | Method for Improving Temporal Consistency of Deep Neural Networks | |
| CN112732071A (zh) | 一种免校准眼动追踪系统及应用 | |
| CN112397199B (zh) | 一种基于5g和区块链的大数据疾病预测系统 | |
| CN111325711A (zh) | 一种基于深度学习的染色体分裂相图像质量评价方法 | |
| EP3987380A1 (en) | Systems and methods for determining one or more parameters of a user's eye | |
| CN110826563B (zh) | 基于神经网络和概率图模型的手指静脉分割方法及装置 | |
| CN103391430A (zh) | 基于dsp的相关跟踪方法及专用装置 | |
| CN116309695A (zh) | 一种用于鱼类生物识别追踪与状态判断的方法 | |
| CN117315258A (zh) | 基于图卷积网络和部分卷积的轻量级视网膜血管分割方法 | |
| CN115019382A (zh) | 区域确定方法、装置、设备、存储介质和程序产品 | |
| CN114693898A (zh) | 一种胰腺和肿瘤三维图像分割系统和方法 | |
| CN113156473B (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
| CN107844734A (zh) | 监控目标确定方法及装置、视频监控方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |