一种基于大数据的角膜塑形镜验配方法及系统技术方案

本发明专利技术提供了一种基于大数据的角膜塑形镜验配方法及系统，其中，验配方法包括：获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；对所述历史数据进行预处理，剔除无效数据；根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。该验配系统省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。

【技术实现步骤摘要】
一种基于大数据的角膜塑形镜验配方法及系统
本专利技术涉及塑形镜验配领域，具体涉及一种基于大数据的角膜塑形镜验配方法及系统。
技术介绍
在这个科技发达的时代，电子产品的风靡给我们的日常生活中带来了方便，但同时也给我们的健康带来了不利，最明显的就是我们的眼部健康。现在很多儿童在很小的时候就开始迷上电子产品，以至于我国的青少年患近视眼的概率居世界首位，而在近视防控的措施中，角膜塑形镜是佼佼者，目前，角膜塑形镜的验配方式是根据角膜地形图的参数进行多次试戴角膜塑形镜的试戴片，然后根据试戴结果确认用户需配带的角膜塑形镜的度数。
技术实现思路
针对上述问题，本专利技术提供一种基于大数据的角膜塑形镜验配方法及系统。本专利技术的目的采用以下技术方案来实现：本专利技术第一方面提供了一种基于大数据的角膜塑形镜验配方法，该方法包括：获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；对所述历史数据进行预处理，剔除无效数据；根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。在一种可选的实施方式中，采用有监督的学习算法构建所述线性回归模型，包括：S1：将预处理后的用户的角膜地形图参数与其对应的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；S2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；S3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到所述线性回归模型：Ke＝b0+b1×Kf+b2×minK+b3×Em式中，Ke是角膜曲率值，b0为常数项，b1、b2、b3分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。在一种可选的实施方式中，在步骤S3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：S31：对引入的自变量进行F检验，判断该自变量是否显著；S32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；S33：按照步骤S31-S32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。在一种可选的实施方式中，所述方法进一步包括：优化所述线性回归模型，具体是：重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：Ke＝b0′+b1′×Kf+b2′×minK+b3′×Em式中，Ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为Kf、minK、Em的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。在一种可选的实施方式中，所述角膜地形图参数包括：Ks、Kf、MinK、AvgK、CYL、SRI、PVA、SAI、Es和Em；其中：Ks为陡峭子午线角膜屈光力，即垂直向曲率；Kf为平坦子午线屈光力，即水平向曲率；MinK为最小子午线屈光力，即最小曲率；AvgK为平均角膜屈光度，即垂直向曲率和水平向曲率的均值；CYL为柱镜度数，即散光；SRI为角膜平均表面规则系数；PVA为眼睛矫正的最高理想视力值；SAI为角膜表面非对称性指数；Es为Ks子午线方向的角膜偏心率；Em为最小角膜曲率子午线方向的角膜偏心率。在一种可选的实施方式中，对所述历史数据进行预处理，剔除无效数据，具体是：剔除所述SRI、PVA、SAI和Es。本专利技术的有益效果为：本专利技术提供了一种基于大数据的角膜塑形镜验配方法，该验配方法根据获取已验配用户的角膜地形图参数和其对应的角膜曲率真实值训练得到一个线性回归模型，然后利用该模型可以得到待测用户需要佩带的角膜塑形镜参数(即用户的角膜曲率值)。该验配方法省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。本专利技术第二方面提供了一种基于大数据的角膜塑形镜验配系统，该角膜塑形镜验配系统包括：历史数据获取模块，用于获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；数据处理模块，用于对所述历史数据进行预处理，剔除无效数据；模型构建模块，用于根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；角膜曲率值计算模块，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。在一种可选的实施方式中，所述的线性回归模型是采用有监督的学习算法构建得到的，具体包括：S1：将预处理后的用户的角膜地形图参数与其对应的角膜塑形镜的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；S2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；S3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到线性回归模型：Ke＝b0+b1×Kf+b2×minK+b3×Em式中，Ke是角膜曲率值，b0为常数项，b1、b2、b3分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。在一种可选的实施方式中，在步骤S3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：S31:对引入的自变量进行F检验，判断该自变量是否显著；S32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；S33：按照步骤S31-S32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。在一种可选的实施方式中，该验配系统还包括：模型优化模块：所述模型优化模块，用于优化所述线性回归模型，具体优化过程是：重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；将重新获取的角膜地形图参本文档来自技高网...

【技术保护点】
1.一种基于大数据的角膜塑形镜验配方法，其特征在于，所述方法包括：/n获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；/n对所述历史数据进行预处理，剔除无效数据；/n根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；/n获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。/n

【技术特征摘要】
1.一种基于大数据的角膜塑形镜验配方法，其特征在于，所述方法包括：
获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
对所述历史数据进行预处理，剔除无效数据；
根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；
获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。


2.根据权利要求1所述的角膜塑形镜验配方法，其特征在于，采用有监督的学习算法构建所述线性回归模型，包括：
S1：将预处理后的用户的角膜地形图参数与其对应的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；
S2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；
S3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到所述线性回归模型：
Ke＝b0+b1×Kf+b2×minK+b3×Em
式中，Ke是角膜曲率值，b0为常数项，b1、b2、b3分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。


3.根据权利要求2所述的角膜塑形镜验配方法，其特征在于，在步骤S3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：
S31：对引入的自变量进行F检验，判断该自变量是否显著；
S32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；
S33：按照步骤S31-S32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。


4.根据权利要求1所述的角膜塑形镜验配方法，其特征在于，所述方法进一步包括：
优化所述线性回归模型，具体是：
重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；
计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：
Ke＝b0′+b1′×Kf+b2′×minK+b3′×Em
式中，Ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为Kf、minK、Em的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。


5.根据权利要求1所述的角膜塑形镜验配方法，其特征在于，所述角膜地形图参数包括：Ks、Kf、MinK、AvgK、CYL、SRI、PVA、SAI、Es和Em；其中：
Ks为陡峭子午线角膜屈光力，即垂直向曲率；Kf为平坦子午线屈光力，即水平向曲率；MinK为最小子午线屈光力，即最小曲率；AvgK为平均角膜屈光度，即垂直向曲率和水平向曲率的均值；CYL为柱镜度数，即散光；SRI为角膜平均表面规则系数；PVA为眼睛矫...

【专利技术属性】
技术研发人员：宋珍，臧睿，
申请(专利权)人：明灏科技北京有限公司，
类型：发明
国别省市：北京;11