基于像素级角膜生物力学参数的细微角膜形变识别方法及装置制造方法及图纸

本发明专利技术涉及一种基于像素级角膜生物力学参数的细微角膜形变识别方法及装置，包括以下步骤：步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。本发明专利技术测量精度高且能够检测到局域性的细微力学变化。微力学变化。微力学变化。

【技术实现步骤摘要】
基于像素级角膜生物力学参数的细微角膜形变识别方法及装置


[0001]本专利技术属于细微角膜形变识别
，涉及一种细微角膜形变识别方法及装置，尤其是一种基于像素级角膜生物力学参数的细微角膜形变识别方法及装置。

技术介绍

[0002]目前，测量角膜生物力学的设备主要有两种，眼反应分析仪(ORA)和可视化角膜生物力学分析仪(Corvis ST)。
[0003]眼反应分析仪是利用空气脉冲动态双向压平角膜，光电信号记录角膜双向压平的时间点，测量两次压平时的压力P1、P2，得到反应角膜生物力学的角膜滞后量(CH)和角膜阻力因子(CRF)。
[0004]可视化角膜生物力学分析仪采用超高速Scheimpflug断层扫描技术，在8 mm水平范围以4330帧/s的速度扫描，在喷气脉冲作用下产生两次压平状态，31ms内采集140幅图像，获得角膜动态反应参数、波形图及动态角膜形变视频表征角膜生物力学。
[0005]但上述方法存在如下缺陷：目前两台商用设备所得的在体角膜生物力学参数，反应的是角膜整体的力学信息，测量精度不够，很难检测到局域性的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：包括以下步骤：步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。2.根据权利要求1所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述步骤1的具体方法为：对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据。3.根据权利要求1所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述像素级数据包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移和最薄点相对位移。4.根据权利要求1所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述步骤2的具体步骤包括：(1)采样得到的T个含m个训练样本的采样集，构造如下基分类器：假定基分类器i对x的预测标记hi(x)∈{
‑
1,+1}而x的真实标记为y＝f(x)∈{
‑
1,+1}基分类器的错误率为∈，即对每个基分类器hi，有：P(hi(x)≠f(x))＝∈通过投票法结合T个基分类器，若有超过半数的基分类器预测为+1，则集成分类就+1，即若基分类器中预测1超过半数，则若基分类器中预测
‑
1超过半数，则故最终集成分类器结果为：
假设基分类器的错误率独立，集成的错误率为：即随着基分类器数目T不断增大，集成分类器的错误率将呈指数下降；由Hoeffding不等式，当δ>0,k＝(p
‑
δ)n,将集成错误率代入Hoeffding不等式时,当当根据条件整理δ,代入原不等式即可解出错误率，整...

【专利技术属性】
技术研发人员：王雁，汪日伟，陈萱，谭左平，曹华政，李柯迪，江欣蔚，尉金行，吴浩达，
申请(专利权)人：温州理工学院，
类型：发明
国别省市：