便携型瞳孔测量装置制造方法及图纸

一种便携型瞳孔测量装置，包括一本体、一影像处理模组及一显示模组，其中该本体设有一可见光光源模组、一不可见光光源模组及一影像撷取模组，该影像撷取模组供撷取一受测瞳孔的不可见光影像资料；该影像处理模组电性连接该影像撷取模组，该影像处理模组用以执行一深度学习演算法以从该不可见光影像资料中选取一瞳孔轮廓资讯及输出与该瞳孔轮廓资讯相关联的一瞳孔特征参数；而该显示模组电性连接该影像处理模组，用以显示该瞳孔特征参数。用以显示该瞳孔特征参数。用以显示该瞳孔特征参数。

【技术实现步骤摘要】
便携型瞳孔测量装置


[0001]本专利技术有关一种便携型瞳孔测量装置，尤指一种通过深度学习演算法对连续时间的瞳孔大小进行计算并量化数据，以精准地取得连续时间的瞳孔变化。

技术介绍

[0002]人眼瞳孔的大小在1.5mm到9mm之间，并且是由自主神经控制，因此可以从而评估中枢和周边自此神经系统相关的视神经功能。于临床上大多都是以瞳孔光感反射评估视网膜、视神经功能和脑干功能。瞳孔光感反射在眼部疾病诊断及神经系统研究至关重要，瞳孔光感反射主要是量测瞳孔的大小(直径或面积)，而瞳孔的尺寸是由虹膜括约肌和虹膜扩张肌控制。虹膜括约肌由副交感神经系统控制，虹膜扩张肌则是交感神经系统控制，并以此做为判断患者身体状况的指标参数。当患者出现两边瞳孔的反应不一致或收缩的反应与常人相异时，则可能是某些疾病的征兆。
[0003]在目前的研究中，开放性青光眼于红光及蓝光的刺激下，与常人相比瞳孔收缩的幅度较小甚至是没有反应。在眼睛方面的病变除了青光眼之外，因糖尿病所引起的糖尿病性视网膜病变、非增殖性糖尿病视网膜病变、增生性糖尿病视网膜病变等患者在光源的刺激下，随着病情的加重瞳孔对于光源刺激的反应越来越少。视网膜病变通常伴随内在光敏视网膜神经节细胞的功能降低，除了照明后瞳孔反应异常之外，也会造成生理节律的失调。
[0004]瞳孔对光的反应在临床上常用来判断病人的生理状态，当医疗人员利用手持式笔灯进行光反射检查时，多以光源照射病患的眼睛并观察其瞳孔的缩放程度，借以确认其生命征象。如果出现瞳孔一大一小或者是有一边收缩的速度较慢、幅度较小，则有可能是中风、脑肿瘤、视神经肿瘤等疾病的前期症状。然而现阶段对于判断瞳孔尺寸的变化仍仰赖医护人员的经验判断瞳孔的大小，由于不同人员的经验法则不同，且可能因主观意识或其劳累程度而造成判断上并不统一，因此对于估算的尺寸变异极大，即使同样的医护人员，在不同时间所判断的尺寸大小亦有相当的差异。
[0005]目前虽可利用体积较大的仪器设备对瞳孔进行详细检测，例如ZIEMER Galilei G4、RODENSTOCK CXT 3000与Reichert OptoChek
TM Plus Auto Refractor Keratometer等产品，虽然这类仪器功能完善，但其价格昂贵且无法随意搬动，且在检测时患者需将头部或眼部靠近仪器才能进行量测，对于需要机动性的医护人员来说使用相当不便。

技术实现思路

[0006]有鉴于此，仍有操作流程简单易于使用、小型化且具高精准度的瞳孔量测装置的需求，以解决于临床上瞳孔大小数据无法即时量化及操作不便的问题，增进第一线医护人员的操作便利性。
[0007]本专利技术的主要目的在提供一种便携型瞳孔测量装置，其于影像撷取模组连续撷取一受测瞳孔的不可见光影像资料时，使影像处理模组执行一深度学习演算法以从该不可见光影像资料中选取一瞳孔轮廓资讯及输出与该瞳孔轮廓资讯相关联的一瞳孔特征参数，以
对瞳孔受可见光刺激前后的变化数值进行分析。
[0008]为达上述的目的，本专利技术所设的便携型瞳孔测量装置包括一本体、一影像处理模组及一显示模组，其中该本体设有一可见光光源模组、一不可见光光源模组及一影像撷取模组，该影像撷取模组供撷取一受测瞳孔的不可见光影像资料；该影像处理模组电性连接该影像撷取模组，该影像处理模组用以执行一深度学习演算法以从该不可见光影像资料中选取一瞳孔轮廓资讯及输出与该瞳孔轮廓资讯相关联的一瞳孔特征参数；而该显示模组电性连接该影像处理模组，用以显示该瞳孔特征参数。
[0009]实施时，该深度学习演算法为一卷积神经网路，该卷积神经网路包括以下运算层：多孔卷积层、池化层、摊平层、完全连接层及输出层，借以通过多孔卷积层及池化层交替处理输入影像找出特征，并利用摊平层及完全连接层处理特征图或特征值后由输出层输出，以产生对应于该不可见光影像资料的瞳孔特征参数。
[0010]实施时，该卷积神经网路还包括以下运算层：激活函数、输出层、损失函数。
[0011]实施时，该深度学习演算法分析瞳孔的椭圆长轴及短轴，以得到该瞳孔特征参数。
[0012]实施时，该不可见光影像资料为连续影像资料，且该影像处理模组还用以根据该瞳孔轮廓资讯及该特征参数执行一瞳孔尺寸演算法。
[0013]实施时，该不可见光光源模组为一红外线光源模组，而该影像撷取模组为一红外线摄像模组。
[0014]实施时，其还包括一测距模组，用以于上述影像撷取模组撷取受测瞳孔的不可见光影像资料时，测量该测距模组与受测瞳孔之间的距离而产生一初始距离资讯，根据所测得的初始距离资讯搭配上述瞳孔尺寸演算法所计算的数值而取得瞳孔的实际尺寸；此外，于该受测瞳孔受到该可见光光源模组发出的可见光刺激后，上述影像撷取模组再次测量其与受测瞳孔之间的距离而产生一刺激距离资讯，供该瞳孔尺寸演算法进而调整所计算的瞳孔尺寸。
[0015]实施时，该测距模组包括深度相机，其中所述深度相机包括TOF深度相机。
[0016]实施时，该显示模组还包括一指示灯或一蜂鸣器，用以提示该瞳孔特征参数已计算完成。
[0017]通过上述架构，本专利技术所提出的基于深度学习的便携型瞳孔测量装置可快速判定瞳孔的尺寸，避免人工经验判断带来的判断不一致问题，并进一步判定出瞳孔缩放速度，且维持快速的判定速度。
[0018]为进一步了解本专利技术，以下举较佳的实施例，配合附图、附图标记，将本专利技术的具体构成内容及其所达成的功效详细说明如下。
附图说明
[0019]图1为本专利技术的一实施例的正面外观示意图；图2为图1的实施例的背面外观示意图；图3为图1的实施例的架构示意图；图4a至图4e为图1的实施例于建立瞳孔影像资料集时的瞳孔图片预处理流程图；图5为训练瞳孔影像资料集时的网路结构图；图6为训练网路模型结构的架构示意图；
图7为进行最大池化法时的构示意图；图8为测量瞳孔时于显示模组中所显示的瞳孔影像及距离参数示意图；图9为测量瞳孔后于显示模组中所显示的瞳孔特征参数示意图。
[0020]附图标记说明1: 本体11: 电源驱动模组12: 控制钮2:影像处理模组3:显示模组31: 指示灯32: 蜂鸣器4:可见光光源模组5:不可见光光源模组6:影像撷取模组7:测距模组。
具体实施方式
[0021]请参阅图1至图3，其为本专利技术的便携型瞳孔测量装置的一实施例，包括一本体1、一影像处理模组2及一显示模组3。该本体1的前侧面设有一可见光光源模组4、一用以发出红外光的不可见光光源模组5、一用以接收红外光的影像撷取模组6及一测距模组7，后侧面则设有一显示模组3所设的屏幕，且该本体1内设有一用以供应该装置电源的电源驱动模组11，其中该影像撷取模组6供撷取一受测瞳孔的不可见光影像资料。
[0022]该影像处理模组2与上述各模组电性连接，并于该本体1的后侧面设有一控制钮12。该测距模组7包括深度相机，例如TOF深度相机，用以于上述影像撷取模组6撷取受测瞳孔的不可见光影像资料时，测量该测距模组与受测瞳孔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种便携型瞳孔测量装置，其特征在于，包括：一本体，其设有一可见光光源模组、一不可见光光源模组及一影像撷取模组，其中该影像撷取模组供撷取一受测瞳孔的不可见光影像资料；一影像处理模组，电性连接该影像撷取模组，该影像处理模组用以执行一深度学习演算法以从该不可见光影像资料中选取一瞳孔轮廓资讯及输出与该瞳孔轮廓资讯相关联的一瞳孔特征参数；以及一显示模组，电性连接该影像处理模组，用以显示该瞳孔特征参数。2.如权利要求1所述的便携型瞳孔测量装置，其特征在于，该深度学习演算法为一卷积神经网路。3.如权利要求2所述的便携型瞳孔测量装置，其特征在于，该卷积神经网路包括以下运算层：多孔卷积层、池化层、摊平层、完全连接层及输出层，借以通过多孔卷积层及池化层交替处理输入影像找出特征，并利用摊平层及完全连接层处理特征图或特征值后由输出层输出，以产生对应于该不可见光影像资料的瞳孔特征参数。4.如权利要求3所述的便携型瞳孔测量装置，其特征在于，该卷积神经网路还包括以下运算层：激活函数、输出层、损失函数。5.如权利要求1所述的便携型瞳孔测量装置，其特征在于，该深度学习演算法分析瞳孔的椭圆长轴及短轴，以得到该瞳孔特征参数。6...

【专利技术属性】
技术研发人员：黄忠伟，陈怡永，曾韦杰，蔡智先，张馨，赵一平，严介宏，
申请(专利权)人：陈怡永，
类型：发明
国别省市：