基于不确定度的婴幼儿眼轴发育情况预测系统技术方案

本发明专利技术提供一种基于不确定度的婴幼儿眼轴发育情况预测系统，涉及眼轴发育情况预测技术领域。本发明专利技术提出的基于不确定度的婴幼儿眼轴发育情况预测系统，包括用于对婴幼儿眼轴和年龄数据进行预处理的数据预处理模块，用于将经过预处理后的婴幼儿眼轴和年龄数据输入至经过训练和优化后的深度学习预测网络模型中对婴幼儿眼轴发育情况进行分类预测的预测模块；用于判定分类预测结果的可信度，并输出可信度判定结果的可信度判定模块。本发明专利技术相比于现有人工判定婴幼儿眼轴发育情况技术其效率更高、可信程度更高。可信程度更高。可信程度更高。

【技术实现步骤摘要】
基于不确定度的婴幼儿眼轴发育情况预测系统


[0001]本专利技术涉及眼轴发育情况预测
，具体涉及一种基于不确定度的婴幼儿眼轴发育情况预测系统。

技术介绍

[0002]婴幼儿眼轴的变化情况与婴幼儿视力发育有显著关联，根据婴幼儿的眼轴数据预测眼轴发育情况，对判断婴幼儿眼睛发育的健康状况有重要意义。近年来，随着人工智能发展的日益成熟，以深度学习为代表的算法在许多医学图像应用中显示出巨大的优势，眼科领域也逐步加大相关的应用。
[0003]目前，对于眼轴发育情况的预测，主要还是通过人工读取眼轴数据来判断眼轴发育情况，即相关人员读取眼轴数据后，根据自身经验来判断眼轴的发育状况，而利用人工智能进行婴幼儿眼轴发育情况预测的相关技术较少。
[0004]然而，通过人工读取眼轴数据来判断眼轴发育状况的方法，不仅耗时费力，效率低下，且由于人员经验、专业水平参差不齐，导致准确率无法有效保障；而且，现有的人工智能模型无法做到100％的预测准确率，更无法展示结果的可信程度，如果将这种可信度无法判定的结果贸然应用到婴幼儿眼轴变化预测工作中时，一旦发生误诊情况，将对正确判断婴幼儿视力发育趋势有不利的影响，后果严重。所以，亟需提出一种可靠的婴幼儿眼轴发育情况预测技术来解决上述问题。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于不确定度的婴幼儿眼轴发育情况预测系统，解决了现有婴幼儿眼轴发育情况预测技术存在可信度差且效率不高的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]本专利技术提出的一种基于不确定度的婴幼儿眼轴发育情况预测系统，所述系统包括：
[0010]数据预处理模块，用于对婴幼儿眼轴和年龄数据进行预处理，所述预处理包括数据聚合；
[0011]预测模块，用于将经过数据聚合的婴幼儿眼轴和年龄数据输入至经过训练和优化后的深度学习预测网络模型中，对婴幼儿眼轴发育情况进行分类预测；所述深度学习预测网络模型包括：以Transformer和卷积神经网络为架构，并基于贝叶斯理论，将网络中的全连接层和池化层设置为贝叶斯全连接层和贝叶斯池化层；
[0012]可信度判定模块，用于判定所述分类预测结果的可信度，并输出可信度判定结果。
[0013]优选的，所述数据聚合的步骤包括：将每个数据采集时间节点的婴幼儿眼轴和年龄数据嵌入成数据向量，再把不同时间节点的数据向量聚合成一个数据矩阵。
[0014]优选的，训练和优化深度学习预测网络模型的过程为：
[0015]利用线性插值算法对获取的婴幼儿眼轴和年龄数据进行数据扩增，并将经过数据扩增后的数据进行数据聚合；
[0016]利用经过数据聚合的婴幼儿眼轴和年龄数据训练深度学习预测网络模型，且将Cross Entropy Loss、任意不确定度、模型不确定度的结合作为训练和优化深度学习预测网络模型时的损失函数。
[0017]优选的，所述模型不确定度、任意不确定度为：
[0018]将深度学习预测网络模型输出的异常组概率值的方差作为模型不确定度；将深度学习预测网络模型输出的模型噪声的方差作为任意不确定度。
[0019]优选的，所述可信度判定模块判定所述分类预测结果的可信度包括：
[0020]利用任意不确定度和模型不确定度作为查询函数来筛选训练数据以提高分类预测结果的可信度。
[0021]优选的，所述可信度判定模块判定所述分类预测结果的可信度还包括：
[0022]利用任意不确定度和模型不确定度作为区分正确预测结果和错误预测结果的判断标准。
[0023]优选的，所述利用任意不确定度和模型不确定度作为查询函数来筛选训练数据具体包括：
[0024]当多组数据之中出现个别组数据的不确定度显著小于或大于其它组时，判断此类数据为异常数据，将该异常数据从训练数据中去除。
[0025]优选的，所述利用任意不确定度和模型不确定度作为区分正确预测结果和错误预测结果的判断标准包括：
[0026]当预测结果的任意不确定度或模型不确定度比训练集的平均不确定度高出50％时，则判断该预测结果的预测可信程度低。
[0027]优选的，所述训练集的平均不确定度的计算方法为：对每组数据计算不确定度，然后再计算期望。
[0028]优选的，所述系统还包括：
[0029]数据存储模块，用于存储获取的婴幼儿眼轴和年龄数据。
[0030](三)有益效果
[0031]本专利技术提供了一种基于不确定度的婴幼儿眼轴发育情况预测系统。与现有技术相比，具备以下有益效果：
[0032]1、本专利技术提出的一种基于不确定度的婴幼儿眼轴发育情况预测系统，包括：数据预处理模块，用于对婴幼儿眼轴和年龄数据进行预处理；预测模块，用于将经过预处理后的婴幼儿眼轴和年龄数据输入至经过训练和优化后的深度学习预测网络模型中对婴幼儿眼轴发育情况进行分类预测；可信度判定模块，用于判定分类预测结果的可信度，并输出可信度判定结果。本专利技术相比于现有人工判定婴幼儿眼轴发育情况技术，其效率更高；同时也克服了利用现有人工智能模型进行婴幼儿眼轴发育情况预测时，存在可信度差的问题。
[0033]2、本专利技术提出的用于婴幼儿眼轴发育情况预测的深度学习预测网络模型，其以Transformer和卷积神经网络为架构，并基于贝叶斯理论，将网络中的全连接层和池化层设置为贝叶斯全连接层和贝叶斯池化层，从而利用贝叶斯神经网络的特性计算不确定度，并
利用不确定度优化深度学习预测网络和判断预测结果的可信程度，提高了网络预测的准确性和可信度。
[0034]3、本专利技术在训练和优化深度学习预测网络模型前，进行数据扩增，扩增了训练数据的数据量，保证了模型训练的效果；同时将Cross Entropy Loss+任意不确定度+模型不确定度作为训练和优化深度学习预测网络模型时的损失函数，约束了深度学习预测网络的波动，可以使训练完成的深度学习预测网络模型的误差更小，可信度更高。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本专利技术的一些实施例，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的附图。
[0036]图1为本专利技术一种基于不确定度的婴幼儿眼轴发育情况预测系统的系统框图；
[0037]图2为本专利技术实施例中深度学习预测网络模型的结构图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定度的婴幼儿眼轴发育情况预测系统，其特征在于，所述系统包括：数据预处理模块，用于对婴幼儿眼轴和年龄数据进行预处理，所述预处理包括数据聚合；预测模块，用于将经过数据聚合的婴幼儿眼轴和年龄数据输入至经过训练和优化后的深度学习预测网络模型中，对婴幼儿眼轴发育情况进行分类预测；所述深度学习预测网络模型包括：以Transformer和卷积神经网络为架构，并基于贝叶斯理论，将网络中的全连接层和池化层设置为贝叶斯全连接层和贝叶斯池化层；可信度判定模块，用于判定所述分类预测结果的可信度，并输出可信度判定结果。2.如权利要求1所述的系统，其特征在于，所述数据聚合的步骤包括：将每个数据采集时间节点所采集的婴幼儿眼轴和年龄数据嵌入成数据向量，并将不同时间节点的所述数据向量聚合成一个数据矩阵。3.如权利要求1所述的系统，其特征在于，训练和优化深度学习预测网络模型的过程为：利用线性插值算法对获取的婴幼儿眼轴和年龄数据进行数据扩增，并将经过数据扩增后的数据进行数据聚合；利用经过数据聚合的婴幼儿眼轴和年龄数据训练深度学习预测网络模型，且将Cross Entropy Loss、任意不确定度、模型不确定度的结合作为训练和优化深度学习预测网络模型时的损失函数。4.如权利要求3所述的系统，其特征在于，所述模型不确定度、任意不确定度为：将深度学习预测网络模型输出...

【专利技术属性】
技术研发人员：刘辉，王琼，杨艳，马翠侠，
申请(专利权)人：合肥市妇幼保健院，
类型：发明
国别省市：