一种用于眼视力分析的线性核心算法制造技术

本发明专利技术提出一种用于眼视力分析的线性核心算法，将近视各影响因素：户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据等纳入模型，充分考虑危险因素对近视率的影响，从而显著提升了模型的预测精准度，同时本发明专利技术利用随机采样法选取非近视样本数据，减少非近视数据数量，使得近视数据数量与非近视数据数量达到平衡，提高了模型的拟合优度；本发明专利技术采用依据正确诊断指数法确定logistic模型的分类阈值，有效提高预测近视数和非近视数的分类准确性，提高近视预测方法的预测精度，从而给近视防控提供有效的方向，有效降低近视率。有效降低近视率。

【技术实现步骤摘要】
一种用于眼视力分析的线性核心算法


[0001]本专利技术涉及眼视力分析领域，具体为一种用于眼视力分析的线性核心算法。

技术介绍

[0002]视力是指视网膜分辨影像的能力。视力是指分辨细小的或遥远的物体及细微部分的能力，眼识别远方物体或目标的能力称为远视力，识别近处细小对象或目标的能力称为近视力。在一定条件下，眼睛能分辨的物体越小，视觉的敏锐度越大，视力的基本特征在于辨别两点之间距离的大小。视力可分为静视力、动态视力和夜间视力。静视力是指人和观察对象都处于静止状态下检测的视力，动态视力是指眼睛在观察移动目标时，捕获影像、分解、感知移动目标影像的能力。
[0003]近视看近物清楚，看远物模糊，专业定义为“远处物体经眼球折光后聚焦于视网膜前，而不是在视网膜上形成清晰的物像”。近视是儿童最常见的眼疾，伴随着高度近视所衍生的许多眼疾，正威胁着许多儿童的视力及眼睛健康。
[0004]近视所导致的视力障碍以及高度近视引起的严重并发症已经严重影响到人们的生活、学习和工作质量。因此世界卫生组织与国际防盲协会以及我国卫生部门已将儿童青少年近视的防控工作提上日程。然而其病因复杂，现多认为与遗传、环境等因素相关。
[0005]logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。通过logistic回归分析，得到自变量的权重，从而可以大致了解到底哪些因素是疾病的危险因素。同时根据该权值可以根据危险因素预测一个人患疾病的可能性。
技术实现思路
本专利技术的目的在于提出一种用于眼视力分析的线性核心算法，通过对近视各影响因素的相关线性回归分析，得出儿童近视的最大危险因素。该算法能快速定位儿童近视的可能性及患得近视的最大危险因素，从而给近视防控提供有效的方向，从而降低近视率。
[0006]一种用于眼视力分析的线性核心算法,包括：步骤1：采集和处理近视患者、非近视患者眼视力分析数据及相关近视率危险因素数据；步骤1.1：将研究的近视、非近视患者按年龄划分为M个同性质集合；步骤1.2：建立训练集；步骤1.2.1：在眼视力分析数据库中，获取所要研究的近视患者的眼视力分析数据；步骤1.2.2：在眼视力分析数据库中，获取所要研究的非近视患者的眼视力分析数据；步骤1.2.3：获取近视患者及非近视患者在同时间段与近视相关的危险因素数据：户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量等；
步骤1.2.4：整合近视患者、非近视患者眼视力分析数据、户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据，形成N个样本数据，从而得到训练集；在训练集中，将第i个样本是否为近视患者记为,若=1，表示第i个样本为近视患者样本，若=0，表示第i个样本为非近视患者样本；i=1,2,...N，以户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量等数据作为相关危险因素。
[0007]步骤2：建立logistic回归模型：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)表示伯努利分布，表示第i个样本为近视患者样本的概率，表示第i个样本为非近视患者的概率，为截距，为第r个危险因素的系数，为第i个样本中第r个危险因素的值，r=1,2,...R，R表示危险因素的总数。
[0008]步骤3：利用所述训练集对logistic模型进行参数估计，另为和组成的向量，利用极大似然估计法，算出使得(2)式似然函数取最大值时的估计参数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）。
[0009]步骤4：采用正确诊断指数法计算logistic模型的分类阈值；步骤4.1：利用logistic模型计算训练集中个样本的近视概率，并根据结果绘制ROC曲线；步骤4.2：利用式(3)对ROC曲线上的每个点计算正确诊断指数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）；S(j)表示ROC曲线上第j个点的正确诊断指数，表示ROC曲线上第j个点的灵敏度值，表示ROC曲线上第j个点的特异度值；步骤4.3：挑选最大正确诊断指数对应的阈值作为分类阈值。
[0010]步骤5：基于logistic模型和所要研究的近视患者、非近视患者数据，计算模型的阳性预测值和阴性预测值；步骤5.1：建立测试集；步骤5.1.1：在眼视力分析数据库中，采集训练集以外的近视患者数据；步骤5.1.2：在眼视力分析数据库中，采集训练集以外的非近视患者的眼视力分析数据；步骤5.1.3：获取该批近视患者及非近视患者在同时间段与近视相关的危险因素数据：户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量等；步骤5.1.4：整合该批近视测试者、非近视测试者眼视力分析数据、户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据，将近视
测试者对应样本数据标记为1，将非近视测试者对应数据样本标记为0，从而得到测试集；步骤5.2：基于所述测试集中相关测试者户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据，利用logistic模型计算每个测试者发生近视的概率，并依据所述分类阈值，对近视发生概率进行分类，当概率大于分类阈值时，则认为该测试者患上近视，记为1，若概率小于分类阈值，则认为该测试者没有患上近视，记为0；步骤5.3：根据测试集的近视概率分类结果和实际近视概况，统计以下数据：(1)近视正确预测为近视的数量，用TP表示；(2)近似被错误预测为非近视的数量，用TN表示；(3)非近视正确预测为非近视的数量，用FN表示；(4)非近视被错误预测为近视的数量，用FP表示；步骤5.4：依据统计得到的数量FP和TP，利用式(4)计算阳性预测值PPV:PPV=TP/(FP+TP)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；步骤5.5：依据统计得到的数量FN和TN，利用式(5)计算阴性预测值NPV:NPV=TN/(FN+TN)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)。
[0011]步骤6：利用计算得到的阳性预测值和阴性预测值，进行各年龄段的近视率预测；步骤6.1：随机抽取测试集样本户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据，形成验证集，并利用logistic模型计算各年龄段的近视概率；步骤6.2：根据所述分类阈值，对所述验证集中各年龄段的近视概率进行分类，当概率大于分类阈值时，则认为该验证者患上近视，记为1，若概率小于分类阈值，则认为该验证者没有患上近视，记为0；步骤6.3：统计验证集中各年龄段标记为1的近视数量，以及标记为0的非近视数量；步骤6.4：利用式(6)预测各年龄段的最终近视数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；表示第m个年龄段的最终近视数量预测值，表示第m个年龄段的近视数量，表示第m个年龄段的非近视数量，m=1,2,...M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于眼视力分析的线性核心算法,其主要特征包括：步骤1：采集和处理近视患者、非近视患者眼视力分析数据及相关近视率危险因素数据；步骤1.1：将研究的近视、非近视患者按年龄划分为M个同性质集合；步骤1.2：建立训练集；步骤1.2.1：在眼视力分析数据库中，获取所要研究的近视患者的眼视力分析数据；步骤1.2.2：在眼视力分析数据库中，获取所要研究的非近视患者的眼视力分析数据；步骤1.2.3：获取近视患者及非近视患者在同时间段与近视相关的危险因素数据：户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量等；步骤1.2.4：整合近视患者、非近视患者眼视力分析数据、户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量数据，形成N个样本数据，从而得到训练集；在训练集中，将第i个样本是否为近视患者记为,若=1，表示第i个样本为近视患者样本，若=0，表示第i个样本为非近视患者样本；i=1,2,...N，以户外活动和自然采光时间、近距离用眼如电子设备的使用时间、睡眠时间、维生素D的摄取量等数据作为相关危险因素；步骤2：建立logistic回归模型：建立logistic回归模型：表示伯努利分布，表示第i个样本为近视患者样本的概率， 表示第i个样本为非近视患者的概率，为截距，为第r个危险因素的系数，为第i个样本中第r个危险因素的值，r=1,2,...R，R表示危险因素的总数；步骤3：利用所述训练集对logistic模型进行参数估计，另为和组成的向量，利用极大似然估计法，算出使得似然函数取最大值时的估计参数：步骤4：采用正确诊断指数法计算logistic模型的分类阈值；步骤4.1：利用logistic模型计算训练集中个样本的近视概率，并根据结果绘制ROC曲线；
步骤4.2：利用对ROC曲线上的每个点计算正确诊断指数：S(j)表示ROC曲线上第j个点的正确诊断指数，表示ROC曲线上第j个点的灵敏度值，表示ROC曲线上第j个点的特异度值；步骤4.3：挑选最大正确诊断指数对应的阈值作为分类阈值；步骤5：基于logistic模型和所要研究的近视患者、非近视患者数据，计算模型的阳性预测值和阴性预测值；步骤5.1：建立测试集；步骤5.1.1：在眼视力分析数据库中，采集训练集以外的近视患者数据；步骤...

【专利技术属性】
技术研发人员：王爱民，
申请(专利权)人：安徽目雨亮瞳光学科技有限公司，
类型：发明
国别省市：