【技术实现步骤摘要】
本专利技术属于机器学习分类识别，具体涉及一种基于眼动特征的弱视类型与严重程度的智能评估系统。
技术介绍
1、弱视作为高发病率、多致病因素的视力障碍疾病，在人群中的发病率约为2-4％。不同患者情况各异，诊断和治疗期间的动态评估对医生要求较高，在广大学校每年开展的视力检测中真正能查出的概率很小，而过了视觉发育关键期(>8岁)的弱视已经很难恢复正常视力水平，因此在儿童视神经发育的早期进行评估筛查、诊断以及及时便捷地跟踪动态视功能恢复情况是优化弱视治疗现状的关键方面。由于检查结果一致性和检查过程配合度等问题，弱视评估中容易出现误判。高检出率和误诊风险不仅给患者自身造成了生活上的困扰和负担，更导致了社会卫生资源的浪费。一般来说，医生的诊断可以看作是一种分类，但除了分类所需的基于证据的疾病知识外，医生的经验对决定有很大影响，而丰富经验的医生是一种稀缺资源。因此非常有必要建立一套便捷、廉价、高效的弱视智能评估系统。
2、通过机器学习等方式学习病患生理表现诸多特征的复杂关系，自动化地根据病患生理表现进行分类是一种比较高效的方式。在过去，有一些研究使用脑电作为弱视评估指标并应用机器模型建立专家系统，其准确率可达到90％以上。但是脑电采集通常需要较长的时间和复杂的操作，并且脑电设备的价格往往较高，不利于作为普查设备推广，应用价值并不突出。
技术实现思路
1、为解决现有技术的不足，实现高效的弱视类别及严重程度评估的目的，本专利技术采用如下的技术方案：
2、一种基于眼动特征的
3、所述眼动数据采集模块，用于采集眼动数据；
4、所述眼动指标计算模块，对采集到的眼动数据进行基于弱视疾病的眼动缺陷的眼动指标计算，并得到眼动序列；
5、所述眼动序列特征提取模块，对眼动序列进行时序特征提取；
6、所述基于机器学习模型评估模块，基于计算的眼动指标、提取的序列特征经过k折交叉验证后构建眼动特征数据集，用于训练机器学习模型，对弱视情况进行智能评估。
7、进一步地，所述眼动数据采集模块，采集目标物静态呈现(呈现35秒)在屏幕中心时的注视时的眼动坐标时间序列数据。
8、进一步地，所述眼动指标计算模块计算的眼动指标包括静态注视区域二元轮廓椭圆面积bcea(bivariate contour ellipse，beca)，其计算公如下：
9、
10、其中，x2表示一定概率(0.68)的标准卡方值2.291(2自由度)，即注视期间一定概率(68％)下的注视点数据的横纵坐标落在该区域；σx和σy表示眼动数据的水平和垂直坐标的标准差；ρ表示水平和垂直坐标的皮尔逊相关系数。
11、bcea通常作为被试注视时眼动误差幅度情况量化指标，其表现的是注视期间眼睛位置的分散区域面积，较小的bcea表明注视更稳定，而较大的bcea表明了更大的注视不稳定性。
12、进一步地，所述眼动数据采集模块，采集包括目标物在屏幕随机位置跳跃过程(每次呈现在一个随机位置的时间为1-2秒，然后跳跃到新位置)中的动态眼动跟踪时的眼动坐标时间序列数据。
13、进一步地，所述眼动指标计算模块计算的眼动指标包括动态速度序列模糊熵，其计算方式为：先对水平和垂直眼动坐标波形的原始数据使用傅里叶变换滤波进行平滑处理，再通过计算每个采样点间的欧氏距离除以间隔时间得到注视时的眼动速度序列，再按如下过程计算模糊熵：
14、1)按顺序将眼动速度序列重构，生成一组m维向量：
15、
16、其中，u(i)表示眼动速度，i表示原序列的顺序索引，imax＝n-m+1，n表示速度序列的长度，m表示空间维数，u0(i)表示眼动速度均值；
17、2)将矢量与之间的距离定义为两个矢量对应元素中差值最大的一个：
18、
19、3)通过模糊隶属度函数定义矢量与间的距离：
20、
21、其中n表示模糊隶属度函数的宽度，r表示模糊隶属度函数的梯度；
22、4)定义函数：
23、
24、5)将维数m改为m+1，重复以上2)至4)的过程；
25、6)最后根据眼动速度序列的长度n得到模糊熵的估计值。
26、
27、进一步地，所述眼动指标计算模块计算的眼动指标包括动态眼跳启动时间，一次“跳跃”的眼跳启动时间的计算步骤如下：计算眼跳一次“跳跃”的横纵坐标序列nx，y＝{(t0，x0，y0)，(t1，x1，y1)，…，(ti，xi，yi)}的速度序列ns＝{s0，s1，...，si}，索引为时间戳t，其中速度元素计算方式为：
28、
29、根据注视方向的取值范围设置主动眼跳速度阈值ω0，筛选出包含所有速度高于该阈值范围元素的序列，使用t作为索引映射原本的横纵坐标：
30、
31、一般认为人类反应时总会大于120ms，而超过750ms可能是没有及时进行正确的眼动反应。因此，根据刺激开始时间to剔除nhigh中t在人类反应范围外(小于120ms和大于750ms)的元素；
32、依次计算nhigh中剔除人类反应外的元素的眼跳方向di：
33、
34、
35、di＝(|dix|-|diy|，dix，diy) (9)
36、当di的第一个元素大于零时其方向为左右，小于零时其方向为上下；再根据dix或diy的值确定具体的方向，最后选择nhigh中第一个符合本次跳跃方向的元素，根据其时间戳ti计算眼跳启动时间：
37、ts＝ti-to (10)
38、进一步地，所述眼动时序特征提取模块，分别对每一名被试每种观看条件下每只眼睛的眼动横纵坐标时间序列、每只眼的速度序列进行眼动特征的提取，提取的特征如下：
39、1)序列的绝对能量值(平方和)，计算公式：
40、
41、其中，xi表示眼动序列，n为序列中点位个数；
42、2)自相关统计特征：序列的各阶差分值之间的聚合统计特征(方差、均值)；
43、3)高于均值的个数；
44、4)低于均值的个数；
45、5)傅里叶变换系数：基于快速傅里叶变换算法计算一维离散傅里叶序列的频域分量：
46、
47、其中，k表示频域的频率索引，am表示信号在时域的第m个采样点，n表示信号的采样点总数，分别计算出k在一定区间(0-99)的系数实部、虚部、绝对值、角度值四个参数作为四个独立的特征；
48、6)大于平均值的最长子序列长度；
49、7)小于平均值的最长子序列长度；
50、8)序列中分本文档来自技高网...
【技术保护点】
1.一种基于眼动特征的弱视智能评估系统，包括眼动数据采集模块、眼动指标计算模块、眼动序列特征提取模块、基于机器学习模型评估模块，其特征在于：
2.根据权利要求1所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动数据采集模块，采集目标物静态呈现在屏幕中心时的静态注视时眼动坐标时间序列数据。
3.根据权利要求2所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动指标计算模块计算的眼动指标包括静态注视区域二元轮廓椭圆面积，其计算公如下：
4.根据权利要求1所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动数据采集模块，采集目标物在屏幕上随机位置跳跃过程中的动态眼动跟踪时的眼动坐标时间序列数据。
5.根据权利要求4所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动指标计算模块计算的眼动指标包括动态速度序列模糊熵，其计算方式为：先对水平和垂直眼动坐标波形的原始数据使用傅里叶变换滤波进行平滑处理，再通过计算每个采样点间的欧氏距离除以间隔时间得到注视时的眼动速度序列，再按如下过程计算模糊熵：
<...【技术特征摘要】
1.一种基于眼动特征的弱视智能评估系统，包括眼动数据采集模块、眼动指标计算模块、眼动序列特征提取模块、基于机器学习模型评估模块，其特征在于：
2.根据权利要求1所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动数据采集模块，采集目标物静态呈现在屏幕中心时的静态注视时眼动坐标时间序列数据。
3.根据权利要求2所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动指标计算模块计算的眼动指标包括静态注视区域二元轮廓椭圆面积，其计算公如下：
4.根据权利要求1所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动数据采集模块，采集目标物在屏幕上随机位置跳跃过程中的动态眼动跟踪时的眼动坐标时间序列数据。
5.根据权利要求4所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述眼动指标计算模块计算的眼动指标包括动态速度序列模糊熵，其计算方式为：先对水平和垂直眼动坐标波形的原始数据使用傅里叶变换滤波进行平滑处理，再通过计算每个采样点间的欧氏距离除以间隔时间得到注视时的眼动速度序列，再按如下过程计算模糊熵：
6.根据权利要求4所述的一种基于眼动特征的弱视智能评估系统，其特征在于：所述...
【专利技术属性】
技术研发人员：王玲，樊航，周攀，李天添，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。