一种用眼行为与微结构光学参数的近视防控评估优化方法与流程

摘要: 本发明属于镜片,具体涉及一种用眼行为与微结构光学参数的近视防控评估优化方法。背景技术:1、微结构镜片已被证实可延缓青少年近视进展,但其实际防控效果高度依赖佩戴者...
一种用眼行为与微结构光学参数的近视防控评估优化方法与流程

本发明属于镜片,具体涉及一种用眼行为与微结构光学参数的近视防控评估优化方法。

背景技术:

1、微结构镜片已被证实可延缓青少年近视进展,但其实际防控效果高度依赖佩戴者的用眼行为,包括佩戴时长、户外活动、用眼距离、用眼姿态和环境光照等。同一镜片在不同佩戴者身上的效果差异显著。

2、现有智能眼镜虽能采集部分用眼行为数据,但存在以下问题:效果评估滞后,通常只能在3-6个月复查时通过眼轴长度和屈光度变化进行事后评估,无法实时、连续地量化防控效果;行为数据与镜片光学参数脱节,现有分析逻辑未考虑镜片类型、离焦量、微透镜密度、光扩散强度等光学参数,无法针对不同镜片进行差异化评估;评估规则固定、通用化,多采用统一阈值或固定权重,缺乏以镜片光学参数为条件变量的动态权重机制,评估结果针对性差;缺乏短板分析与主动预警,现有提醒多为固定规则触发,无法量化各维度贡献损失、识别主要短板,也不能基于历史数据预测趋势并提前干预;缺乏镜片优化与模型迭代闭环,当防控效果不佳时,难以判断是行为问题还是镜片不适配,无法自动生成更换镜片、调整参数或个性化定制建议,也未利用复查数据持续更新评估模型。

3、为了解决上述问题,本技术提出一种基于微结构镜片光学参数的个体化、实时量化评估与优化的用眼行为与微结构光学参数的近视防控评估优化方法。

技术实现思路

1、本发明的目的是针对上述问题,提供一种设计合理,可实时量化评估与优化的的用眼行为与微结构光学参数的近视防控评估优化方法。

2、为达到上述目的,本发明采用了下列技术方案:一种用眼行为与微结构光学参数的近视防控评估优化方法,包括以下步骤:

3、s1:获取佩戴者在预设周期内的用眼行为数据以及佩戴者所佩戴微结构镜片的镜片光学参数信息;镜片光学参数信息并非一般属性数据,而是表征微结构镜片对入射光波前进行空间调制的条件变量。例如,离焦量分布决定视网膜前方离焦信号的强度与梯度,微透镜密度决定离焦信号的空间采样密度,中央光学区直径决定屈光矫正区与微结构功能区的过渡边界,光扩散强度等级决定视网膜成像对比敏感度的衰减程度。将这些参数作为后续关联模型的条件参数,可使同一用眼行为在不同光学设计下映射为不同的效果贡献。

4、s2:对用眼行为数据进行预处理,得到行为特征数据;预处理的目的在于将多源、异步、含噪的传感器时间序列转换为可建模的统计特征。数据清洗用于剔除传感器失效、佩戴状态误判等离群点;按时间戳对齐用于解决姿态、距离、光照、户外活动等通道采样频率不一致的问题;统计特征提取将连续时间序列压缩为均值、标准差、百分位数、变异系数、趋势斜率等低维量;按日、周和/或月进行周期聚合,则使行为数据的时间尺度与近视进展的慢变生理过程相匹配。

5、s3:构建关联模型,关联模型以行为特征数据为输入,以镜片光学参数信息为模型条件参数,通过多个维度的效果贡献函数以及与镜片光学参数信息动态匹配的权重系数进行加权,输出近视防控效果评估值;该关联模型属于条件参数化模型:行为特征数据构成输入变量,镜片光学参数信息构成模型条件参数。多个维度的效果贡献函数用于描述各行为维度相对于目标值的边际贡献,权重系数用于表征不同行为维度对最终防控效果的影响程度。权重系数与镜片光学参数信息动态匹配,意味着权重不是固定常量,而是由镜片类型、离焦量、微透镜密度、光扩散强度等参数决定的变量,从而使模型能够反映不同微结构设计对佩戴行为的差异化敏感特性。

6、s4:将当前周期的行为特征数据输入关联模型,得到当前周期的防控效果评估值;当前周期可以是日、周或月。将当前周期的行为特征数据输入已条件化的关联模型,即完成一次从行为空间到效果空间的前向映射,输出防控效果评估值。该评估值是可连续更新的数值量,而非仅依赖复查时点的离散结论。

7、s5:根据防控效果评估值生成评估结果,评估结果包括以下至少一种:效果等级、短板维度分析、个性化改进建议、趋势预警、镜片优化建议;效果等级是对防控效果评估值进行区间划分的结果。短板维度分析基于各维度对总评估值的贡献损失进行排序,贡献损失可表示为该维度权重与该维度贡献函数未达标程度的乘积,从而识别当前制约防控效果的主要行为因素。趋势预警基于历史行为时间序列预测未来行为,再将预测行为输入关联模型得到预测评估值。镜片优化建议则是在行为因素与光学因素之间进行归因区分:当行为达标而眼轴或屈光度仍不理想时,提示问题可能来自镜片光学设计本身。

8、s6:基于视力复查数据更新关联模型的参数,并将更新后的参数同步至边缘计算单元。视力复查数据中的眼轴长度变化量、等效球镜度变化量属于临床终点标签。以复查间隔期内的行为特征数据为输入、以临床终点标签为监督信号,可对关联模型中的权重系数、贡献函数参数等进行再训练。更新后的参数同步至边缘计算单元,使模型推理可在本地完成,减少对云端通信的依赖。

9、关联模型的训练过程与数据集构建如下:

10、(1)训练数据集构建:以佩戴者每个复查间隔期3-6个月为一个样本单元。输入特征x为该间隔期内经s2预处理与周期聚合后的七维日/周统计特征向量;标签y为该间隔期内的实际防控效果量,取眼轴长度年化变化量δalyearly(mm/年)与等效球镜年化变化量δseyearly(d/年)。防控效果越优,y越小,眼轴增长越慢。

11、(2)损失函数选择:以特征映射预测值与实际标签y之间的均方误差mse作为训练损失函数,l=(1/n)σ(ŷᵢ - yᵢ)²;对xgboost/随机森林等树模型采用其默认平方误差分裂准则。

12、(3)训练流程:参数初始化-权重ωᵢ按镜片类型赋初值,s型函数陡度系数k初值取5.0;前向传播-输入特征经各f映射、加权求和得到预测评分及对应预测眼轴变化量ŷ;损失计算-比较ŷ与实际标签y;反向传播-依据损失对权重与函数参数求梯度;参数更新-按梯度下降或树模型节点分裂更新ωᵢ、k等参数;收敛判断-当连续多轮损失下降小于设定阈值或达到最大迭代轮次时停止。

13、(4)交叉验证策略:采用按佩戴者划分的k折交叉验证k=5,即同一佩戴者的全部样本不被同时拆分到训练集与验证集,避免时序数据泄漏;模型超参数,如学习率、树深度、k值在验证集上择优。

14、模型迭代的a/b验证方法如下:每次模型迭代后,采用新旧模型在同一批新增佩戴者数据上进行回溯对比验证,以以下指标量化改进效果:决定系数r²、平均绝对误差mae、均方根误差rmse。其中r²越接近1、mae与rmse越小,代表模型预测眼轴/屈光度变化的精度越高。仅当新模型在新增数据上r²提升且mae、rmse下降时,才将新模型参数全量推送上线,否则保留旧模型。

15、趋势预警中,lstm预测模型的网络结构与训练配置如下:

16、(1)输入层:输入特征为七个维度聚合后的日指标序列,输入特征维度为7,对应七维数据经s2特征工程后的日度统计量,输入序列长度n=14天,即可用7-30天,默认取14天。

17、(2)lstm隐藏层:堆叠2层lstm单元;每层隐藏单元数hidden size为64;每个lstm单元包含遗忘门、输入门、输出门三门结构,其门控计算采用标准lstm公式,即sigmoid门控函数+cell状态更新;层间采用dropout,丢弃率0.2防止过拟合。

18、(3)全连接输出层:在最后一个时间步的隐藏状态后接入一个全连接层linear层,将64维隐藏向量映射为预测步长m=7天的输出向量,输出维度为7,对应未来7天各维度预测值。

19、(4)训练配置:优化器采用adam,初始学习率为0.001;批次大小batch size为32;训练轮次epochs为200轮,配合早停early stopping策略,当验证集损失连续20轮不下降时停止;损失函数采用均方误差mse。

20、(5)预测流程:将最近n天的7维日指标序列归一化后输入训练好的lstm模型,前向传播得到未来m天的预测行为序列,再经反归一化后输入s3关联模型计算epred。

21、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,用眼行为数据包括佩戴行为数据、用眼姿态数据、用眼距离数据、环境光照数据和户外活动数据;镜片光学参数信息包括镜片类型、离焦量分布、微透镜密度、中央光学区直径和光扩散强度等级中的至少一项。佩戴行为数据反映离焦刺激的累计暴露时间;用眼姿态数据反映头部俯仰角对镜片光学区与视线夹角的影响;用眼距离数据反映调节与集合负荷;环境光照数据反映瞳孔大小与视网膜照度;户外活动数据反映自然光全光谱暴露。上述维度并非简单并列,而是分别对应不同的近视进展生理机制。镜片光学参数信息则用于确定各机制在特定微结构设计下的权重分配。

22、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s2中预处理包括数据清洗、按时间戳对齐、统计特征提取以及按日、周和/或月进行周期聚合;统计特征包括均值、标准差、最大值、最小值、百分位数、变异系数和趋势斜率中的至少一种。均值与百分位数用于刻画行为量的集中趋势与分布尾部;标准差与变异系数用于刻画行为稳定性;趋势斜率用于刻画行为随时间的变化方向。按日、周、月聚合可分别对应短期依从性、中期规律性和长期趋势,从而为后续不同时间尺度的评估与预警提供输入。

23、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s3中关联模型输出的防控效果评估值为评分e,且关联模型满足:

24、;

25、其中,fi为第i个维度的效果贡献函数,ωi为第i个维度的权重系数,fn+1为惩罚函数,ωn+1为惩罚项权重;效果贡献函数为s型函数:

26、;

27、其中,x为实际行为量,xtarget为目标值,k为陡度系数,且k的取值范围为3.0至8.0。s型函数的作用是引入饱和与阈值特性:当实际行为量远低于目标值时,贡献值增长缓慢;当实际行为量接近目标值时,贡献值快速上升;当实际行为量超过目标值后,贡献值趋于饱和。陡度系数k控制函数在目标值附近的斜率,k越大,评分对行为偏离越敏感;k越小,评分对行为波动的容忍度越高。惩罚函数用于对极端不良行为进行非线性扣分,使评分不仅反映平均水平,也反映极端事件的影响。

28、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s3中权重系数根据镜片光学参数信息动态调整,包括:对于微透镜阵列型镜片,提高佩戴时长维度的权重系数;对于光扩散型镜片,提高户外活动维度的权重系数;对于微透镜密度大于预设值的高密度微结构镜片,提高用眼姿态维度和/或用眼距离维度的权重系数;对于复合嵌套型镜片,各维度权重系数取中间值均衡分配。微透镜阵列型镜片的离焦信号依赖于微透镜对光线的空间调制,其累计效应与佩戴时长直接相关,因此佩戴时长维度的权重提高。光扩散型镜片通过降低视网膜成像对比敏感度发挥作用,而自然光环境下的光谱与照度条件会改变其对比度调控效果,因此户外活动维度的权重提高。高密度微结构镜片对视线通过微结构区域的角度和距离更敏感,不良姿态或过近距离用眼会改变光线入射微透镜的位置,因此姿态和距离维度的权重提高。复合嵌套型镜片同时包含多种微结构,其行为敏感特性介于各单一类型之间,故权重取中间值。

29、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s5中,当防控效果评估值低于设定阈值时,计算各维度的贡献损失δi=ωi(1−fi),将各维度贡献损失从大到小排序,识别排名前n的短板维度,并根据短板维度生成个性化改进建议推送至用户终端。贡献损失δi表示第i个维度因未达到目标值而造成的评分损失量。由于δi同时包含权重ωi和未达标程度(1−fi),因此其排序结果反映的是该维度对当前总评分的拖累程度,而非单纯的达标率高低。排名前n的维度即为当前防控效果的主要制约因素。根据短板维度匹配改进建议,可实现从评估结果到行为干预的定向映射。

30、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s5中趋势预警包括:基于历史用眼行为数据的时间序列,采用时间序列预测模型预测未来周期内的用眼行为数据,将预测得到的用眼行为数据输入关联模型,得到预测防控效果评估值;当预测防控效果评估值低于阈值且呈下降趋势时,发出主动预警。时间序列预测模型用于学习历史行为数据中的时间依赖关系,例如佩戴时长、户外活动时长等维度的自相关性与趋势性。预测得到的未来行为数据并非直接用于报警,而是再次输入已条件化的关联模型,转换为预测防控效果评估值。只有当预测评估值低于阈值且呈下降趋势时,才触发主动预警。该过程将预警依据从当前状态扩展到未来趋势,使干预时点前移。

31、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s5中镜片优化建议在满足以下条件至少之一时生成:连续两个复查周期内眼轴年化增长率大于预设眼轴阈值或等效球镜年化下降大于预设屈光阈值,且同期防控效果评估值持续低于设定评分阈值;按照个性化改进建议调整用眼行为满预设时间后防控效果评估值提升小于预设提升量;佩戴者的用眼行为模式与当前微结构镜片类型不匹配;镜片优化建议包括更换镜片类型、调整镜片参数或个性化定制中的至少一种。眼轴年化增长率或等效球镜年化下降量是临床终点指标,防控效果评估值是行为依从性指标。若临床终点指标恶化且行为评分持续偏低,则优先归因于行为因素;若行为已调整满预设时间而评分提升有限,或行为模式与镜片适配区间不匹配,则提示光学因素可能成为主要限制。镜片优化建议即在此基础上生成,包括更换镜片类型、调整离焦量或中央光学区直径等参数,或根据眼动特征进行个性化定制。

32、在上述的一种用眼行为与微结构光学参数的近视防控评估优化方法中,步骤s6中更新包括:以复查间隔期内的行为特征数据为输入,以该复查间隔期内的眼轴长度年化变化量和/或等效球镜年化变化量为标签,采用监督学习算法重新训练关联模型;并采用决定系数、平均绝对误差和均方根误差中的至少一项对新旧模型进行对比验证,仅当新模型预测精度提升时,将更新后的模型参数同步至边缘计算单元。该更新过程属于有监督学习:输入为复查间隔期内聚合得到的行为特征,标签为同一间隔期内的眼轴长度年化变化量或等效球镜年化变化量。监督学习算法通过最小化预测值与标签之间的误差,调整关联模型中的权重系数和贡献函数参数。决定系数、平均绝对误差、均方根误差用于量化新旧模型在验证集上的预测精度。仅当新模型精度提升时才同步至边缘计算单元,可避免模型退化。同步至边缘计算单元后,本地推理可使用更新后的参数,而无需将原始数据全部上传。

33、一种用眼行为与微结构光学参数的近视防控评估优化系统,包括:

34、数据采集模块,用于获取佩戴者的用眼行为数据以及所佩戴微结构镜片的镜片光学参数信息;

35、预处理模块,用于对用眼行为数据进行预处理,得到行为特征数据;

36、关联模型模块,用于以行为特征数据为输入,以镜片光学参数信息为模型条件参数,通过多个维度的效果贡献函数以及与镜片光学参数信息动态匹配的权重系数进行加权,输出近视防控效果评估值;

37、评估与建议模块,用于根据防控效果评估值生成评估结果,评估结果包括效果等级、短板维度分析、个性化改进建议、趋势预警和镜片优化建议中的至少一种;

38、模型迭代模块,用于基于视力复查数据更新关联模型的参数,并将更新后的参数同步至边缘计算单元。系统按数据流方向划分为采集、预处理、建模、评估建议和迭代更新五个功能模块。数据采集模块对应物理信号获取层,预处理模块对应信号调理与特征提取层,关联模型模块对应条件参数化推理层,评估与建议模块对应结果解释与干预生成层,模型迭代模块对应监督学习与参数同步层。各模块之间的数据流向为:采集、预处理、关联模型、评估建议、模型迭代、关联模型参数更新,形成可迭代的闭环结构。

39、与现有的技术相比,本发明的优点在于:以镜片光学参数作为模型条件参数,使同一用眼行为在不同微结构镜片下映射为不同效果评分,解决行为数据与镜片参数脱节问题;通过行为特征到效果评分的前向映射,输出连续、可更新的防控效果评估值,替代仅依赖3-6个月复查的离散评估;权重系数随镜片类型、离焦量、微透镜密度、光扩散强度等参数调整,反映不同光学设计对佩戴行为的差异化敏感特性;基于各维度贡献损失排序识别主要制约维度,生成与短板匹配的个性化改进建议;利用时间序列预测未来行为并输入关联模型,得到预测评分,在效果下降前提前预警。