基于头动姿态检测的智能验光方法及系统

本发明涉及智能验光，具体是一种基于头动姿态检测的智能验光方法、系统、计算机设备及存储介质。

背景技术：

1、随着智能可穿戴设备技术的发展，头戴式验光设备逐渐成为替代传统人工验光的重要方案。这类设备通常利用惯性测量单元采集患者头部运动数据，结合人工智能算法对患者的主观清晰度反馈进行分析，从而辅助验光决策。在验光过程中，患者被要求注视不同清晰度的视标并口头反馈清晰程度，设备同步采集头动数据与语音数据，通过特征提取和分类模型判断患者的清晰度感知状态。

2、然而，现有的基于头动检测的验光方法，通常仅提取头动信号的通用时域统计特征（如均值、标准差、峰值等）和通用频域特征（如主频率、总能量、频谱熵等）进行清晰度等级分类。这些通用特征虽然能够从整体上反映头动信号的强度与分布，但无法捕捉患者因视标模糊程度不同而产生的具有特定生理规律的头动响应模式，导致清晰度分级结果受个体差异和环境噪声影响较大，检测的稳定性和准确性难以满足临床验光需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升清晰度判定客观性与准确性的基于头动姿态检测的智能验光方法、系统、计算机设备及存储介质。

2、第一方面，本发明公开了一种基于头动姿态检测的智能验光方法，所述方法包括：

3、步骤s1：通过佩戴于患者头部的惯性测量单元，实时采集患者在注视以不同清晰度呈现的视标时产生的头动数据，所述头动数据包括三轴角速度数据；

4、步骤s2：对采集的所述头动数据进行预处理，并以预设时间窗口进行数据分段，得到数据片段；

5、步骤s3：从每个所述数据片段中提取时域特征和频域特征，拼接生成特征向量；其中，所述频域特征至少包括周期性搜索运动强度特征，所述周期性搜索运动强度特征包括在预设搜索运动频段内所述头动数据的功率谱密度峰值，所述预设搜索运动频段基于视标模糊状态下患者产生的无意识周期性搜索运动的生理频率范围确定；

6、步骤s4：将所述特征向量输入预先训练的清晰度分级模型，得到头动分析结果，所述头动分析结果指示当前视标的清晰度等级；

7、步骤s5：获取患者在注视视标期间产生的语音回复内容，从所述语音回复内容中解析出语音反馈类型，并根据所述语音反馈类型与所述头动分析结果的组合，基于预设融合规则生成系统决策；

8、步骤s6：根据所述系统决策生成控制指令，用于调节验光设备的镜片度数或调整验光流程节奏，返回步骤s1直至验光流程完成。

9、在其中一个实施例中，所述将所述特征向量输入预先训练的清晰度分级模型，得到头动分析结果，包括：

10、基于所述周期性搜索运动强度特征，判断是否存在周期性搜索运动；

11、若不存在，将所述特征向量输入子分类器，得到第一清晰度等级范围的头动分析结果；

12、若存在，提取所述周期性搜索运动的频率稳定性指标，所述频率稳定性指标包括所述周期性搜索运动在所述数据片段内的峰值频率随时间的变化程度；当所述频率稳定性指标高于预设稳定阈值时，得到第二清晰度等级的头动分析结果；当所述频率稳定性指标低于预设稳定阈值时，得到第三清晰度等级的头动分析结果；

13、其中，所述第一清晰度等级范围对应的清晰度高于所述第二清晰度等级，所述第二清晰度等级对应的清晰度高于所述第三清晰度等级。

14、在其中一个实施例中，所述频率稳定性指标包括所述数据片段内各子窗口的周期性搜索运动峰值频率的标准差或变异系数。

15、在其中一个实施例中，所述基于预设融合规则生成系统决策，包括：

16、提取所述周期性搜索运动强度特征达到峰值的时刻，作为头动搜索峰值时刻序列；

17、从所述语音回复内容中提取停顿或犹豫的起止时刻；

18、计算所述头动搜索峰值时刻与所述停顿或犹豫起止时刻之间的时间差；当存在至少一个时间差小于预设耦合阈值时，判定头动模态与语音模态之间存在时间耦合，提升所述头动分析结果在所述系统决策中的置信度；否则，降低所述头动分析结果在所述系统决策中的置信度。

19、在其中一个实施例中，所述从所述语音回复内容中提取停顿或犹豫的起止时刻，包括：

20、通过语音活动检测算法对所述语音回复内容进行语音活动检测，根据检测结果识别所述语音回复内容中的语音段落和非语音段落，将所述非语音段落的起止时刻作为所述停顿或犹豫的起止时刻。

21、在其中一个实施例中，所述从每个所述数据片段中提取时域特征，包括：

22、检测所述数据片段中的头动事件，所述头动事件包括三轴合成角速度超过预设事件阈值且持续时间超过预设最短持续时间的连续数据段；

23、提取检测到的各头动事件的发生时刻，计算相邻头动事件之间的时间间隔序列，将所述时间间隔序列的均值和变异系数作为所述时域特征中的头动事件时序分布特征。

24、在其中一个实施例中，所述对采集的所述头动数据进行预处理，包括：

25、采集患者在注视无视觉目标的均匀视场状态下的静息态头动数据；

26、计算所述静息态头动数据中各时域特征和频域特征的均值，构成个体化静息态基线向量；所述个体化静息态基线向量用于对所述步骤s3提取的特征向量进行基线校正。

27、第二方面，本技术公开了一种与前述的基于头动姿态检测的智能验光方法相对应的系统，所述系统包括：

28、数据采集模块，用于通过佩戴于患者头部的惯性测量单元，实时采集患者在注视以不同清晰度呈现的视标时产生的头动数据，所述头动数据包括三轴角速度数据；

29、数据预处理模块，用于对采集的所述头动数据进行预处理，并以预设时间窗口进行数据分段，得到数据片段；

30、特征提取模块，用于从每个所述数据片段中提取时域特征和频域特征，拼接生成特征向量；其中，所述频域特征至少包括周期性搜索运动强度特征，所述周期性搜索运动强度特征包括在预设搜索运动频段内所述头动数据的功率谱密度峰值，所述预设搜索运动频段基于视标模糊状态下患者产生的无意识周期性搜索运动的生理频率范围确定；

31、清晰度分级模块，用于将所述特征向量输入预先训练的清晰度分级模型，得到头动分析结果，所述头动分析结果指示当前视标的清晰度等级；

32、多模态融合决策模块，用于获取患者在注视视标期间产生的语音回复内容，从所述语音回复内容中解析出语音反馈类型，并根据所述语音反馈类型与所述头动分析结果的组合，基于预设融合规则生成系统决策；

33、验光流程控制模块，用于根据所述系统决策生成控制指令，用于调节验光设备的镜片度数或调整验光流程节奏，并触发所述数据采集模块继续采集，直至验光流程完成。

34、第三方面，本技术公开了一种计算机设备，包括存储器和处理器，所述存储器与所述处理器通信连接，且所述存储器上存储有能够被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，实现如上所述的基于头动姿态检测的智能验光方法。

35、第四方面，本技术公开了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于头动姿态检测的智能验光方法。

36、上述的基于头动姿态检测的智能验光方法、系统、计算机设备及存储介质，在提取频域特征时，所述频域特征至少包括周期性搜索运动强度特征，该特征为在预设搜索运动频段内头动数据的功率谱密度峰值，预设搜索运动频段基于视标模糊状态下患者产生的无意识周期性搜索运动的生理频率范围确定。由此，在进行清晰度分级时，特征向量中不仅包含通用的信号统计量，还有与视标模糊程度具有生理因果关联的特定频率响应模式，使得清晰度分级模型能够依据患者在视标模糊状态下特有的周期性搜索运动强度进行判断，提升了清晰度等级判定的客观性与准确性，减少了因患者个体差异和随意性头动导致的误判。