基于眼动测试的认知功能筛查方法、系统、设备和介质与流程

1.本发明涉及中老年人群认知功能障碍筛查技术领域，特别是涉及一种基于眼动测试的认知功能筛查方法、系统、计算机设备和存储介质。


背景技术：

2.认知功能障碍是指记忆、语言、视空间、执行、计算和理解判断功能中一项或多项受损，其可根据受损严重程度差异分为轻度认知功能障碍和痴呆。其中，轻度认知障碍是介于正常衰老和痴呆之间的一种中间状态，患者日常能力没有受到明显影响，而痴呆患者存在两项或两项以上的认知域受损，导致患者的日常或社会能力明显减退，给国家社会带来了不容小觑的经济负担。然而，传统认知功能障碍类疾病的诊断方式包括基本临床症状、神经心理状态评估、计算机断层扫描成像(ct)、磁共振成像(mri)、单光子发射计算机断层成像(spect)在内的神经影像学，包括血常规、血生化在内的实验室检验等，程序复杂繁琐，且患者对认知功能障碍类疾病认识程度和诊断配合度较低，使得早期发现认知功能障碍类疾病，并及时进行针对性治疗及预防成为难题。
3.现有认识功能评估智能筛查方法大都依赖于多种诊疗仪器检查结果和医生诊断经验，尽管有部分基于机器学习的认知功能筛查研究，但其仅限于对患者的生理测试数据和蒙特利尔认知评估量表数据进行学习研究，但鲜有学者考虑到认知功能评估中各种因素的复杂非线性关系，而将各种诊疗、评估数据，与认知测试过程中收集的眼动数据相结合，构建包括不同认知功能障碍患者的眼动数据集，用于认知功能的机器筛查分析，以寻找更敏感、更便捷的新型认知功能障碍类疾病筛查方法的研究。


技术实现要素：

4.本发明的目的是提供一种基于眼动测试的认知功能筛查方法，通过将多模态检查数据与认知功能测试收集的眼动数据相结合构建认知功能筛查数据集，并使用人工智能技术对认知功能筛查数据集进行特征提取和分析，探索眼球运动异常与认知功能障碍类疾病的关联，给出认知功能筛查结果，实现认知功能障碍的智能筛查，提高认知功能障碍筛查效率，提升诊疗经验不足的医生的诊疗能力，为疾病的早发现、早治疗提供有效保障。
5.为了实现上述目的，有必要针对上述技术问题，提供了一种基于眼动测试的认知功能筛查方法、系统、计算机设备和存储介质。
6.第一方面，本发明实施例提供了一种基于眼动测试的认知功能筛查方法，所述方法包括以下步骤：
7.获取待筛查患者数据；所述待筛查患者数据包括人口学特征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据；
8.根据所述待筛查患者数据，构建认知功能筛查数据集，并将所述认知功能筛查数据集按照预设比例划分为训练集和测试集；
9.将所述训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所
述多个预设分类器集成，得到认知功能筛查模型；
10.将所述测试集输入所述认知功能筛查模型进行测试，得到筛查结果。
11.进一步地，所述眼球运动测试数据包括不同患者进行认知功能测试时的眼球运动坐标序列。
12.进一步地，所述眼球运动测试数据通过红外眼动测试方法得到。
13.进一步地，所述红外眼动测试方法包括以下步骤：
14.预先在两个近红外点光源之间设置近红外摄像机，并在所述近红外摄像机的正上方设置显示器；
15.当患者开始认知功能测试时，点亮所述近红外点光源，通过所述近红外摄像机连续拍摄得到认知功能测试过程中的人眼测试图像，并通过所述显示器连续记录患者的左眼运动轨迹和右眼运动轨迹；所述人眼测试图像为同时包含左眼和右眼的图像；
16.对各个人眼测试图像进行阈值分割，得到对应的左眼瞳孔区域、左眼角膜反光点区域、右眼瞳孔区域和右眼角膜反光点区域，并根据所述左眼瞳孔区域、左眼角膜反光点区域、右眼瞳孔区域和右眼角膜反光点区域，得到对应的左眼瞳孔中心坐标、左眼角膜反光点中心坐标、右眼瞳孔中心坐标和右眼角膜反光点中心坐标；
17.根据各个人眼测试图像的左眼瞳孔中心坐标和左眼角膜反光点中心坐标，得到对应的左眼瞳孔角膜向量，以及根据右眼瞳孔中心坐标和右眼角膜反光点中心坐标，得到对应的右眼瞳孔角膜向量；
18.根据各个人眼测试图像的左眼瞳孔角膜向量、右眼瞳孔角膜向量、以及对应于左眼运动轨迹内的左眼球平面位置和右眼运动轨迹内的平面位置，通过预设位置标定法，得到对应的左眼球运动坐标和右眼球运动坐标；
19.根据所有人眼测试图像的左眼球运动坐标和右眼球运动坐标，得到对应的所述眼球运动坐标序列。
20.进一步地，所述根据所述待筛查患者数据，构建认知功能筛查数据集的步骤包括：
21.按照预设标准对所述待筛查患者数据进行质量筛选，得到预处理患者数据；
22.根据所述预处理患者数据的人口学特征、病历数据和蒙特利尔认知评估量表评估结果，得到基准认知功能评估结果；
23.采用所述基准认知功能评估结果对所述眼球运动测试数据进行标记分类，得到所述认知功能筛查数据集。
24.进一步地，所述按照预设标准对所述待筛查患者数据进行质量筛选，得到预处理患者数据的步骤包括：
25.判断所述待筛查患者数据内各个患者的对应数据是否存在缺失项，若存在，则判断对应患者的所有缺失项占比是否超过预设缺失阈值；
26.若患者的所有缺失项占比超过预设缺失阈值，则直接将对应患者的数据全部删除，反之，则按照预设规则对各个缺失项进行填充。
27.进一步地，所述预设分类器包括随机森林模型、梯度提升机模型、xgboost模型和支持向量机模型；
28.所述将所述训练集输入到多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型的步骤包括：
29.将所述训练集输入所述随机森林模型进行训练，得到第一预测模型；
30.将所述训练集输入所述梯度提升机模型进行训练，得到第二预测模型；
31.将所述训练集输入所述xgboost模型进行训练，得到第三预测模型；
32.将所述训练集输入所述支持向量机模型进行训练，得到第四预测模型；
33.将所述第一预测模型、第二预测模型、第三预测模型和第四预测模型按照所述软投票法集成，得到所述认知功能筛查模型。
34.第二方面，本发明实施例提供了一种基于眼动测试的认知功能筛查系统，所述系统包括：
35.数据获取模块，用于获取待筛查患者数据；所述待筛查患者数据包括人口学特征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据；
36.预处理模块，用于根据所述待筛查患者数据，构建认知功能筛查数据集，并将所述认知功能筛查数据集按照预设比例划分为训练集和测试集；
37.模型构建模块，用于将所述训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型；
38.结果生成模块，用于将所述测试集输入所述认知功能筛查模型进行测试，得到筛查结果。
39.第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
40.第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
41.上述本技术提供了一种基于眼动测试的认知功能筛查方法、系统、计算机设备及存储介质，通过所述方法，实现了获取包括人口学特征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据的待筛查患者数据，根据预处理后的待筛查患者数据，构建认知功能筛查数据集，并将认知功能筛查数据集按照预设比例划分为训练集和测试集后，将训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型，再将测试集输入认知功能筛查模型进行测试，得到筛查结果的技术方案。与现有技术相比，该基于眼动测试的认知功能筛查方法将多模态检查数据与认知功能测试收集的眼动数据相结合构建认知功能筛查数据集，基于眼动数据进行快速量化分析，实现认知功能障碍的智能筛查，提高认知功能障碍筛查效率，提升诊疗经验不足的医生的诊疗能力，为疾病的早发现、早治疗提供有效保障，进一步减轻医疗工作负担及远期社会负担。
附图说明
42.图1是本发明实施例中基于眼动测试的认知功能筛查方法的应用场景示意图；
43.图2是本发明实施例中基于眼动测试的认知功能筛查方法的流程示意图；
44.图3是本发明实施例中基于眼动测试的认知功能筛查系统的结构示意图；
45.图4是本发明实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.本发明提供的基于眼动测试的认知功能筛查方法可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可以基于获取的不同认知功能患者的人口学特征、头颅磁共振成像、疾病症状、诊断检测数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据等待筛查患者数据，并依此构建基于眼动数据的认知功能筛查数据集，采用本发明提供的基于眼动测试的认知功能筛查方法完成对不同患者的认知功能筛查，并将得到最终筛查结果应用于服务器上其他学习任务，或者将其传送至终端，以供终端使用者接收使用。
48.在一个实施例中，如图2所示，提供了一种基于眼动测试的认知功能筛方法，包括以下步骤：
49.s11、获取待筛查患者数据；所述待筛查患者数据包括人口学特征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据；
50.其中，所述病历数据包括头颅磁共振成像、疾病症状及诊断检测数据；上述人口学特征、病历数据、蒙特利尔认知评估量表评估结果和病历数据主要用于对眼球运动测试数据进行不同认知评估结果的标注，其均可以通过现有方法获取，此处不作具体限制；需要说明的是，待检测患者具体涉及的疾病病种包括脑血管疾病、神经退行性疾病、放射性脑病、周围神经病变和肿瘤等可能导致认知功障碍的疾病，对应的待筛查患者数据可理解为包括同时多病种的待筛查患者相关数据，保证了分析数据的全面性，进而有效提升了后续机器学习的精准度；
51.眼球运动测试数据包括不同患者进行认知功能测试时的眼球运动坐标序列，原则上可通过不同的红外眼动测试方法得到。为了保证眼动测试数据的准确性，进而保证后续认知功能筛查结果的精准性，本实施例，优选地，采用下述红外眼动测试方法得到对应的不同患者的眼球运动测试数据，具体包括以下步骤：
52.预先在两个近红外点光源之间设置近红外摄像机，并在所述近红外摄像机的正上方设置显示器；其中，近红外摄像机用于拍摄包含人眼的图像，2个led近红外点光源对拍摄提供照明，并在人眼角膜上形成反射的虚像，称之为“角膜反光点”；本实施例中，2个近红外光源位于近红外摄像机的两侧，为了提高拍摄图像的清晰度和数据的稳定性，测试时将患者的头部位置固定，眼睛朝向显示器方向。
53.当患者开始认知功能测试时，点亮所述近红外点光源，通过所述近红外摄像机连续拍摄得到认知功能测试过程中的人眼测试图像，并通过所述显示器连续记录患者的左眼运动轨迹和右眼运动轨迹；所述人眼测试图像为同时包含左眼和右眼的图像；其中，人眼测试图像为一组包括可体现人眼连续变动情况的图像，且不同的图像在显示器上有对应的左、右眼运动轨迹记录，便于同时利用人眼测试图像和左眼运动轨迹和右眼运动轨迹，实时分析计算眼球的运动坐标；
54.对各个人眼测试图像进行阈值分割，得到对应的左眼瞳孔区域、左眼角膜反光点区域、右眼瞳孔区域和右眼角膜反光点区域，并根据所述左眼瞳孔区域、左眼角膜反光点区域、右眼瞳孔区域和右眼角膜反光点区域，得到对应的左眼瞳孔中心坐标、左眼角膜反光点中心坐标、右眼瞳孔中心坐标和右眼角膜反光点中心坐标；其中，人眼测试图像中瞳孔灰度较低(灰度低于50)，角膜反光点灰度较高(灰度高于200)，基于瞳孔和角膜反光点的灰度差异，对人眼测试图像进行阈值分割，实现对左眼瞳孔、左眼角膜反光点、右眼瞳孔、右眼角膜反光点所在区域的提取，并基于提取的区域得到对应的左眼瞳孔中心坐标、左眼角膜反光点中心坐标、右眼瞳孔中心坐标和右眼角膜反光点中心坐标，且左眼角膜反光点中心坐标为左眼内两个角膜反光点对应坐标的平均值，右眼角膜反光点中心坐标为右眼内两个角膜反光点对应坐标的平均值；
55.根据各个人眼测试图像的左眼瞳孔中心坐标和左眼角膜反光点中心坐标，得到对应的左眼瞳孔角膜向量，以及根据右眼瞳孔中心坐标和右眼角膜反光点中心坐标，得到对应的右眼瞳孔角膜向量；其中，左眼瞳孔角膜向量，为以左眼角膜反光点中心为起点，左眼瞳孔中心为终点的向量；右眼瞳孔角膜向量，为以右眼角膜反光点中心为起点，右眼瞳孔中心为终点的向量；
56.根据各个人眼测试图像的左眼瞳孔角膜向量、右眼瞳孔角膜向量、以及对应于左眼运动轨迹内的左眼球平面位置和右眼运动轨迹内的平面位置，通过预设位置标定法，得到对应的左眼球运动坐标和右眼球运动坐标；其中，人眼测试图像的左眼瞳孔角膜向量与显示器上左眼运动轨迹内的左眼球平面位置，以及人眼测试图像的右眼瞳孔角膜向量与显示器上右眼运动轨迹内的平面位置均存在着映射关系。通过多个位置标点的方法，可以获取对应的映射函数。本实施例，优选地，对显示器的中央、左、右、上、下、左上、右上、左下、右下等的9个预设位置进行标定，将左眼看每个预设位置时的左眼瞳孔角膜向量和对应预设位置的坐标代入映射函数方程组，解出左眼标定映射函数系数，得到左眼标定函数；将右眼看每个预设位置时的右眼瞳孔角膜向量和对应预设位置的坐标代入映射函数方程组，解出右眼标定映射函数系数，得到右眼标定函数。具体获取左眼球运动坐标和右眼球运动坐标的过程参见下述示例：
57.设xs和ys分别为显示器平面上的左眼眼球运动坐标系内的横坐标和纵坐标，单位为cm；xe和ye分别为左眼瞳孔角膜向量的水平分量和竖直分量，单位为像素，对应的映射函数为：
[0058][0059]
其中，a0、a1、a2、a3、a4、a5、b0、b1、b2、b3、b4和b5映射函数系数，且这12个值在标定前均是未知的，标定的过程就是求解这12个未知数的过程。前述9个标定点(预设位置)在显示器平面上的坐标(x
s1
,y
s1
)、(x
s2
,y
s2
)、(x
s3
,y
s3
)、(x
s4
,y
s4
)、(x
s5
,y
s5
)、(x
s6
,y
s6
)、(x
s7
,y
s7
)、(x
s8
,y
s8
)和(x
s9
,y
s9
)是已知的。在眼睛看这9个标定点(预设位置)时，根据前面步骤可计算出左眼瞳孔角膜向量分别为(x
e1
,y
e1
)、(x
e2
,y
e2
)、(x
e3
,y
e3
)、(x
e4
,y
e4
)、(x
e5
,y
e5
)、(x
e6
,y
e6
)、(x
e7
,y
e7
)、(x
e8
,y
e8
)和(x
e9
,y
e9
)，代入映射函数，得到以下18个方程组成的方程组：
[0060][0061][0062]
上述方程组为方程个数大于未知变量个数的超定方程组，通过最小二乘法求解得到映射函数系数a0、a1、a2、a3、a4、a5、b0、b1、b2、b3、b4和b5，即得到了左眼标定函数；同理，可求得右眼标定函数，完成整个标定过程，用于将眼球运动测试中实时采集人眼测试图像对应的左眼瞳孔角膜向量和右眼瞳孔角膜向量代入对应的标定函数，实时计算出在显示器平面上的左眼球运动坐标和右眼球运动坐标；
[0063]
根据所有人眼测试图像的左眼球运动坐标和右眼球运动坐标，得到对应的所述眼球运动坐标序列。其中，每个患者认知测试过程中通过对应的人眼测试图像得到的一系列左眼球运动坐标和右眼球运动坐标，可直接作为对应的眼球运动坐标序列用于后续的机器学习，但为了保证认识评估结果的全面性和精准性，通过取平均值的方法，将患者的左右眼对应的运动坐标序列合并得到最终的眼球运动坐标序列(双眼眼球运动坐标序列)。
[0064]
s12、根据所述待筛查患者数据，构建认知功能筛查数据集，并将所述认知功能筛查数据集按照预设比例划分为训练集和测试集；
[0065]
其中，认知功能筛查数据集可以理解为对所述根据所述待筛查患者数据，构建认知功能筛查数据集的步骤包括：
[0066]
按照预设标准对所述待筛查患者数据进行质量筛选，得到预处理患者数据；其中，所述按照预设标准对所述待筛查患者数据进行质量筛选，得到预处理患者数据的步骤包括：
[0067]
判断所述待筛查患者数据内各个患者的对应数据是否存在缺失项，若存在，则判断对应患者的所有缺失项占比是否超过预设缺失阈值；
[0068]
若患者的所有缺失项占比超过预设缺失阈值，则直接将对应患者的数据全部删除，反之，则按照预设规则对各个缺失项进行填充。比如，缺失项超过20％，则自己删除对应患者的所有数据，若未超过20％，则根据具体缺失项数据的类型采用不同的方式进行缺失值填充：对于缺失的离散型数据使用众数进行填充，对于缺失的连续型数据使用中位数进行填充。
[0069]
根据所述预处理患者数据的人口学特征、病历数据和蒙特利尔认知评估量表评估结果，得到基准认知功能评估结果；其中，基准认知功能评估结果是综合人口学特征、病历数据和蒙特利尔认知评估量表评估结果等信息作出的比较专业的认知功能评估，如，可由多名神经专科医生评估根据蒙特利尔认知评估量表评估结果，及人口学特征、病历数据等
得出。
[0070]
采用所述基准认知功能评估结果对所述眼球运动测试数据进行标记分类，得到所述认知功能筛查数据集。其中，眼球运动测试数据在进行标记分类之前，也需要进行质量筛选，如可通过眼科专家或其他方式制定眼动数据质量标准，对采集的眼球运动测试数据进行统一筛查后，与得到的基准认知功能评估结果进行匹配，构建出包括眼球运动测试数据和相应标签的认知功能筛查数据集，用于后续的认知功能筛查分类学习。
[0071]
s13、将所述训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型；
[0072]
其中，预设分类器的个数及类型，原则上可根据实际应用需求进行选取。为了解决单一模型学习训练容易陷入局部最优解，导致其泛化能力较差的问题，本实施例中优选了随机森林模型、梯度提升机模型、xgboost模型和支持向量机模型4种机器学习算法作为基础分类器，在保证对认知功能有效筛查的基础上，进一步提高认知功能筛查模型的分类精准性和泛化能力。具体地，所述将所述训练集输入到多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型的步骤包括：
[0073]
将所述训练集输入所述随机森林模型进行训练，得到第一预测模型；
[0074]
将所述训练集输入所述梯度提升机模型进行训练，得到第二预测模型；
[0075]
将所述训练集输入所述xgboost模型进行训练，得到第三预测模型；
[0076]
将所述训练集输入所述支持向量机模型进行训练，得到第四预测模型；
[0077]
将所述第一预测模型、第二预测模型、第三预测模型和第四预测模型按照所述软投票法集成，得到所述认知功能筛查模型。其中，软投票法为：将第一预测模型、第二预测模型、第三预测模型、第四预测模型和第五预测模型设置对应的权重集成得到认知功能筛查模型，即该认知功能筛查模型的最终筛选结果为每个预测分类器预测得到的各种认识功能评估结果的加权平均值中概率最大者。
[0078]
s14、将所述测试集输入所述认知功能筛查模型进行测试，得到筛查结果。
[0079]
本技术实施例通过近红外眼动测试方法采集不同疾病病种、不同病状患者的眼球运动测试数据，并根据对应人口学特征、病历数据和蒙特利尔认知评估量表评估结果综合评定得到的基准认知功能评估结果进行标记分类，构建出认知功能筛查数据集，使用多个预设分类器对认知功能筛查数据集进行特征提取和分析，通过k倍交叉验证训练得到用于对认知功能进行智能筛查的认知功能筛查模型的方法，将眼球运动异常与认知功能障碍类疾病进行合理有效的关联，进而给出精准有效的认知功能筛查结果，实现认知功能障碍智能筛查的基础上，不仅提高了认知功能障碍筛查效率，而且有效提升了认知功能障碍筛查的精准度，进而提升了诊疗经验不足的医生的诊疗能力，还为认知功能疾病的早发现、早治疗提供有效保障，进一步减轻医疗工作负担及远期社会负担。
[0080]
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
[0081]
在一个实施例中，如图3所示，提供了一种基于眼动测试的认知功能筛查系统，所述系统包括：
[0082]
数据获取模块1，用于获取待筛查患者数据；所述待筛查患者数据包括人口学特
征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据；
[0083]
预处理模块2，用于根据所述待筛查患者数据，构建认知功能筛查数据集，并将所述认知功能筛查数据集按照预设比例划分为训练集和测试集；
[0084]
模型构建模块3，用于将所述训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型；
[0085]
结果生成模块4，用于将所述测试集输入所述认知功能筛查模型进行测试，得到筛查结果。
[0086]
关于一种基于眼动测试的认知功能筛查系统的具体限定可以参见上文中对于一种基于眼动测试的认知功能筛查方法的限定，在此不再赘述。上述一种基于眼动测试的认知功能筛查系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0087]
图4示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于眼动测试的认知功能筛查方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0088]
本领域普通技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
[0089]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
[0090]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
[0091]
综上，本发明实施例提供的一种基于眼动测试的认知功能筛查方法、系统、计算机设备及存储介质，其基于眼动测试的认知功能筛查方法实现了获取包括人口学特征、病历数据、蒙特利尔认知评估量表评估结果和眼球运动测试数据的多病种、多病状的待筛查患者数据，根据预处理后的待筛查患者数据，构建认知功能筛查数据集，并将认知功能筛查数据集按照预设比例划分为训练集和测试集后，将训练集输入包括随机森林模型、梯度提升机模型、xgboost模型和支持向量机模型的多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型，再将测试集输入认知功能筛查模型进行测试，得到筛查结果的技术方案，通过将多模态检查数据与认知功能测试收集的眼动数据相结合构建认知功能筛查数据集，并使用人工智能技术对认知功能筛查数据集进行特征提取和分析，探索眼球运动异常与认知功能障碍类疾病的关联，给出认知功能
筛查结果，实现认知功能障碍的智能筛查的同时，不仅提高认知功能障碍筛查效率，而且有效提升了认知功能障碍筛查的精准度，进而提升诊疗经验不足的医生的诊疗能力，为疾病的早发现、早治疗提供有效保障，进一步减轻医疗工作负担及远期社会负担。
[0092]
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0093]
以上所述实施例仅表达了本技术的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术的保护范围。因此，本技术专利的保护范围应以所述权利要求的保护范围为准。