一种确定用眼疲劳程度的方法及装置与流程

1.本技术涉及人工智能的技术领域，特别是涉及一种确定用眼疲劳程度的方法。


背景技术：

2.近年来，网络快速发展，网络中用户感兴趣的信息内容逐渐增加，人们使用电子设备的时间也随之增长。比如，一些人依靠在电子设备上浏览短视频，一些人喜欢在电子设备上打各类电子游戏。其中部分人持续使用电子设备长达几个小时，这会使用户在不经意间造成用眼疲劳，若不及时休息会对人们的眼睛健康造成危害。
3.目前，部分软件可以通过监控用户使用软件的时间的方式确定用户的用眼疲劳程度。以手机软件为例，部分手机软件可以监控用户的使用本软件时间，并在使用本软件的时间达到阈值后确定用户用眼疲劳程度处于疲劳状态，给用户发出休息提醒信息。比如，用户持续打了三个小时的游戏a，那么游戏a可以确定用眼疲劳程度处于疲劳状态，给用户发出休息提醒信息。但是这种方法只能够通过当前软件使用时长来确定用眼疲劳程度。如果用户在多个软件之间切换，就无法对用眼疲劳程度进行准确监控，所以存在确定用眼疲劳程度的准确性低的问题。
4.因此，如何提高确定用眼疲劳程度的准确性，是本领域技术人员亟需解决的技术问题。


技术实现要素：

5.本技术提供一种确定用眼疲劳程度的方法，以便准确地确定用户的用眼疲劳程度，本技术还提供一种确定用眼疲劳程度的装置。
6.第一方面，本技术提供一种确定用眼疲劳程度的方法，包括：
7.识别用户身份；
8.基于所述用户身份获取所述用户的累计使用设备时长；
9.响应于所述用户的累计使用设备时长满足预设条件，确定用眼疲劳程度。
10.可选地，所述方法还包括：
11.根据所述用眼疲劳程度，调节护眼模式程度，和/或，向所述用户发休息提醒信息。
12.可选的，所述根据用眼疲劳程度，调节护眼模式程度和/或向用户发休息提醒信息包括：
13.根据所述用眼疲劳程度和预设规则调节所述护眼模式程度，并向用户发所述休息提醒信息，所述预设规则为用眼疲劳程度和调节护眼模式程度之间的对应关系。
14.可选的，所述方法还包括：
15.通过所述用户对应的神经网络模型确定预设条件
16.可选的，所述用户对应的神经网络模型是通过以下方式获得的：
17.根据获取的用户眼部情况、使用环境的光线指数及时间变化值训练神经网络模型，得到所述用户对应的神经网络模型。
18.可选的，在训练神经网络模型之前还包括：
19.获取用户基础信息；
20.根据用户基础信息选择初始神经网络模型；
21.所述训练神经网络模型包括：
22.在所述根据用户基础信息选择的初始神经网络模型基础上训练。
23.可选的，所述累计使用设备时长为所述用户使用多个设备的时长之和。
24.第二方面，本技术还提供一种确定用眼疲劳程度的装置，所述装置包括：
25.识别单元，用于识别用户身份；
26.获取单元，基于所述用户身份获取所述用户的累计使用设备时长；
27.确定单元，响应于所述用户的累计使用设备时长满足预设条件，确定用眼疲劳程度。
28.可选的，所述装置还包括：
29.调节单元，用于根据所述用眼疲劳程度，调节护眼模式程度，和/或，向所述用户发休息提醒信息。
30.可选的，所述调节单元具体用于：
31.根据所述用眼疲劳程度和预设规则调节所述护眼模式程度，并向用户发所述休息提醒信息，所述预设规则为用眼疲劳程度和调节护眼模式程度之间的对应关系。
32.可选的，所述装置还包括：
33.通过所述用户对应的神经网络模型确定预设条件。
34.可选的，在所述装置中，所述用户对应的神经网络模型是通过以下方式获得的：
35.根据获取的用户眼部情况、使用环境的光线指数及时间变化值训练神经网络模型，得到所述用户对应的神经网络模型。
36.可选的，在所述装置中，在训练神经网络模型之前还包括：
37.获取用户基础信息；
38.根据用户基础信息选择初始神经网络模型；
39.所述训练神经网络模型包括：
40.在所述根据用户基础信息选择的初始神经网络模型基础上训练。
41.可选的，在所述装置中，所述累计使用设备时长为所述用户使用多个设备的时长之和。
42.第三方面，本技术实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面任一项所述的方法。
43.第四方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述的方法。
44.相较于现有技术，本技术具有以下有益效果：
45.本技术中基于用户身份获取用户的累计使用设备时长，响应于用户的累计使用设备时长满足预设条件，确定用眼疲劳程度。相对于现有技术中只能够通过当前软件使用时长来确定用眼疲劳程度的方法，本技术可以根据用户身份累积使用设备时长，记录用户使
用多个软件的总时间。即使切换软件，只要用户身份不变，仍然可以继续计时。这样，通过累积使用设备时长来确定用眼疲劳程度而非通过单个软件使用时长来确定，可以克服现有技术中只能够通过当前软件使用时长来确定用眼疲劳程度，确定用眼疲劳程度的准确性低的问题。如此，提高了确定用眼疲劳程度的准确性。
附图说明
46.为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本技术实施例提供的一种确定用眼疲劳程度方法的流程图；
48.图2为本技术实施例提供的另一种确定用眼疲劳程度方法的流程图；
49.图3为本技术提供的确定用眼疲劳程度装置的一种具体实施方式的结构示意图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
51.需要说明的是，本技术提供的一种确定用眼疲劳程度方法及装置，用于人工智能领域。上述仅为示例，并不对本技术提供的方法及装置名称的应用领域进行限定。
52.举例说明。假设终端设备上安装有软件a和软件b、如果使用软件a的时间达到阈值，则可以通过软件a的使用时间，确定用户用眼疲劳程度处于疲劳状态。但是，如果使用软件a的时间不到阈值，但是使用软件a 软件b的时间达到阈值，则不能够确认用户用眼疲劳程度处于疲劳状态存在只能够通过当前软件使用时长来确定用眼疲劳程度，确定用眼疲劳程度的准确性低的问题。
53.发明人经过研究提出本技术技术方案，可以根据用户身份累积使用设备时长，记录用户使用多个软件的总时间。即使切换软件，只要用户身份不变，仍然可以继续计时。这样，通过累积使用设备时长来确定用眼疲劳程度而非通过单个软件使用时长来确定，解决了现有技术中的问题，提高了确定用眼疲劳程度的准确性。
54.本技术实施例提供的方法可以由终端设备上的软件执行。所述终端设备例如可以是手机、平板电脑、计算机等设备。所述软件例如可以是系统软件，也可以是具有监控权限的软件。
55.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。下面以本技术实施例提供的方法由第一设备执行为例进行说明。
56.图1为本技术实施例提供的一种确定用眼疲劳程度方法的流程图。如图1所示，该方法包括：
57.s101：识别用户身份。
58.第一设备可以预先储存用户的人脸或者虹膜等信息，并基于人脸或者虹膜信息识别用户身份。通过人脸识别技术或虹膜识别技术，可以根据当前使用者身份计算电子设备累计使用时长。可以理解的是，也可以不限于这两种方式识别用户身份。
59.虹膜是一种在眼睛中瞳孔内的织物状各色环状物，每一个虹膜都包含一个第一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征结构。虹膜识别技术是基于眼睛中的虹膜进行身份识别，通过对比虹膜图像特征之间相似来确定使用者身份。
60.s102:基于所述用户身份获取所述用户的累计使用设备时长。
61.在识别出用户身份之后，第一设备可以记录识别出的用户身份，在后续使用设备时，根据记录的用户身份锁定该用户，并记录该用户的累积使用设备时长。
62.可以理解，用户的累积设备使用时长可以是该用户使用一个或多个软件的总时长。例如，假设用户使用了安装在终端设备上的多个软件，那么用户可以使用这些软件的时间之和。
63.也可以根据用户身份，把两个或者多个设备关联在一起，然后获得关联设备的累计使用时长。例如，如果手机和平板电脑检测到同一个用户先后使用，那么可以把这两个设备关联在一起，计算用户使用手机上软件的总时长，以及用户使用平板电脑上软件的总时长，并将两个总时长求和得到用户的累积设备使用时长。此时，用户累计使用设备时长就可以是关联设备的累计使用总时长。可选地，可以在用户开始使用设备之后开始计时，直至用户停止使用设备。
64.进一步的，可以实时或者周期性通过人脸识别或虹膜识别等方式获取当前使用者身份。如果当前使用者身份与锁定的用户对应的身份符合，则持续累计使用设备时长。若当前使用者身份与锁定的用户对应的身份不符合时，则不会累计使用设备时长。本技术中可以根据用户身份获取累积使用设备时长，提高用户获取使用设备总时长的准确性。
65.s103：响应于所述用户的累计使用设备时长满足预设条件，确定用眼疲劳程度。
66.第一设备可以通过判断获取的用户累计使用设备时长是否满足预设条件，来确定用眼疲劳程度。举个例子，可以把用眼疲劳程度可以分为轻度疲劳、中度疲劳、重度疲劳等级别，然后可以预设用户使用软件时间达到2小时，则确定用户用眼疲劳程度为用眼轻度疲劳。用户使用软件时间达到3.5小时，则确定用户用眼疲劳程度为用眼中度疲劳，用户使用软件时间达到4小时，则确定用户用眼疲劳程度为用重度疲劳，用户软件a的时长为1小时使用软件b的时长为1.5小时，则可以根据软件a加软件b的累计使用总时长，确定用户用眼疲劳程度为轻度疲劳。
67.进一步说明，预设条件可以通过用户对应的神经网络模型来确定，第一设备可以多次获取用户在连续使用设备中多次获取用户眼部情况。如眼球血丝分布情况，瞳孔大小变化等，多次获取用户使用设备的背景光线指数，如光线级别，光线级别指数可以设定为自然光线6-20级，室内光线5-15级，黑暗光1-5级。获取时间变化值等训练参数，在一定时间内不断向疲劳时间确定初始模型中输入用户眼部情况，用户使用设备的背景指数，时间变化值等训练参数，通过修改、调整训练参数，训练模型，直至测试结束。获得用户对应的神经网络模型，通过神经网络模型就可以得到对应用户的疲劳时间。例如，通过神经网络模型分析出该用户累计使用设备时长1.5小时，确定用户用眼疲劳程度为轻度疲劳。需要说明的是，
神经网络模型可以在用户第一次使用设备之前只训练一次，以后每次使用设备时，可以直接通过训练好的神经网络模型就可以得到对应用户的疲劳时间，本技术可以根据不同用户的各项初始信息和训练参数，训练出对应的神经网络模型，从而根据自身因素确定用眼疲劳程度，提高确定用眼疲劳程度的准确性。
68.预设条件也可以是统一设置的疲劳时间，比如说，不考虑用户身份，统一设置预设条件为，当用户累计使用设备时长长达2小时，确定用户用眼疲劳程度为轻度疲劳，当用户累计使用设备时长长达3小时，确定用户用眼疲劳程度为中度疲劳，当用户累计使用设备时长长达4小时，确定用户用眼疲劳程度为重度疲劳，无论识别出来的用户是年轻人还是老人还是小孩，都按照这个预设条件执行。
69.本技术中基于用户身份获取用户的累计使用设备时长，响应于用户的累计使用设备时长满足预设条件，确定用眼疲劳程度，相对于现有技术中只可以通过当前软件使用时长来确定用眼疲劳程度的方法，本技术可以根据用户身份累积使用设备时长，记录用户使用多个软件的总时间。只要用户身份不变，仍然可以继续计时。这样，通过累积使用设备时长来确定用眼疲劳程度而非通过单个软件使用时长来确定，可以克服现有技术中只能够通过当前软件使用时长来确定用眼疲劳程度，确定用眼疲劳程度的准确性低的问题。如此，提高了确定用眼疲劳程度的准确性。
70.在上述介绍的基础上，本技术实施例提供的技术方案还可以确定用户的用眼疲劳程度之后自动调节护眼模式和/或向用户发送休息提醒消息。
71.具体地，可以根据用眼疲劳程度，调节护眼模式程度和向用户发休息提醒信息，例如，当确定用眼疲劳程度为轻度疲劳时，调节护眼程度为30％，当确定用眼疲劳程度为中度疲劳时，调节护眼程度为50％，当确定用眼疲劳程度为重度疲劳时，调节护眼程度为70％，以后每隔一段时间增加一定程度的护眼程度，且每个疲劳等级都会向用户展示休息提醒弹窗。也可以根据用眼疲劳程度，根据实际需求，选择执行调节护眼模式程度或向用户发休息提醒信息中的一项操作。
72.本具体实施方式与上述具体实施方式的不同之处在于，添加了根据所述用眼疲劳程度，调节护眼模式程度，和/或，向所述用户发休息提醒信息的步骤，其余步骤均与上述具体实施方式相同，在此不再展开赘述。
73.下面结合具体的应用场景，对本技术实施例提供的方案进行介绍。
74.图2为本技术提供的又一实施例，其流程示意图如图2所示，包括：
75.s201：获得用户基础画像，生成疲劳时间确定初始模型。
76.第一设备可以获取用户的各项基础信息，如性别、年龄、工作性质、身体疾病、电子媒体使用习惯、习惯屏幕使用时长等信息。通过该用户的基础信息与网络大数据对比，初步形成用户画像，根据用户画像生成该用户的疲劳时间确定初始模型，以便后续在疲劳时间确定初始模型基础上进行神经网络模型训练，例如，年轻人用眼健康的设备使用时长为2小时，老年人和小孩为半小时至一小时，眼睛无疾病的人用眼健康的设备使用时长为2小时，眼睛有疾病的人用眼健康的设备使用时长为1小时。
77.s202：识别定位用户身份，获取设备累计使用时长。
78.第一设备可以预先储存用户的人脸或者虹膜等信息，并基于人脸或者虹膜信息识别用户身份。通过人脸识别技术或虹膜识别技术，可以根据当前使用者身份计算电子设备
累计使用时长。可以理解的是，也可以不限于这两种方式识别用户身份。
79.然后第一设备可以记录识别出的用户身份，在后续使用设备时，根据记录的用户身份锁定该用户，并记录该用户的累积使用设备时长。可以理解，用户的累积设备使用时长可以是该用户使用一个或多个软件的总时长。例如，假设用户使用了安装在终端设备上的多个软件，那么用户可以使用这些软件的时间之和。
80.也可以根据用户身份，把两个或者多个设备关联在一起，然后获得关联设备的累计使用时长。例如，如果手机和平板电脑检测到同一个用户先后使用，那么可以把这两个设备关联在一起，计算用户使用手机上软件的总时长，以及用户使用平板电脑上软件的总时长，并将两个总时长求和得到用户的累积设备使用时长。此时，用户累计使用设备时长就可以是关联设备的累计使用总时长。可选地，可以在用户开始使用设备之后开始计时，直至用户停止使用设备。
81.进一步的，可以实时或者周期性通过人脸识别或虹膜识别等方式获取当前使用者身份。如果当前使用者身份与锁定的用户对应的身份符合，则持续累计使用设备时长。若当前使用者身份与锁定的用户对应的身份不符合时，则不会累计使用设备时长。
82.s203：获取训练参数。
83.第一设备可以设置一个获取训练参数的时间，在此时间内可以会在识别定位用户身份后，可以多次获取用户在连续使用设备中用户眼部情况，如眼球血丝分布情况，瞳孔大小变化等，多次获取用户使用设备的背景光线指数，如光线级别，光线级别指数可以设定为自然光线6-20级，室内光线5-15级，黑暗光1-5级。获取时间变化值等训练参数，用于训练神经网络模型。
84.s204：基于训练参数和疲劳时间初始模型训练神经网络模型。
85.在执行上述步骤之后，第一设备可以使用lstm神经网络模型，建立训练集、测试集和验证集三部分集群。训练lstm模型的过程中向模型输入获取的训练参数，一类为不断变化但变速很慢的训练参数眼部情况c、用户使用设备的背景光线指数h，另一类为变化速度很快的训练参数时间变化值t。使用眼球血丝分布情况，瞳孔大小变化情况等作为一类训练参数c进行权重调整加入训练，使用背景光线指数作为训练参数h，快速变化的时间变化值作为参数t。在设置的训练参数的时间内，向该用户对应的疲劳时间确定初始模型不断输入获取的训练参数，通过修改、调整训练参数，训练疲劳时间确定初始模型，直至测试结束，获得该用户对应的神经网络模型。
86.上面介绍了本技术实施例提供的确定用眼疲劳程度的方法，下面结合具体的应用场景，对该方法做示例性的说明。
87.用户性别女，年龄25岁，工作银行职员，无眼部疾病及各类相关疾病，使用电子设备习惯为工作日中午连续使用2小时，晚上使用两小时平板电脑和3小时手机。根据互联网数据，该用户理论眼部疲劳时长为2小时，在此基础上，通过72小时训练神经网络模型分析，该用户轻度疲劳时间为1.5小时，到疲劳级别的时间为2.5小时，重度疲劳级别为3小时。因此在该用户连续使用设备达到1.5小时，护眼模式调节程度为10％，使用设备时长2.5小时时调节护眼程度为30％，使用设备时长3小时时调节护眼程度为60％，以后每十五分钟增加10％的护眼程度。
88.以上为本技术实施例提供确定用眼疲劳程度的方法的一些具体实现方式，基于
此，本技术还提供了对应的装置。下面将从功能模块化的角度对本技术实施例提供的装置进行介绍，该装置与上文描述的确定用眼疲劳程度方法可相互对应参照。
89.图3为本发明实施例提供的确定用眼疲劳程度装置的结构框图，称其为具体实施方式三，参照图3所述装置可以包括：
90.识别单元300，用于识别用户身份；
91.获取单元310，用于基于所述用户身份获取所述用户的累计使用设备时长；
92.确定单元320，用于响应于所述用户的累计使用设备时长满足预设条件，确定用眼疲劳程度。
93.可选的，所述装置还包括：
94.调节单元，用于根据所述用眼疲劳程度，调节护眼模式程度，和/或，向所述用户发休息提醒信息。
95.可选的，所述调节单元具体用于：
96.根据所述用眼疲劳程度和预设规则调节所述护眼模式程度，并向用户发所述休息提醒信息，所述预设规则为用眼疲劳程度和调节护眼模式程度之间的对应关系。
97.可选的，所述装置还包括：
98.通过所述用户对应的神经网络模型确定预设条件
99.可选的，在所述装置中，所述用户对应的神经网络模型是通过以下方式获得的：
100.根据获取的用户眼部情况、使用环境的光线指数及时间变化值训练神经网络模型，得到所述用户对应的神经网络模型。
101.可选的，在所述装置中，在训练神经网络模型之前还包括：
102.获取用户基础信息；
103.根据用户基础信息选择初始神经网络模型；
104.所述训练神经网络模型包括：
105.在所述根据用户基础信息选择的初始神经网络模型基础上训练。
106.可选的，在所述装置中，所述累计使用设备时长为所述用户使用多个设备的时长之和。
107.本技术所提供的确定用眼疲劳程度装置，识别单元300，用于识别用户身份；获取单元310，用于基于所述用户身份获取所述用户的累计使用设备时长；确定单元320，用于响应于所述用户的累计使用设备时长满足预设条件，确定用眼疲劳程度，本技术中基于用户身份获取用户的累计使用设备时长，响应于用户的累计使用设备时长满足预设条件，确定用眼疲劳程度，相对于现有技术中只可以通过当前软件使用时长来确定用眼疲劳程度的方法，本技术可以根据用户身份累积使用设备时长，记录用户使用多个软件的总时间。即使切换软件，只要用户身份不变，仍然可以继续计时。这样，通过累积使用设备时长来确定用眼疲劳程度而非通过单个软件使用时长来确定，可以克服现有技术中只能够通过当前软件使用时长来确定用眼疲劳程度，确定用眼疲劳程度的准确性低的问题。如此，提高了确定用眼疲劳程度的准确性。
108.本技术实施例还提供了对应的设备以及计算机存储介质，用于实现本技术实施例提供的方案。
109.其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理
器用于执行所述指令或代码，以使所述设备执行本技术任一实施例所述的方法。
110.所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本技术任一实施例所述的方法。
111.本技术实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
112.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，rom)/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本技术各个实施例或者实施例的某些部分所述的方法。
113.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同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，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
114.以上所述仅是本技术示例性的实施方式，并非用于限定本技术的保护范围。