CN119273659B 一种基于大数据的眼部健康状态监测与评估方法及装置 （四川大学锦江学院）

US2012287401A1,2012.一种基于大数据的眼部健康状态监测与评本发明提供了一种基于大数据的眼部健康根据第一信息进行三维重建处理构建得到三维根据三维眼部特征数据和风险数据进行评估处2获取第一信息、第二信息和第三信息，所述第一信息包括待监测儿根据所述第一信息进行三维重建处理，通过识别出视网膜厚根据所述第二信息进行模式识别处理，通过对所述电子健康根据所述历史健康特征数据和所述第三信息进行时间序列分析，根据所述历史健康特征数据和所述行为一环境累积效应数据进根据所述三维眼部特征数据和所述风险数据进行评估处理其中,根据所述历史健康特征数据和所述第三信息进行时间序列分析，通过量化计算各种行为环境的组合情景下对眼部损伤的累积效应，并将其映射至眼部三维结构的转变根据所述历史健康特征数据和所述第三信息进行时序处理，通过消根据所述时间序列数据进行情景识别处理，通过使用动态时间规根据所述累积效应数据进行数据映射处理，通过对眼部结构进行逆向建其中,根据所述累积效应数据进行数据映射处理，通过对眼部结构进行逆向建模并将根据所述累积效应数据进行统计分析处理，通过采用多变量回归分根据所述回归系数进行眼部结构的逆向建模处理，通过有限元分根据所述逆向模型进行数据映射处理，通过使用支持向量回归算3根据所述第一信息进行体素化处理，通过将眼部结构数据转基于UNet分割算法对所述体素化眼部数据视网膜厚度提取化处理，通过结合儿童视网膜在不同生长阶段的特征的厚度变特性自动分割视网膜区域并计算厚度得到视网膜厚根据所述体素化眼部数据进行角膜曲率计算处理，通过自适应滤根据所述体素化眼部数据进行晶状体形态分析处理，并提取晶状根据所述第二信息进行数据整合处理得到综根据所述综合健康数据进行特征提取处理，通过识别出关键健根据所述健康特征数据进行模式识别处理，通过应用基于隐根据所述疾病模式数据进行趋势分析处理，通过对疾病模式进行趋势预根据所述历史健康特征数据和所述行为一环境累积效应数据进行过最小最大缩放将两类数据进行量纲统一处理，并基于MapReduce框架对异构数据进行并基于所述决策树模型进行交叉验证处理，通过分割数据集为至少两验证并使用K折交叉验证方法评估模型得到泛化能力和稳定性得到根据所述优化模型对所述历史健康特征数据中最新的患根据所述三维眼部特征数据和所述风险数据进行建模处理，使4根据所述数字孪生模型进行模拟处理，通过模拟不同风险因素对眼部结构的潜在改根据所述病理发展预测模型生成健康风险评估，并使用SHAP根据所述健康评估报告进行语言转换处理，通过利用自然语言生成技率和晶状体形态构建得到三维眼部特征数据，所述三维眼部特征数据包括视网膜厚度数识别模块，用于根据所述第二信息进行模式识别处理，通分析模块，用于根据所述历史健康特征数据和所述第三融合模块，用于根据所述历史健康特征数据和所述行为一环评估模块，用于根据所述三维眼部特征数据和所述风险数据进行其中,根据所述历史健康特征数据和所述第三信息进行时间序列分析，通过量化计算各种行为环境的组合情景下对眼部损伤的累积效应，并将其映射至眼部三维结构的转变根据所述历史健康特征数据和所述第三信息进行时序处理，通过消根据所述时间序列数据进行情景识别处理，通过使用动态时间规根据所述累积效应数据进行数据映射处理，通过对眼部结构进行逆向建其中,根据所述累积效应数据进行数据映射处理，通过对眼部结构进行逆向建模并将5根据所述累积效应数据进行统计分析处理，通过采用多变量回归分根据所述回归系数进行眼部结构的逆向建模处理，通过有限元分根据所述逆向模型进行数据映射处理，通过使用支持向量回归算第一处理单元，用于根据所述第一信息进行体素化处理，通过结合儿童视网膜在不同生长阶段的特征的厚度变特性自动分割视网膜区域并计算厚度第一计算单元，用于根据所述体素化眼部数据进行角膜曲波算法捕捉不同发育阶段的曲率特性并进行曲面拟合处理得到第二提取单元，用于根据所述体素化眼部数据进行晶状体第三提取单元，用于根据所述综合健康数据进行特征提取第一识别单元，用于根据所述健康特征数据进行模式识别可夫模型识别出与特定眼部疾病相关的模式得第二识别单元，用于根据所述疾病模式数据进行趋势分析趋势预测识别出疾病发展的潜在趋势得到历史健康特6[0005]本发明的目的在于提供一种基于大数据的眼部健康状态种行为环境的组合情景下对眼部损伤的累积效应，并将其映射至眼部三维结构的转变情7[0011]根据所述历史健康特征数据和所述行为一环境累积效应[0017]分析模块，用于根据所述历史健康特征数据和所述第三[0024]图1为本发明实施例中所述的基于大数据的眼部健康状态监测与评估方法流程示89[0036]可以理解的是，本步骤将电子健康记录中的多个数据源各种行为环境的组合情景下对眼部损伤的累积效应，并将其映射至眼部三维结构的转变合儿童视网膜在不同生长阶段的特征的厚度变特性自动分割视网膜区域并计算厚度得到它的结构是对称的U形，包括一个收缩路径来捕获背景信息和一个对称的扩展路径来确保恢复图像的细节和大小。在上采样的同时，会将对应童视网膜在不同生长阶段的变化特性的函数，w表示U_Net模型分配给R区域中每个像素的捉不同发育阶段的曲率特性并进行曲面拟合处理得到角记忆单元数量，使其能够更好地捕捉儿童在不同环境下的行为模式及其对视力的潜在影详细模拟物理结构在受到外部力(在这个场景中是由行为和环境因素引起的生理改变)作测特定行为环境组合如何具体地影响眼部结构的健康状态。通过考虑多个变量的叠加效部结构在受到不同外部影响下的应力和形变并展示不同累积效应导致的眼部结构具体变每个映射任务会将输入数据映射为标准化处理所需的键值对形式，例如健康特征作为键，同健康特征的数据汇聚到同一个Reducer节点上。此阶段通过对不同源的同类数据进行分特征)对应的值进行归一化处理，确保所有健康数据、行为数据及环境数据具有统一的量童眼镜健康状态监测项目。这一模型的建立基于决策树算法，如CART(分类与回归树)或进行训练和验证并使用K折交叉验证方法评估模型得到泛化能力和稳定性得到度学习等算法来识别和学习健康数据中隐藏的复杂模式，不仅能看到眼部病变的当前状字孪生模型的优势在于其能够模拟现实世界的医疗情境，并预见不同医疗干预措施的效SHAP值解释的结构化数据中生成连贯的自计算各种行为环境的组合情景下对眼部损伤的累积效应，并将其映射至眼部三维结构的[0111]评估模块，用于根据三维眼部特征数据和风险数据进行过结合儿童视网膜在不同生长阶段的特征的厚度变