CN111714080B - 一种基于眼动信息的疾病分类*** - Google Patents

一种基于眼动信息的疾病分类*** Download PDF

Info

Publication number
CN111714080B
CN111714080B CN202010622526.9A CN202010622526A CN111714080B CN 111714080 B CN111714080 B CN 111714080B CN 202010622526 A CN202010622526 A CN 202010622526A CN 111714080 B CN111714080 B CN 111714080B
Authority
CN
China
Prior art keywords
eye movement
disease
lstm
classification
classification system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010622526.9A
Other languages
English (en)
Other versions
CN111714080A (zh
Inventor
毛玉星
何映虹
刘露梅
肖雄
熊雄
陈学硕
李思谋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010622526.9A priority Critical patent/CN111714080B/zh
Publication of CN111714080A publication Critical patent/CN111714080A/zh
Application granted granted Critical
Publication of CN111714080B publication Critical patent/CN111714080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/113Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及疾病诊断***技术领域,公开了一种基于眼动信息的疾病分类***,包括眼动特征提取***、弱分类***与强分类***;眼动特征提取***用于从受测者进行眼动试验的眼动视频中提取眼动特征向量;每完成所需眼动试验,则总共提取m项眼动特征向量;弱分类***包括与所述m项眼动特征向量一一对应的预先训练完成的LSTM弱分类器,LSTM弱分类器用于计算单项眼动特征向量属于各类疾病的属性值;强分类***用于对所述m项眼动特征向量进行联合分类,并计算各类疾病的联合分类概率。本发明解决现有技术对疾病诊断需要依赖透彻的先验医学知识的技术问题,针对多种疾病进行分类,功能不再单一,诊断更灵活,对人体无创,无伤害,实用性强,成本低。

Description

一种基于眼动信息的疾病分类***
技术领域
本发明涉及疾病诊断***技术领域,具体涉及一种基于眼动信息的疾病分类***。
背景技术
医学研究表明,眼球运动涉及视神经、动眼神经、滑车神经等6对脑神经,眼动异常与多种心理活动、精神障碍和身体疾病相关。
从国内外研究来看,基于视频采集的眼动图像已经开展了相关研究,并取得了一定进展,但对人眼运动蕴含的丰富的生理和心里信息的挖掘还远远不够,目前主要存在的局限性包括:
(1)主要研究停留在直观的视线追踪性能提升及人机交互应用;
(2)由于在机理上不明确,难于将眼动特征与疾病判别进行直接关联,造成产品功能较为单一,用传统的统计方法也难以对多疾病进行区分,且主要针对前庭疾病、眩晕症等;
(3)自动分析功能较弱,多数应用只将直观信息呈现给用户,由研究者或医生做出判断,主观性较强,实用性较差;
(4)设备价格昂贵,推广难度大。
发明内容
针对上述现有技术的不足,本发明提供一种基于眼动信息的疾病分类***,解决现有技术对疾病诊断需要依赖透彻的先验医学知识的技术问题。
为了解决上述技术问题,本发明采用了如下的技术方案:一种基于眼动信息的疾病分类***,其特征在于:包括眼动特征提取***、弱分类***与强分类***;
眼动特征提取***用于从受测者进行眼动试验的眼动视频中提取眼动特征向量;每种眼动试验均提取对应的一组眼动特征向量;每组眼动特征向量中的每一项特征向量,均由从相应眼动实验的眼动视频中的各图像帧中提取的同种类型的眼动特征依次构成;完成所需眼动试验,则总共提取m项眼动特征向量;
弱分类***包括与所述m项眼动特征向量一一对应的预先训练完成的LSTM弱分类器,LSTM弱分类器用于计算单项眼动特征向量属于各类疾病的属性值;属性值即以单项眼动特征向量作为输入的LSTM弱分类器的输出值;
强分类***用于对所述m项眼动特征向量进行联合分类,并根据如下公式计算各类疾病的联合分类概率:
Figure BDA0002563500610000021
式中,Pj表示第j类疾病的联合分类概率,Pi j表示第i项眼动特征向量属于第j类疾病的属性值,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,i∈{1,2,...,m},j∈{1,2,...,k},k表示需要分类的疾病种类数。
进一步的,通过Sigmoid函数将LSTM弱分类器的分类能力值进行规范化,得到分类能力规范值:
Figure BDA0002563500610000022
式中,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,
Figure BDA0002563500610000023
表示第i个LSTM弱分类器对第j类疾病的分类能力值;
LSTM弱分类器的分类能力按如下公式定量评价:
Figure BDA0002563500610000024
式中,Nj表示同属于第j类疾病的训练样本个数,
Figure BDA0002563500610000025
表示第i个LSTM弱分类器将第l个训练样本分类为第j类疾病的风险值,l∈{1,2,...,Nj};
Figure BDA0002563500610000031
的计算公式如下:
Figure BDA0002563500610000032
式中,
Figure BDA0002563500610000033
表示第i个LSTM弱分类器将第l个训练样本正确分类为第j类疾病的属性值,
Figure BDA0002563500610000034
表示第i个LSTM弱分类器将第l个训练样本错误分类为第j类疾病以外的疾病的属性值中的最大值,
Figure BDA0002563500610000035
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最大值,
Figure BDA0002563500610000036
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最小值。
进一步的,眼动试验包括凝视试验、扫描试验、平稳跟踪试验、视动性试验、位置性试验或变位性试验;通过进行单种眼动试验或两种及以上眼动试验来获取相应的眼动视频。
进一步的,眼动特征的类型包括瞳孔横坐标位置、瞳孔纵坐标位置、瞳孔面积、瞳孔最小外接矩形面积、最小外接矩形长宽比、瞳孔最小外接矩形方位角、瞳孔对称性,形状规则性。
与现有技术相比,本发明具有以下有益效果:
1、本发明无需依赖透彻的医学原理,也无需先验知识:眼动特征与疾病种类的对应关系。只需要事先采取需要分类的疾病样本对分类***进行训练,所需要进行的眼动试验与所需要提取的眼动特征也不需要严格限制,分类***在训练过程中就能适应选定的眼动试验与眼动特征组合,去获得相应的分类能力。本领域技术人员可以采用不同的眼动试验与眼动特征的组合来训练本发明所提供的基于眼动信息的疾病分类***,并从中优选出能使分类***获得较好分类能力的眼动试验与眼动特征的组合。
2、本发明同时针对多种疾病进行分类,功能不再单一,诊断更灵活,功能更为强大。
3、本发明基于从眼动视频中提取的眼动特征进行分类识别,对人体无创、无伤害,实用性强,成本低,并且不依赖研究员或医生的主观判断,以客观的眼动特征为依据,能够得到更加客观的诊断结果。
附图说明
图1是LSTM弱分类器的网络结构示意图;
图2是进行眼动试验采集眼动视频的示意图;
图3是诱导视靶运动轨迹示意图;
图4是弱分类***与强分类***对3类训练样本的分类效果图。
具体实施方式
下面结合附图和优选实施方式对本发明作进一步的详细说明。
一种基于眼动信息的疾病分类***,包括眼动特征提取***、弱分类***与强分类***。
眼动特征提取***用于从受测者进行眼动试验的眼动视频中提取眼动特征向量;每种眼动试验均提取对应的一组眼动特征向量;每组眼动特征向量中的每一项特征向量,均由从相应眼动实验的眼动视频中的各图像帧中提取的同种类型的眼动特征依次构成;完成所需眼动试验,则总共提取m项眼动特征向量。
弱分类***包括与所述m项眼动特征向量一一对应的预先训练完成的LSTM弱分类器,LSTM弱分类器用于计算单项眼动特征向量属于各类疾病的属性值;属性值即以单项眼动特征向量作为输入的LSTM弱分类器的输出值。
参考图1所示,LSTM即长短期记忆网络(Long Short-Term Memory),是一种时间循环神经网络,其独特的结构使得它适合分类、处理和预测重要事件之间有较长时延的时间序列。而眼动视频中的病理信息,也可能贯穿在采集时间序列中的若干节点中,因此,采用LSTM构建分类器可以有效处理眼动视频中的信息。
强分类***用于对所述m项眼动特征向量进行联合分类,并根据如下公式计算各类疾病的联合分类概率:
Figure BDA0002563500610000051
式中,Pj表示第j类疾病的联合分类概率,Pi j表示第i项眼动特征向量属于第j类疾病的属性值,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,i∈{1,2,...,m},j∈{1,2,...,k},k表示需要分类的疾病种类数。
本发明的基于眼动信息的疾病分类***在正式投入使用前,需要采用训练样本进行训练,在训练中对LSTM弱分类器的分类能力进行定量评价,获得LSTM弱分类器的分类能力值。
训练实例如下:
对3类共98名参与者(脑损伤患者34人,眩晕症患者30人,健康自愿者34人)进行了如下两种实验:
受测者按图2所示佩戴红外眼动仪装置,正对屏幕,跟踪屏幕上的光点,以采集眼动试验中的眼动视频。
a)视动性试验(Optokinetic Test)
黑色背景的屏幕上,红色光点沿着屏幕中心从左到右,做匀速运动,当到达屏幕右边沿后,又从屏幕左边开始重复进行上述运动,如图3中path1绿色轨迹所示。
b)平稳跟踪试验(Ocular pursuit Test)
黑色背景的屏幕上,红色光点沿着正弦轨迹从左到右,做匀速运动,到达屏幕右边沿后,又从屏幕左边开始重复进行上述运动,如图3中path2黄色轨迹所示。
对于采集到的眼动视频,眼动特征提取***采用常规图像处理方法提取瞳孔区域,计算出每一帧图像中瞳孔面积、瞳孔横坐标位置与瞳孔纵坐标位置。当然,还可以提取别的眼动特征,比如:瞳孔最小外接矩形面积、最小外接矩形长宽比、瞳孔最小外接矩形方位角、瞳孔对称性(左右面积比、上下面积比),形状规则性(轮廓线的长度)。
将每位受测者在每一项试验中的瞳孔的面积、横坐标、纵坐标三种特征分别进行规范化处理(normalization),即
Figure BDA0002563500610000061
其中,k表示眼动视频中的第k帧图像;M为每人每项实验采集的视频总帧数,本实施例中取250帧;fk为规范化前的从第k帧图中提取的眼动特征(瞳孔面积、瞳孔横坐标位置、瞳孔纵坐标位置值);gk表示规范化后的从第k帧图中提取的眼动特征,为规范化后的瞳孔面积、瞳孔横坐标位置、瞳孔纵坐标位置值。该实施例中,每位被试进行了2项眼动实验,而每项实验又得到瞳孔的面积、横坐标、纵坐标3类眼动特征,因此一位被试会产生2*3=6项眼动特征向量。因此规范化处理后的眼动特征值会得到6项250维的眼动特征向量。
将这6项特征向量分别输入6个LSTM弱分类器,LSTM(Long Short-Term Memory)即长短时记忆网络,是一种时间循环升降网络。本具体实施方式中LSTM弱分类器采用TensorFlow使用python编程实现。
在输入时,将每项特征向量中的250个值按时间顺序切为10片,输入即为10个250/10=25维向量。将6个LSTM神经网络的输出分别通过全连接网络,经softmax函数输出,组成6个LSTM弱分类器,得到分类结果。对于每个LSTM弱分类器,结果向量中的值分别对应脑损伤、患眩晕症以及健康的属性值(单项眼动特征向量输入LSTM神经网络后,再通过全连接网络,经过softmax函数的输出值即为属性值,softmax函数用于使输出结果符合概率分布的要求),共3个类别的输出。
然后,定量评价6个LSTM弱分类器的分类能力:
LSTM弱分类器的分类能力按如下公式定量评价:
Figure BDA0002563500610000071
式中,
Figure BDA0002563500610000072
表示第i个LSTM弱分类器对第j类疾病的分类能力值,Nj表示同属于第j类疾病的训练样本个数,
Figure BDA0002563500610000073
表示第i个LSTM弱分类器将第l个训练样本分类为第j类疾病的风险值,l∈{1,2,...,Nj};
Figure BDA0002563500610000074
的计算公式如下:
Figure BDA0002563500610000075
式中,Pi j,l表示第i个LSTM弱分类器将第l个训练样本正确分类为第j类疾病的属性值,
Figure BDA0002563500610000076
表示第i个LSTM弱分类器将第l个训练样本错误分类为第j类疾病以外的疾病的属性值中的最大值,
Figure BDA0002563500610000077
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最大值,
Figure BDA0002563500610000078
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最小值。
再通过Sigmoid函数将LSTM弱分类器的分类能力值进行规范化,得到分类能力规范值:
Figure BDA0002563500610000079
式中,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,Wi j介于0~1之间;
Figure BDA00025635006100000710
表示第i个LSTM弱分类器对第j类疾病的分类能力值。
6个LSTM弱分类器组合成强分类***。对任意测试样本,强分类***计算该样本属于第j类疾病的联合分类概率:
Figure BDA0002563500610000081
式中,Pj表示第j类疾病的联合分类概率,Pi j表示第i项眼动特征向量属于第j类疾病的属性值,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,i∈{1,2,...,m},j∈{1,2,...,k},k表示需要分类的疾病种类数。
对于该输入样本,取最大联合分类概率对应的疾病种类作为受测者的疾病种类,即该强分类***认为该输入对应的被受测者具有这一类疾病/健康。6种弱分类器和强分类***对3类样本的分类准确率如图4所示,对于这3类样本,强分类***的准确率分别达到了100%、92%,90%,对总共34个样本分类正确32个,总正确率为94.12%,证明了该方法的有效性。

Claims (8)

1.一种基于眼动信息的疾病分类***,其特征在于:包括眼动特征提取***、弱分类***与强分类***;
眼动特征提取***用于从受测者进行眼动试验的眼动视频中提取眼动特征向量;每种眼动试验均提取对应的一组眼动特征向量;每组眼动特征向量中的每一项特征向量,均由从相应眼动实验的眼动视频中的各图像帧中提取的同种类型的眼动特征依次构成;完成所需眼动试验,则总共提取m项眼动特征向量;
弱分类***包括与所述m项眼动特征向量一一对应的预先训练完成的LSTM弱分类器,LSTM弱分类器用于计算单项眼动特征向量属于各类疾病的属性值;属性值即以单项眼动特征向量作为输入的LSTM弱分类器的输出值;
强分类***用于对所述m项眼动特征向量进行联合分类,并根据如下公式计算各类疾病的联合分类概率:
Figure FDA0002927859920000011
式中,Pj表示第j类疾病的联合分类概率,Pi j表示第i项眼动特征向量属于第j类疾病的属性值,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,i∈{1,2,...,m},j∈{1,2,...,k},k表示需要分类的疾病种类数;
通过Sigmoid函数将LSTM弱分类器的分类能力值进行规范化,得到分类能力规范值:
Figure FDA0002927859920000012
式中,Wi j表示第i个LSTM弱分类器对第j类疾病的分类能力规范值,
Figure FDA0002927859920000013
表示第i个LSTM弱分类器对第j类疾病的分类能力值;
LSTM弱分类器的分类能力按如下公式定量评价:
Figure FDA0002927859920000021
式中,Nj表示同属于第j类疾病的训练样本个数,
Figure FDA0002927859920000022
表示第i个LSTM弱分类器将第l个训练样本分类为第j类疾病的风险值,l∈{1,2,...,Nj};
Figure FDA0002927859920000023
的计算公式如下:
Figure FDA0002927859920000024
式中,Pi j,l表示第i个LSTM弱分类器将第l个训练样本正确分类为第j类疾病的属性值,
Figure FDA0002927859920000025
表示第i个LSTM弱分类器将第l个训练样本错误分类为第j类疾病以外的疾病的属性值中的最大值,
Figure FDA0002927859920000026
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最大值,
Figure FDA0002927859920000027
表示第i个LSTM弱分类器将第l个训练样本分类为第r类疾病的属性值中的最小值。
2.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:强分类***以最大联合分类概率对应的疾病种类作为受测者的疾病种类。
3.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:还包括用于采集眼动视频的眼动视频采集***。
4.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:眼动试验包括凝视试验、扫描试验、平稳跟踪试验、视动性试验、位置性试验或变位性试验;通过进行单种眼动试验或两种及以上眼动试验来获取相应的眼动视频。
5.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:眼动特征的类型包括瞳孔横坐标位置、瞳孔纵坐标位置、瞳孔面积、瞳孔最小外接矩形面积、最小外接矩形长宽比、瞳孔最小外接矩形方位角、瞳孔对称性,形状规则性。
6.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:眼动特征提取***将眼动特征向量归一化,并按时间顺序切片降维后输入给弱分类***。
7.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:疾病种类包括未患病。
8.根据权利要求1所述的基于眼动信息的疾病分类***,其特征在于:用于脑损伤、眩晕症与健康三类疾病的分类,从视动性试验与平稳跟踪试验的眼动视频中分别提取眼动特征向量;每种眼动试验均提取三项眼动特征向量,眼动特征的类型为瞳孔面积、瞳孔横坐标位置与瞳孔纵坐标位置。
CN202010622526.9A 2020-06-30 2020-06-30 一种基于眼动信息的疾病分类*** Active CN111714080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010622526.9A CN111714080B (zh) 2020-06-30 2020-06-30 一种基于眼动信息的疾病分类***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010622526.9A CN111714080B (zh) 2020-06-30 2020-06-30 一种基于眼动信息的疾病分类***

Publications (2)

Publication Number Publication Date
CN111714080A CN111714080A (zh) 2020-09-29
CN111714080B true CN111714080B (zh) 2021-03-23

Family

ID=72570950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010622526.9A Active CN111714080B (zh) 2020-06-30 2020-06-30 一种基于眼动信息的疾病分类***

Country Status (1)

Country Link
CN (1) CN111714080B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113946217B (zh) * 2021-10-20 2022-04-22 北京科技大学 一种肠镜操作技能智能辅助评估***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961058A (zh) * 2013-01-31 2014-08-06 佳能株式会社 光学相干断层摄像装置及其控制方法
CN104809480A (zh) * 2015-05-21 2015-07-29 中南大学 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
CN108814543A (zh) * 2018-06-06 2018-11-16 中国科学院苏州生物医学工程技术研究所 高速视频眼震仪***
CN110633014A (zh) * 2019-10-23 2019-12-31 哈尔滨理工大学 一种头戴式眼动追踪装置
CN111328270A (zh) * 2017-07-17 2020-06-23 伟伦公司 通过聚焦视网膜图像捕获

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000057772A1 (en) * 1999-03-31 2000-10-05 Virtual-Eye.Com, Inc. Kinetic visual field apparatus and method
CN100548207C (zh) * 2008-05-22 2009-10-14 重庆大学 一种眼震位移矢量的统计分析方法
CN102125422A (zh) * 2010-01-12 2011-07-20 北京科技大学 视线追踪***中基于瞳孔-角膜反射的视线估计方法
US9462945B1 (en) * 2013-04-22 2016-10-11 VisionQuest Biomedical LLC System and methods for automatic processing of digital retinal images in conjunction with an imaging device
CN104036238B (zh) * 2014-05-28 2017-07-07 南京大学 基于主动光的人眼定位的方法
US10045730B2 (en) * 2014-09-11 2018-08-14 The Mitre Corporation Methods and systems for rapid screening of mild traumatic brain injury
JP2016106668A (ja) * 2014-12-02 2016-06-20 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
NZ740746A (en) * 2015-08-21 2019-08-30 Magic Leap Inc Eyelid shape estimation
US10127680B2 (en) * 2016-06-28 2018-11-13 Google Llc Eye gaze tracking using neural networks
KR20180053882A (ko) * 2016-11-14 2018-05-24 고려대학교 산학협력단 생체 데이터를 이용한 프로그램의 난이도 및 프로그래머의 수준 예측 분류 시스템
US10531795B1 (en) * 2017-09-27 2020-01-14 University Of Miami Vision defect determination via a dynamic eye-characteristic-based fixation point
CN109938692A (zh) * 2017-12-20 2019-06-28 北京怡和嘉业医疗科技股份有限公司 眼动判读方法和***
WO2019143962A1 (en) * 2018-01-19 2019-07-25 Board Of Regents, The University Of Texas System Systems and methods for evaluating individual, group, and crowd emotion engagement and attention
CN109712710B (zh) * 2018-04-26 2023-06-20 南京大学 一种基于三维眼动特征的婴幼儿发育障碍智能评估方法
CN108921059A (zh) * 2018-06-19 2018-11-30 武汉科技大学 一种基于Haar分类器的眼动跟踪方法
CN109409298A (zh) * 2018-10-30 2019-03-01 哈尔滨理工大学 一种基于视频处理的视线追踪方法
CN113272821A (zh) * 2018-11-15 2021-08-17 奇跃公司 深度神经网络姿态估计***
CN109620259B (zh) * 2018-12-04 2020-10-27 北京大学 基于眼动技术与机器学习对孤独症儿童自动识别的***
CN111046742A (zh) * 2019-11-20 2020-04-21 腾讯科技(深圳)有限公司 一种眼部行为检测方法、装置以及存储介质
CN111062291B (zh) * 2019-12-10 2022-09-27 中国人民解放军海军航空大学 一种机器人视觉跟踪方法及***
CN111190484B (zh) * 2019-12-25 2023-07-21 中国人民解放军军事科学院国防科技创新研究院 一种多模态交互***和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961058A (zh) * 2013-01-31 2014-08-06 佳能株式会社 光学相干断层摄像装置及其控制方法
CN104809480A (zh) * 2015-05-21 2015-07-29 中南大学 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
CN111328270A (zh) * 2017-07-17 2020-06-23 伟伦公司 通过聚焦视网膜图像捕获
CN108814543A (zh) * 2018-06-06 2018-11-16 中国科学院苏州生物医学工程技术研究所 高速视频眼震仪***
CN110633014A (zh) * 2019-10-23 2019-12-31 哈尔滨理工大学 一种头戴式眼动追踪装置

Also Published As

Publication number Publication date
CN111714080A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Lopez et al. Detecting exercise-induced fatigue using thermal imaging and deep learning
CN105955465A (zh) 一种桌面便携式视线跟踪方法及装置
Sivasangari et al. Emotion recognition system for autism disordered people
CN111933275B (zh) 一种基于眼动与面部表情的抑郁评估***
CN105559802A (zh) 一种基于注意和情感信息融合的抑郁症诊断***及方法
CN110598608B (zh) 非接触式与接触式协同的心理生理状态智能监测***
CN105095840B (zh) 基于眼震影像的多方向上眼震信号提取方法
Kaur et al. A method of disease detection and segmentation of retinal blood vessels using fuzzy C-means and neutrosophic approach
CN112069986A (zh) 高龄老人眼动机器视觉跟踪方法及装置
CN111714080B (zh) 一种基于眼动信息的疾病分类***
Shirbahadurkar et al. A modern screening approach for detection of diabetic retinopathy
Saha et al. Deep learning for automated quality assessment of color fundus images in diabetic retinopathy screening
Das et al. Gs-net: Global self-attention guided cnn for multi-stage glaucoma classification
Nammalwar et al. Non-invasive glaucoma screening using ocular thermal image classification
Kong et al. Nystagmus patterns classification framework based on deep learning and optical flow
Hamid et al. An intelligent strabismus detection method based on convolution neural network
CN115429271A (zh) 基于眼动和面部表情的孤独症谱系障碍筛查***及方法
Raman et al. The effects of spatial resolution on an automated diabetic retinopathy screening system's performance in detecting microaneurysms for diabetic retinopathy
Ramasubramanian et al. A novel approach for automated detection of exudates using retinal image processing
Zheng et al. New simplified fovea and optic disc localization method for retinal images
Aloudat et al. Histogram analysis for automatic blood vessels detection: First step of IOP
Joseph et al. MODCN: Fine-Tuned Deep Convolutional Neural Network with GAN Deployed to Forecast Diabetic Eye Damage in Fundus Retinal Images
CN117079808B (zh) 一种用于眼表眼周图像采集与人工智能健康分析***
Khessiba et al. Improving Knee Osteoarthritis Classification with Markerless Pose Estimation and STGCN Model
Venkatapathiah et al. Deep learning based object detection in nailfold capillary images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant