一种基于人工智能的近视风险评估方法、装置及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于人工智能的近视风险评估方法、装置及系统。

背景技术

随着社会的发展，人民生活的日益改善，越来越多的电子产品进入人们的日常生活，在带来便利的同时也给人们的身心健康造成了一定的危害，近视便是普遍的疾病之一，其主要表现为视力减退、精细目标或远方物体辨识能力下降，严重时可导致视网膜脱离、弱视甚至失明。在中国尤其是儿童青少年中，近视已逐渐成为一个重大的公共卫生问题。2018年我国小学生、初中生和高中生筛查性近视率分别为36.0％，71.6％，81.0％。近视患病率的逐年上升和低龄化趋势已严重影响中国儿童青少年的身心健康，导致社会经济负担升高。

现有的技术发明中对于相关人群近视的预防及治疗较多，但对相关人群近视的预测技术较少，且以教室学习场景的数据来预测孩子近视的方案目前还没有较好的实现方式。

发明内容

有鉴于此，本发明实施例提供了一种基于人工智能的近视风险评估方法、装置及系统，以解决对相关人群近视的预测技术较少，且以教室学习场景的数据来预测孩子近视的方案目前还没有较好的实现方式的问题。

根据第一方面，本发明实施例提供了一种基于人工智能的近视风险评估方法，包括：实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价。

可选地，基于人工智能的近视风险评估方法还包括：基于身份识别结果，对所述预设区域内各目标对象分别生成包含时间信息的结构化数据文件。

可选地，基于人工智能的近视风险评估方法还包括：同步保存所述结构化数据及非结构化数据。

可选地，所述近视风险评价指标模型包括：基于实时数据的近视风险计算模型、以及基于全量数据的近视风险评价模型。

可选地，基于人工智能的近视风险评估方法，还包括：

周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。

根据第二方面，本发明实施例提供一种基于人工智能的近视风险评估装置，包括：状态感知模块，用于实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；数据分析模块，用于进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；分析评价模块，用于基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价。

可选地，基于人工智能的近视风险评估装置还包括：结构化数据文件生成模块，用于基于身份识别结果，对所述预设区域内各目标对象分别生成包含时间信息的结构化数据文件。

可选地，基于人工智能的近视风险评估装置还包括：数据保存模块，用于同步保存所述结构化数据及非结构化数据。

可选地，所述近视风险评价指标模型包括：基于实时数据的近视风险计算模型、以及基于全量数据的近视风险评价模型。

可选地，基于人工智能的近视风险评估装置，还包括：结果展示模块，用于周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。

根据第三方面，本发明实施例提供一种基于人工智能的近视风险评估系统，包括：计算平台、信息平台、近视风险评估模块和结果反馈模块，其中，所述计算平台用于实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；所述信息平台用于进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；所述近视风险评估模块用于基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价；所述结果反馈模块用于周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。

根据第四方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如第一方面或第一方面任一实施方式所述的基于人工智能的近视风险评估方法。

根据第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如第一方面或第一方面任一实施方式所述的基于人工智能的近视风险评估方法。

本发明技术方案，具有如下优点：

本发明实施例提供的基于人工智能的近视风险评估方法，基于人工智能、视频图像等方法，以教育过程数据为主要依据，辅助结构化相关数据，评估并量化儿童患有近视风险的可能性，以便帮助教师、家长及时发现问题，并及早干预治疗，帮助儿童健康成长。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明实施例中基于人工智能的近视风险评估方法的一个具体示例的流程图；

图2示出了本发明实施例中基于人工智能的近视风险评估方法的一个具体示例图；

图3示出了本发明实施例中基于人工智能的近视风险评估装置的一个具体示例原理框图；

图4示出了本发明实施例中基于人工智能的近视风险评估系统的一个具体示例原理框图；

图5示出了本发明实施例中计算机设备的一个具体示例的原理框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。

本发明实施例提供了一种基于人工智能的近视风险评估方法，如图1所示，包括：

步骤S1：实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；

步骤S2：进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；

步骤S3：基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价。

可选地，在本发明的一些实施例中，该近视风险评估方法中主要包括以下内容：

(1)指标体系建立

如图2所示，首先，明确研究对象是教室内全体学生，目标是对学生在看向黑板、写字、阅读等上课情境下呈现的近视风险进行预测；其次，将影响目标实现的各种准则，作为目标层下面的准则层元素，包括行为特征、眼部特征、其他特征等三个准则；第三，是指标层，在每一个准则层下，均含有一定的指标以具体反映对应的准则性质，其中行为特征通过揉眼、歪头、低头3种指标反映，眼部特征通过皱眉、眯眼、眨眼等3种指标反映，其他特征根据学生在阅读书目时与书本的阅读距离这1种指标反映；最后，输出评价结果，得到学生可能会近视的风险分数。评价指标的确定具体分析如下表1所示。

表1

(2)近视风险评估计算方法

y表示某天某节课学生A的近视风险评分，χ

特征指标定量计算：

①行为特征，a

a

②眼部特征，b

b

③其他特征，c

(3)模型权重的确定

模型采用AHP熵权法确定权重，将主客观相结合，使赋权的结果尽可能的与实际结果接近。

①AHP分析法：建立判断矩阵，对同一个准则层下的所有定性指标，以及各准则层指标进行两两对比，确定各指标的相对重要性。请专家填写打分表，采用1-9标度方法判断相对重要性，由打分结果列出比较矩阵A＝{a

②熵权法：熵权法利用各项指标的熵值来确定指标权重，信息熵越大，信息的无序度越高，其信息的效用值越小；反之，信息熵越小，信息的无序度越小，信息的效用值越大。权值的计算基于原始数据，其结果真实可靠，可以消除主观因素的影响。首先，将经过标准化处理的各指标值记为

③AHP-熵权法，综合权重

3、模型权重的修正

建立指标权重修正系统，具体包含专家权重模块和指标体系模块。系统用于近似风险评估反馈平台在试运行过程中，通过定期体检状态，收集并录入体检结果，通过原始数据的迭代计算，分析计算结果与真实情况的偏差程度。根据分析数据，对权重系数和模型指标进行调整和修改。

4、提供近视风险分析报告

根据计算及综合评价的学生社交焦虑障碍评分及班级社交焦虑障碍评分，可以每周、每月、每学期至每学年生成社交焦虑障碍评估报告，具体如下：

(1)周期内学生近视风险评估报告

基于对学生个体在周期内的近视风险进行评估，及时了解其患有近视的可能性。

(2)不同周期内学生近视风险程度分析

通过不同评价周期之间的评价结果相互比较，纵向分析，分析评价对象的近视风险是上升趋势，还是下降趋势，还是某一时间周期相较之前的表现突然呈现断崖式下跌，设立阈值进行预警，使家长进行及时的纠正和干预。

通过实施本发明，基于人工智能、视频图像等方法，以教育过程数据为主要依据，辅助结构化相关数据，评估并量化儿童患有近视风险的可能性，以便帮助教师、家长及时发现问题，并及早干预治疗，帮助儿童健康成长。

可选地，在本发明的一些实施例中，该方法还包括：基于身份识别结果，对所述预设区域内各目标对象分别生成包含时间信息的结构化数据文件。

可选地，在本发明的一些实施例中，该方法还包括：同步保存所述结构化数据及非结构化数据。

可选地，在本发明的一些实施例中，该方法所使用的所述近视风险评价指标模型包括：基于实时数据的近视风险计算模型、以及基于全量数据的近视风险评价模型。

可选地，在本发明的一些实施例中，该方法还包括：周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。

本发明实施例提供了一种基于人工智能的近视风险评估装置，如图3所示，包括：

状态感知模块1，用于实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；具体内容参见上述实施例方法对应部分，在此不再赘述。

数据分析模块2，用于进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；具体内容参见上述实施例方法对应部分，在此不再赘述。

分析评价模块3，用于基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价。具体内容参见上述实施例方法对应部分，在此不再赘述。

可选地，本发明的一些实施例中，该装置还包括：

结构化数据文件生成模块，用于基于身份识别结果，对所述预设区域内各目标对象分别生成包含时间信息的结构化数据文件。具体内容参见上述实施例方法对应部分，在此不再赘述。

可选地，本发明的一些实施例中，该装置还包括：

数据保存模块，用于同步保存所述结构化数据及非结构化数据。具体内容参见上述实施例方法对应部分，在此不再赘述。

可选地，本发明的一些实施例中，该装置所使用的所述近视风险评价指标模型包括：基于实时数据的近视风险计算模型、以及基于全量数据的近视风险评价模型。具体内容参见上述实施例方法对应部分，在此不再赘述。

可选地，本发明的一些实施例中，该装置还包括：

结果展示模块，用于周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。具体内容参见上述实施例方法对应部分，在此不再赘述。

本发明实施例还提供了一种基于人工智能的近视风险评估系统，如图4所示，该系统包括：计算平台、信息平台、近视风险评估模块和结果反馈模块。

其中，所述计算平台用于实时感知预设区域内目标对象的状态，包括：对视频数据进行实时采集和存储；对视频进行序列建模，通过视频结构化算法，对视频内目标对象进行身份识别、眼部状态识别、动作特征识别，生成结构化数据及非结构化数据；

所述信息平台用于进行各类信息数据的汇聚、清洗和管理，包括：根据所述结构化数据、非结构化数据，以及目标对象的个人数据和基本数据进行汇聚、清洗及管理；

所述近视风险评估模块用于基于所述结构化数据及非结构化数据，对目标对象在预设场景下的近视风险进行分析和评价，包括：基于实时计算数据和历史计算数据，构建近视风险评价指标模型，基于所述近视风险评价指标模型对目标对象在预设场景下的近视风险进行分析和评价；

所述结果反馈模块用于周期性地将基于所述近视风险评价指标模型的分析和评价结果发送至用户终端进行展示。

本申请实施例还提供一种计算机设备，如图5所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。

处理器310可以为中央处理器(Central Processing Unit，CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器320作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于人工智能的近视风险评估方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。

存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器320中，当被所述处理器310执行时，执行如图1-3所示实施例中的基于人工智能的近视风险评估方法。

上述电子设备的具体细节可以对应参阅图1-3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中基于人工智能的近视风险评估方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。