基于自助筛查的视力干预方案确定方法及相关设备

技术领域

本发明涉及人工智能、视力干预技术领域，尤其涉及一种基于自助筛查的视力干预方案确定方法及相关设备。

背景技术

随着电子技术的发展，各类电子产品广泛应用于人们的生活和工作，视力健康受到严重挑战，有效的视力干预方案对视力健康尤为重要。目前根据视力检测数据确定视力干预方案，以实现视力训练和用眼习惯指导。然而，这种方法确定的视力干预方案只考虑了视力检测数据，导致视力干预方案的适应性较差、训练效果不明显。

发明内容

基于此，有必要针对现有技术的根据视力检测数据确定视力干预方案，存在适应性较差、训练效果不明显的技术问题，提出了一种基于自助筛查的视力干预方案确定方法及相关设备。

第一方面，提供了一种基于自助筛查的视力干预方案确定方法，所述方法包括：

获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

第二方面，提供了一种基于自助筛查的视力干预方案确定装置，所述装置包括：

指令获取模块，用于获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

第一预测模块，用于响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

方案推荐模块，用于根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

第二预测模块，用于将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

目标干预方案确定模块，用于根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

第三方面，提供了一种目标设备，包括存储器、处理器以及存储在所述存储器中并可在所述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基于自助筛查的视力干预方案确定方法的步骤。

第四方面，提供了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程序，所述计算机程序被处理器执行时实现上述基于自助筛查的视力干预方案确定方法的步骤。

本申请的基于自助筛查的视力干预方案确定方法及相关设备，通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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。

其中：

图1为一个实施例中基于自助筛查的视力干预方案确定方法的应用环境图；

图2为一个实施例中基于自助筛查的视力干预方案确定方法的流程图；

图3为一个实施例中基于自助筛查的视力干预方案确定装置的结构框图；

图4为一个实施例中目标设备的结构框图；

图5为一个实施例中目标设备的另一种结构框图。

具体实施方式

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。

本发明实施例提供的基于自助筛查的视力干预方案确定方法，可应用在如图1的应用环境中，其中，客户端110通过网络与服务端120进行通信。

可选的，服务端120可以通过客户端110获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数。服务端120，用于：响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

可选的，客户端110以通过客户端110获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。客户端110进而将目标干预方案发送给服务端120。

可选的，客户端110装载在目标设备中。其中，目标设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120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。下面通过具体的实施例对本发明进行详细的描述。

请参阅图2所示，图2为本发明实施例提供的基于自助筛查的视力干预方案确定方法的一个流程示意图，包括如下步骤：

S1：获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

具体而言，在开启目标对象的第i个干预阶段的视力干预之前，获取目标对象的第i个干预阶段的方案确定指令。其中，可以获取用户输入的目标对象的第i个干预阶段的方案确定指令，也可以获取第三方应用发送的目标对象的第i个干预阶段的方案确定指令，还可以是实现本申请的程序根据预设条件生成的目标对象的第i个干预阶段的方案确定指令。

目标对象，是想要进行视力干预的人体。

干预方案包括至少一个阶段方案，每个阶段方案对应一个干预阶段；一个阶段方案包括至少一个子阶段方案，每个子阶段方案对应一个干预子阶段。干预方案，也称为视力干预方案，是对视力进行干预的方案。子阶段方案包括：用眼习惯指导方案和训练方案。用眼习惯指导方案表述的是指导人体日常用眼的行为习惯的方案。训练方案表述的是视力训练的方案。可选的，训练方案包括训练时间、训练项目和训练类别。

方案确定指令，是确定视力干预方案的指令。

S2：响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

具体而言，在获取到所述方案确定指令时，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据拼接后输入预训练的第一预测模型进行未来视力发展趋势预测，将预测得到的数据作为第一预测结果。

未来视力发展趋势预测，是指未来的视力数据的发展趋势。第一预测结果是一个时间序列，第一预测结果中每个元素对应一个时间点的视力数据。视力数据包括裸眼视力、矫正视力、屈光度数等。

预训练的第一预测模型是预先训练的趋势预测模型。预训练的第一预测模型是基于ARIMA模型（Autoregressive Integrated Moving Average Model，又称为自回归移动平均模型）、循环神经网络（RNN）、长短期记忆网络（LSTM）中的任一种训练得到的模型。

所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据，是目标对象的第i个干预阶段的方案确定指令生成的时候的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据。

对象基本信息描述个人信息，比如，年龄、性别、身高、体重、职业等。

历史视力检测数据是过去的视力检查记录，比如，裸眼视力、矫正视力、屈光度数等。历史视力检测数据是基于视力自助筛查系统得到的数据，也就是说，历史视力检测数据是基于自助筛查得到的数据。

历史训练数据描述过去接受的视力训练的数据记录，比如，佩戴眼镜、角膜塑形镜、接受激光手术、训练项目对应的训练记录等。

历史视力疾病数据描述过去的既往病史，特别是与视力相关的疾病，比如，青光眼、白内障等。

历史用眼行为数据描述过去的日常用眼习惯，比如，阅读时间、使用电子设备的时间、户外活动时间等。

S3：根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

具体而言，将所述第一预测结果和所述历史用眼行为数据拼接后输入预训练的方案推荐模型进行每个推荐等级的干预方案的分类预测，根据预测得到的向量得到各个候选干预方案。

方案推荐模型分类预测得到的向量中的每个向量元素对应的值是概率值，每个向量元素对应一个分类类别，分类类别是推荐等级和方案标识的组合。方案标识是方案名称、方案ID等唯一标识一份干预方案的数据。

可选的，所述根据预测得到的向量得到各个候选干预方案，包括：从同一个推荐等级对应的各个向量元素对应的值中选择最大值，将选择的最大值对应的分类类别中的方案标识对应的干预方案作为一个候选干预方案。

可选的，推荐等级包括：高、中、低。可以理解的是，推荐等级还可以根据需求另行设置，在此不做限定。

方案推荐模型是一个多分类模型。方案推荐模型的模型结构和模型训练方法可以从现有技术中选择，在此不做赘述。

S4：将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

具体而言，将候选干预方案进行编码或转化为第二预测模型可识别的格式，确保每个方案在模型中都有唯一的表示。将候选干预方案编码或转化得到的数据、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据拼接后输入预训练的第二预测模型进行未来干预效果趋势预测，将预测得到的数据作为第二预测结果。

未来干预效果趋势，是指未来的干预效果的发展趋势。第二预测结果是一个时间序列，第二预测结果中每个元素对应一个时间点的干预效果。干预效果包括干预后视力改善的概率、改善程度或干预效果的持续时间等。

预训练的第二预测模型是预先训练的趋势预测模型。预训练的第二预测模型是基于ARIMA模型、循环神经网络（RNN）、长短期记忆网络（LSTM）中的任一种训练得到的模型。

S5：根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

可选的，根据各个所述第二预测结果和各个所述候选干预方案进行展示，根据展示的数据获取用户选择的所述候选干预方案，将用户选择的所述候选干预方案作为目标干预方案。

可选的，基于用户预设的偏好数据，根据各个所述第二预测结果和各个所述候选干预方案选择所述候选干预方案，将选择的所述候选干预方案作为目标干预方案。

可选的，将所述第二预测结果和该所述第二预测结果对应的所述候选干预方案进行拼接，得到单方案拼接数据；将用户预设的偏好数据和各个单方案拼接数据拼接后输入预训练的方案筛选模型进行分类预测，从分类预测得到的向量中的值为最大的向量元素作为选中元素，将选中元素对应的候选干预方案作为目标干预方案。

比如，各个所述候选干预方案总共有3个，则方案筛选模型预测得到的向量至少包括3个向量元素的概率值，第一个向量元素对应输入预训练的方案筛选模型的第一个所述候选干预方案，第二个向量元素对应输入预训练的方案筛选模型的第二个所述候选干预方案，第三个向量元素对应输入预训练的方案筛选模型的第三个所述候选干预方案，将第一个、第二个、第三个向量元素的值为最大的向量元素作为选中元素，将选中元素对应的候选干预方案作为目标干预方案。

预训练的方案筛选模型是预先训练的多分类模型。预训练的方案筛选模型的模型结构和模型训练方法可以从现有技术中选择，在此不做赘述。

可以理解的是，在完成步骤S5之后，根据目标干预方案中的第i个干预阶段的阶段方案对目标对象进行第i个干预阶段的视力干预。

本实施例通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

在一个实施例中，所述根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案的步骤，包括：

S51：根据各个所述第二预测结果和各个所述候选干预方案确定所述目标对象在第i个所述干预阶段对应的干预方案，得到待处理方案；

可选的，根据各个所述第二预测结果和各个所述候选干预方案进行展示，根据展示的数据获取用户选择的所述候选干预方案（也就是所述目标对象在第i个所述干预阶段对应的干预方案），将用户选择的所述候选干预方案作为待处理方案。

可选的，基于用户预设的偏好数据，根据各个所述第二预测结果和各个所述候选干预方案选择所述候选干预方案（也就是所述目标对象在第i个所述干预阶段对应的干预方案），将选择的所述候选干预方案作为待处理方案。

S52：根据所述目标对象在第i个所述干预阶段对应的双眼视力差异数据，确定第一阶段配置数据；

具体而言，采用查表法，根据所述目标对象在第i个所述干预阶段对应的双眼视力差异数据确定配置数据，将确定的配置数据作为第一阶段配置数据。

所述目标对象在第i个所述干预阶段对应的双眼视力差异数据，也就是目标对象的第i个干预阶段的方案确定指令生成的时候对应的双眼视力差异数据。

双眼视力差异数据包括：裸眼视力的差异数据、矫正视力的差异数据和屈光度数的差异数据等。

S53：根据所述第一阶段配置数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案进行更新，得到所述目标干预方案。

具体而言，根据所述第一阶段配置数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案中的参数替换项进行替换更新，将完成更新的所述待处理方案作为所述目标干预方案。

可以理解的是，干预方案中的参数替换项均设有默认值，在未替换更新的情况下，参数替换项采用默认值。从而满足个性化的需求。

本实施例通过根据基于根据所述目标对象在第i个所述干预阶段对应的双眼视力差异数据确定的第一阶段配置数据对所述待处理方案中的与第i个所述干预阶段对应的阶段方案进行更新，从而实现了动态对第i个所述干预阶段对应的阶段方案进行设置，进一步提高了第i个所述干预阶段对应的阶段方案的适应性，进一步提高了第i个所述干预阶段对应的阶段方案的训练效果。

在一个实施例中，所述根据所述第一阶段配置数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案进行更新，得到所述目标干预方案的步骤，包括：

S531：根据第1个至第i-1个所述干预阶段的训练差异数据、用眼行为差异数据，确定第二阶段配置数据；

训练差异数据是所述干预阶段的训练方案与该所述干预阶段的实际的训练的差异数据。

用眼行为差异数据是所述干预阶段的用眼习惯指导方案与该所述干预阶段的实际的用眼行为数据的差异数据。

具体而言，采用查表法，根据第1个至第i-1个所述干预阶段的训练差异数据、用眼行为差异数据确定配置数据，将确定的配置数据作为第二阶段配置数据。

可以理解的是，第一阶段配置数据对应的参数替换项和第二阶段配置数据对应的参数替换项可以全部相同，也可以全部不同，还可以部分相同。

S532：根据所述第一阶段配置数据和所述第二阶段配置数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案进行更新，得到所述目标干预方案。

具体而言，对所述第一阶段配置数据和所述第二阶段配置数据进行融合，根据融合后的数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案中的参数替换项进行替换更新，将完成更新的所述待处理方案作为所述目标干预方案，其中，融合的操作包括：加权求和、计算最大值、计算平均值、计算最小值中的任一种，融合是对同一个参数替换项在所述第一阶段配置数据对应的值和在所述第二阶段配置数据中对应的值进行融合。

本实施例根据所述第一阶段配置数据和所述第二阶段配置数据，对所述待处理方案中的与第i个所述干预阶段对应的阶段方案进行更新，从而实现了动态对第i个所述干预阶段对应的阶段方案进行设置，进一步提高了第i个所述干预阶段对应的阶段方案的适应性，进一步提高了第i个所述干预阶段对应的阶段方案的训练效果。

在一个实施例中，所述根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案的步骤之后，包括：

S61：将所述目标干预方案中的与第i个所述干预阶段对应的阶段方案，作为执行方案；

S62：根据所述执行方案获取第j个干预子阶段的干预准备指令，j为大于0的整数；

具体而言，根据所述执行方案，可以获取用户输入的第j个干预子阶段的干预准备指令，也可以获取第三方应用发送的第j个干预子阶段的干预准备指令，还可以是实现本申请的程序根据预设条件生成的第j个干预子阶段的干预准备指令。

干预准备指令，是对干预子阶段对应的视力干预进行准备的指令。

S63：将所述目标对象在第i个所述干预阶段的第j-1个所述干预子阶段中的用眼行为数据、所述目标对象在第i个所述干预阶段中的训练数据输入与所述执行方案对应的配置分类模型进行分类预测，得到第一预测向量；

具体而言，将所述目标对象在第i个所述干预阶段的第j-1个所述干预子阶段中的用眼行为数据、所述目标对象在第i个所述干预阶段中的训练数据拼接后输入与所述执行方案对应的第一配置分类模型进行分类预测，将分类预测得到的向量作为第一预测向量。

第一预测向量中的每个向量元素的值是概率值，每个向量元素对应一个分类类别，分类类别是参数替换项和参数值的组合。

第一配置分类模型是多分类模型。第一配置分类模型的模型结构和模型训练方法可以从现有技术中选择，在此不做赘述。

S64：根据所述第一预测向量，确定第一子阶段配置数据；

具体而言，可以将所述第一预测向量中的同一个参数替换项对应的各个概率值中的最大值作为选中值，将选中值对应的向量元素对应的分类类别中的参数值作为第一参数值，将各个第一参数值作为第一子阶段配置数据。

S65：根据所述第一子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，得到所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的执行子方案。

具体而言，根据所述第一子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的参数替换项进行替换更新，将完成更新的所述子阶段方案作为所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的执行子方案，该执行子方案用于对目标对象进行第i个所述干预阶段的第j个所述干预子阶段的视力干预。

本实施例根据所述目标对象在第i个所述干预阶段的第j-1个所述干预子阶段中的用眼行为数据、所述目标对象在第i个所述干预阶段中的训练数据输入与所述执行方案对应的配置分类模型进行分类预测得到的第一子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，从而实现了动态对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行设置，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的适应性，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的训练效果。

在一个实施例中，所述根据所述第一子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，得到所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的执行子方案的步骤，包括：

S651：根据所述目标对象在第i个所述干预阶段的第k个所述干预子阶段中的训练数据进行训练指标评估，得到第一指标结果，k为大于0的整数，k小于j果；

具体而言，将所述目标对象在第i个所述干预阶段的第k个所述干预子阶段中的训练数据编码或转化为模型可识别的格式，将编码或转化得到的数据输入预训练的训练指标模型进行训练指标的分类预测，将分类预测得到的向量中的同一个训练指标对应的各个概率值中的最大概率值对应的分类类别作为第一单结果，将各个第一单结果作为第一指标结果。

训练数据包括但不限于：音频、视频、文本。

预训练的训练指标模型是预先训练的多分类模型。预训练的训练指标模型的模型结构和模型训练方法可以从现有技术选择，在此不做赘述。

通过重复执行步骤S651，即可确定所述目标对象在第i个所述干预阶段的第1个至第j-1个所述干预阶段的第一指标结果。

S652：采用第一拼接符，将所述目标对象在第i个所述干预阶段的第k个所述干预子阶段对应的所述执行子方案中的训练方案及所述第一指标结果进行拼接，得到第一拼接数据；

第一拼接符是预先设定的拼接符。

S653：根据所述目标对象在第i个所述干预阶段的第k个所述干预子阶段中的用眼行为数据进行用眼指标评估，得到第二指标结果；

具体而言，将所述目标对象在第i个所述干预阶段的第k个所述干预子阶段中的用眼行为数据编码或转化为模型可识别的格式，将编码或转化得到的数据输入预训练的用眼指标模型进行用眼指标的分类预测，将分类预测得到的向量中的同一个训练指标对应的各个概率值中的最大概率值对应的分类类别作为第二单结果，将各个第二单结果作为第二指标结果。

用眼行为数据包括但不限于：音频、视频、文本。用眼行为数据是工作和生活中的用眼的实际行为数据。

预训练的用眼指标模型是预先训练的多分类模型。预训练的用眼指标模型的模型结构和模型训练方法可以从现有技术选择，在此不做赘述。

通过重复执行步骤S653，即可确定所述目标对象在第i个所述干预阶段的第1个至第j-1个所述干预阶段的第二指标结果。

S654：采用第二拼接符，将所述目标对象在第i个所述干预阶段的第k个所述干预子阶段对应的所述执行子方案中的用眼习惯指导方案及所述第二指标结果进行拼接，得到第二拼接数据；

第一拼接符是预先设定的拼接符。可选的，第一拼接符和第二拼接符采用不同的符号。

S655：采用第三拼接符，对各个所述第一拼接数据和各个所述第二拼接数据进行拼接，得到第三拼接数据；

第三拼接符是预先设定的拼接符。可选的，第一拼接符、第二拼接符和第二拼接符均采用不同的符号。

S656：将所述第三拼接数据输入预训练的有效性分类模型进行有效性指标的分类预测，得到有效性指标结果；

具体而言，将所述第三拼接数据输入预训练的有效性分类模型进行有效性指标的分类预测，将分类预测得到的向量中的同一个有效性指标对应的各个概率值中的最大概率值对应的分类类别作为单有效性结果，将各个单有效性结果作为有效性指标结果。

预训练的有效性分类模型是预先训练的多分类模型。预训练的有效性分类模型的模型结构和模型训练方法可以从现有技术选择，在此不做赘述。

S657：根据有效性指标结果，确定第二子阶段配置数据；

具体而言，采用查表法，根据有效性指标结果确定配置数据，将确定的配置数据作为第二子阶段配置数据。

S658：根据所述第一子阶段配置数据和所述第二子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，得到所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的所述执行子方案。

具体而言，根据所述第一子阶段配置数据和所述第二子阶段配置数据进行融合，根据融合得到的数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的参数替换项进行替换更新，将完成替换更新后的子阶段方案作为所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的所述执行子方案，其中，融合的操作包括：加权求和、计算最大值、计算平均值、计算最小值中的任一种，融合是对同一个参数替换项在所述第一子阶段配置数据对应的值和在所述第二子阶段配置数据中对应的值进行融合。

本实施例根据所述第一子阶段配置数据和所述第二子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，从而实现了动态对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行设置，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的适应性，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的训练效果。

在一个实施例中，所述根据所述第一子阶段配置数据和所述第二子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，得到所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的所述执行子方案的步骤，包括：

S6581：根据所述目标对象在第i个所述干预阶段的第k个所述干预子阶段对应的环境数据、视力疾病数据及所述对象基本信息，确定第三子阶段配置数据；

具体而言，将所述目标对象在第i个所述干预阶段的第k个所述干预子阶段对应的环境数据、视力疾病数据及所述对象基本信息进行拼接后输入预训练的第二配置分类模型进行分类预测，将分类预测得到的向量中的同一个参数替换项对应的各个值中的最大概率值作为选中值，将选中值对应的向量元素对应的分类类别中的参数值作为第二参数值，将各个第二参数值作为第三子阶段配置数据。

本申请的环境数据是与视力相关的环境数据。环境数据包括光线条件、视觉距离与角度、空气质量和污染物、温度和湿度中的一种或多种。光线条件：包括室内外的光照强度、光源类型（如自然光、荧光灯、LED灯等）、光线色温以及光线分布的均匀性等；长时间处于过强或过弱的光线环境下，或者频繁切换不同光源，都可能对视力造成不良影响。视觉距离与角度：涉及到阅读、工作、娱乐等活动时眼睛与物体之间的距离，以及眼睛与屏幕或书本之间的角度；长时间近距离看屏幕或书本，以及不正确的用眼姿势，都可能增加视力问题的风险。空气质量和污染物：环境中的颗粒物、有害气体（如甲醛、苯等）以及过敏原等，都可能对眼睛造成刺激，影响视力健康。温度和湿度：极端的气温和湿度条件也可能对眼睛产生不良影响，如干眼症等。

视力疾病数据是与视力相关的疾病数据。视力疾病数据包括：眼部疾病诊断、眼部手术记录、全身性疾病与视力关联中的一种或多种。眼部疾病诊断：包括近视、远视、散光、青光眼、白内障、黄斑变性等眼部疾病的诊断结果和病程记录；这些疾病会直接影响视力，需要定期进行检查和治疗。眼部手术记录：如果进行了眼部手术（如激光矫正手术、白内障手术等），手术前后的视力数据、手术过程、术后恢复情况等也是重要的视力疾病数据。全身性疾病与视力关联：一些全身性疾病（如糖尿病、高血压等）也可能对视力产生影响；这些疾病的诊断、治疗以及病程监控数据，对于评估视力状况也具有重要意义。

S6582：根据所述第一子阶段配置数据、所述第二子阶段配置数据和所述第三子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，得到所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的所述执行子方案。

具体而言，根据所述第一子阶段配置数据、所述第二子阶段配置数据和所述第三子阶段配置数据进行融合，根据融合得到的数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的参数替换项进行替换更新，将完成替换更新后的子阶段方案作为所述目标对象在第i个所述干预阶段的第j个所述干预子阶段对应的所述执行子方案，其中，融合的操作包括：加权求和、计算最大值、计算平均值、计算最小值中的任一种，融合是对同一个参数替换项在所述第一子阶段配置数据对应的值、在所述第二子阶段配置数据和所述第三子阶段配置数据中对应的值进行融合。

本实施例根据所述第一子阶段配置数据、所述第二子阶段配置数据和所述第三子阶段配置数据，对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行更新，从而实现了动态对所述执行方案中的与第j个所述干预子阶段对应的子阶段方案进行设置，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的适应性，进一步提高了所述执行方案中的与第j个所述干预子阶段对应的子阶段方案的训练效果。

在一个实施例中，所述响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果的步骤之前，还包括：

S71：获取联邦学习平台发送的第一平台模型参数和第二平台模型参数；

联邦学习平台，是基于联邦学习技术构建的平台。可以理解的是，实现本申请的程序作为作为联邦学习终端；联邦学习终端通过搜集到的数据进行隐私处理后提供给联邦学习平台；联邦学习平台根据各个联邦学习终端发送的数据进行模型训练，并输出平台模型参数（也就是第一平台模型参数和第二平台模型参数）。

第一平台模型参数是基于第一初始模型训练得到的模型参数。

第二平台模型参数是基于第二初始模型训练得到的模型参数。

S72：获取所述目标对象对应的第一个性化模型参数和第二个性化模型参数；

所述目标对象对应的第一个性化模型参数，是实现本申请的程序所在的联邦学习终端，根据该联邦学习终端本地搜集的数据对所述第一预测模型训练得到的模型参数。所述第一预测模型与第一初始模型的模型结构相同。

所述目标对象对应的第二个性化模型参数，是实现本申请的程序所在的联邦学习终端，根据该联邦学习终端本地搜集的数据对所述第二预测模型训练得到的模型参数。所述第二预测模型与第二初始模型的模型结构相同。

S73：对所述第一平台模型参数和所述第一个性化模型参数进行融合，得到第一融合参数值集；

具体而言，对所述第一平台模型参数和所述第一个性化模型参数进行融合，将融合得到的数据作为第一融合参数值集，其中，融合的操作包括：加权求和、计算最大值、计算平均值、计算最小值中的任一种，融合是对同一个参数在所述第一平台模型参数对应的值和在所述第一个性化模型参数中对应的值进行融合。

S74：根据所述第一融合参数值集，更新所述第一预测模型的模型参数；

具体而言，根据所述第一融合参数值集，更新所述第一预测模型的模型参数，以实现模型的逆向传播。

S75：对所述第二平台模型参数和所述第二个性化模型参数进行融合，得到第二融合参数值集；

具体而言，对所述第二平台模型参数和所述第二个性化模型参数进行融合，将融合得到的数据作为第二融合参数值集，其中，融合的操作包括：加权求和、计算最大值、计算平均值、计算最小值中的任一种，融合是对同一个参数在所述第一平台模型参数对应的值和在所述第一个性化模型参数中对应的值进行融合。

S76：根据所述第二融合参数值集，更新所述第二预测模型的模型参数。

具体而言，根据所述第二融合参数值集，更新所述第二预测模型的模型参数，以实现模型的逆向传播。

本实施例基于联邦学习平台的第一平台模型参数更新第一预测模型，基于联邦学习平台的第二平台模型参数更新第二预测模型，实现了通过联邦学习技术进行模型训练，拓展了训练样本的来源，提高了模型的准确性，进而提高了确定的目标干预方案的准确性，而且联邦学习技术只需要隐私处理后的数据进行训练，提高了用户信息安全；通过联邦学习平台的第一平台模型参数和所述目标对象对应的第一个性化模型参数融合后更新第一预测模型，满足了目标对象的个性化需求，通过联邦学习平台的第二平台模型参数和所述目标对象对应的第二个性化模型参数融合后更新第二预测模型，满足了目标对象的个性化需求，进一步提高了确定的目标干预方案的适应性。

请参阅图3所示，在一实施例中，提供一种基于自助筛查的视力干预方案确定装置，所述装置包括：

指令获取模块801，用于获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

第一预测模块802，用于响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

方案推荐模块803，用于根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

第二预测模块804，用于将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

目标干预方案确定模块805，用于根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

本实施例通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

在一个实施例中，提供了一种目标设备，该目标设备可以是服务端，其内部结构图可以如图4所示。该目标设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该目标设备的处理器用于提供计算和控制能力。该目标设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该目标设备的网络接口用于与外部的客户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自助筛查的视力干预方案确定方法服务端侧的功能或步骤。

在一个实施例中，提供了一种目标设备，该目标设备可以是客户端，其内部结构图可以如图5所示。该目标设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该目标设备的处理器用于提供计算和控制能力。该目标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。该目标设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于自助筛查的视力干预方案确定方法客户端侧的功能或步骤。

在一个实施例中，提出了一种目标设备，包括存储器、处理器以及存储在所述存储器中并可在所述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以下步骤：

获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

本实施例通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

在一个实施例中，提出了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程序，所述计算机程序被处理器执行时实现以下步骤：

获取目标对象的第i个干预阶段的方案确定指令，i为大于0的整数；

响应所述方案确定指令，将所述目标对象在第i个所述干预阶段对应的对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据输入预训练的第一预测模型进行未来视力发展趋势预测，得到第一预测结果；

根据所述第一预测结果和所述历史用眼行为数据进行每个推荐等级的干预方案推荐，得到各个候选干预方案；

将所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据输入预训练的第二预测模型进行未来干预效果趋势预测，得到第二预测结果；

根据各个所述第二预测结果和各个所述候选干预方案，确定目标干预方案。

本实施例通过未来视力发展趋势预测、基于未来视力发展趋势预测的结果和历史用眼行为数据进行每个推荐等级的干预方案推荐、基于推荐的干预方案进行未来干预效果趋势预测、基于推荐的干预方案和未来干预效果趋势预测的结果进行候选干预方案的筛选，通过基于未来视力发展趋势预测的结果进行干预方案推荐，使推荐的干预方案符合未来视力发展趋势，而基于未来干预效果趋势预测进行干预方案的筛选，使筛选出的干预方案的未来干预效果趋势符合个性化的需求，进而提高了确定的目标干预方案的适应性，有利于提高训练效果；通过基于多模态数据（也就是对象基本信息、历史视力检测数据、历史训练数据、历史视力疾病数据及历史用眼行为数据）进行未来视力发展趋势预测，基于多模态数据（也就是所述候选干预方案、所述对象基本信息、所述历史视力检测数据、所述历史训练数据、所述历史视力疾病数据及所述历史用眼行为数据）和推荐的干预方案进行未来干预效果趋势预测，整个过程考虑了多模态数据，提高了预测的准确性，进而进一步提高了确定的目标干预方案的适应性，有利于进一步提高训练效果；通过基于所述目标对象在第i个所述干预阶段对应的多模态数据重新确定第i个干预阶段的目标干预方案，提高了确定的目标干预方案对第i个干预阶段的适应性，提高第i个干预阶段的训练效果。

需要说明的是，上述关于计算机可读存储介质或目标设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。