CN114617529A - 一种用于眼罩设备的眼球眩晕数据识别方法及系统 - Google Patents

Abstract

本发明提供了一种用于眼罩设备的眼球眩晕数据识别方法及系统，其中，该方法包括：通过图像采集装置采集第一眼球图像数据集，第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；构建眼球眩晕识别模型；将第一眼球图像数据集输入眼球眩晕识别模型进行训练，获得训练至收敛状态的眼球眩晕识别模型；获得第一用户的第一眼球图像信息；将第一眼球图像信息输入眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，第一识别结果为慢相运动数据，第二识别结果为快相运动数据。

Description

一种用于眼罩设备的眼球眩晕数据识别方法及系统

技术领域

本发明涉及数据处理相关技术领域，具体涉及一种用于眼罩设备的眼球眩晕数据识别方法及系统。

背景技术

眼球震颤（nystagmus, NY）是一种眼球不自主、有规律、往返运动的眼球疾病，患病者一般在眼球震颤发作时伴随着眩晕以及耳鸣等症状。

目前对于眼球震颤的眼球运动主要通过在医院由医护人员通过观察或Frenzel镜采集图像进行观察，获得眼球震颤的频率、方向和速度等。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中分析识别眼震患者眼球运动的相关数据的方法，主要通过医护人员直接观察肉眼或采集眼球运动图像进行观察，需要依靠医生经验进行判断识别，存在无法智能化、高效率的识别眼球震颤数据的技术问题。

发明内容

本申请实施例提供了一种用于眼罩设备的眼球眩晕数据识别方法及系统，用于针对解决现有技术中分析识别眼震患者眼球运动的相关数据的方法，主要通过医护人员直接观察肉眼或采集眼球运动图像进行观察，需要依靠医生经验进行判断识别，存在的无法智能化、高效率的识别眼球震颤数据的技术问题。

鉴于上述问题，本申请实施例提供了一种用于眼罩设备的眼球眩晕数据识别方法及系统。

本申请实施例的第一个方面，提供了一种用于眼罩设备的眼球眩晕数据识别方法，所述方法应用于一眼罩设备，所述眼罩设备与一图像采集装置通信连接，所述方法包括：通过所述图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；构建眼球眩晕识别模型；将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；获得第一用户的第一眼球图像信息；将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

本申请实施例的第二个方面，提供了一种用于眼罩设备的眼球眩晕数据识别系统，所述系统包括：第一获得单元，所述第一获得单元用于通过图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；第一构建单元，所述第一构建单元用于构建眼球眩晕识别模型；第一处理单元，所述第一处理单元用于将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；第二获得单元，所述第二获得单元用于获得第一用户的第一眼球图像信息；第二处理单元，所述第二处理单元用于将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

本申请实施例的第三个方面，提供了一种用于眼罩设备的眼球眩晕数据识别系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。

本申请实施例的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的技术方案通过眼罩设备内图像采集装置采集患者用户在发生眩晕和眼球震颤时的眼球图像数据，然后构建眼球眩晕识别模型，采用眼球图像数据对模型进行训练，获得训练完毕的眼球眩晕识别模型，然后，将当前进行眼球眩晕数据识别的用户发生眩晕和眼球震颤时的眼球图像数据驶入模型，得到识别结果。本申请实施例通过图像采集设备采集大量眼球眩晕时的眼球数据，得到丰富的训练数据，然后构建眼球眩晕识别模型并进行模型训练，能够使模型根据眼球图像信息进行准确的分析识别，并输出准确的眼球震颤数据识别结果，识别出图像信息中的快相运动和慢相运动信息，为眩晕和眼球震颤种类信息等的识别提供准确的数据基础，避免医生主观识别过程中其他因素的干扰，达到智能化、高效率分析识别眼球眩晕震颤的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供的一种用于眼罩设备的眼球眩晕数据识别方法流程示意图；

图2为本申请实施例提供的一种用于眼罩设备的眼球眩晕数据识别方法中构建眼球眩晕识别模型流程示意图；

图3为本申请实施例提供的一种用于眼罩设备的眼球眩晕数据识别方法中采集第一眼球图像信息流程示意图；

图4为本申请实施例提供了一种用于眼罩设备的眼球眩晕数据识别系统结构示意图；

图5为本申请实施例示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第一构建单元12，第一处理单元13，第二获得单元14，第二处理单元15，电子设备300，存储器301，处理器302，通信接口303，总线架构304。

具体实施方式

本申请实施例通过提供了一种用于眼罩设备的眼球眩晕数据识别方法及系统，用于针对解决现有技术中分析识别眼震患者眼球运动的相关数据的方法，主要通过医护人员直接观察肉眼或采集眼球运动图像进行观察，需要依靠医生经验进行判断识别，存在的无法智能化、高效率的识别眼球震颤数据的技术问题。

申请概述

眼球震颤是眩晕疾病最常见的一种症状表现，眼球震颤是一种眼球不自主、有规律、往返运动的眼球疾病，患病者一般在眼球震颤发作时伴随着眩晕以及耳鸣等症状。眼球震颤的发病原因主要包括由外伤或感染引起的视觉神经系统或中枢神经系统疾病。从前庭外周感受器经过前庭神经到达脑干前庭神经核，从前庭神经核团发出神经组成内侧纵束，支配双侧眼动神经核，再发出神经支配眼外肌，这是前庭眼反射环路，其中任何部位的损害都会引起眼球震颤。目前对于眼球震颤的眼球运动主要通过在医院由医护人员通过观察或Frenzel镜采集图像进行观察，获得眼球震颤的频率、方向和速度等。现有技术中分析识别眼震患者眼球运动的相关数据的方法，主要通过医护人员直接观察肉眼或采集眼球运动图像进行观察，需要依靠医生经验进行判断识别，存在无法智能化、高效率的识别眼球震颤数据的技术问题。

针对上述技术问题，本申请提供的技术方案总体思路如下：

通过图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；构建眼球眩晕识别模型；将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；获得第一用户的第一眼球图像信息；将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

在介绍了本申请基本原理后，下面，将参考附图对本申请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申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，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，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

实施例一

如图1所示，本申请实施例提供了一种用于眼罩设备的眼球眩晕数据识别方法，所述方法应用于一眼罩设备，所述眼罩设备与一图像采集装置通信连接，所述方法包括：

S100：通过所述图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；

具体而言，现有技术中对于眩晕和眼球震颤患者眼球运动图像数据的采集和分析，一般在医院通过医护人员进行肉眼观察分析识别，或者在暗室通过Frenzel镜或眼震识图进行图像采集识别分析，以处理眼球震颤图像数据，分析获得患者所发生眼球震颤对应的种类等信息。但是，上述的图像分析过程主要由医护人员基于医疗经验进行主观判断，存在着一定的误差，无法准确地对图像信息进行处理分析。

本申请实施例中的眼罩设备为会出现眩晕和眼球震颤患者所佩戴的眼罩设备，其通信连接有一图像采集装置，用于随时随地采集获得用户的眼球运动信息，进行眼球震颤眩晕的实时分析识别。示例性地，图像采集装置设置于眼罩设备内部，图像采集装置可为现有技术中任意类型的能够采集获取图像信息的摄像装置或它们的结合，能够在用户佩戴眼罩时采集获得用户眼球正面或全角度的图像数据。

S200：构建眼球眩晕识别模型；

如图2所示，本申请实施例提供的方法中的步骤S200包括：

S210：在输入层之后的隐含层中加入卷积连接层；

S220：在所述卷积连接层之后增加支持向量机子网络；

S230：在所述支持向量机子网络后添加输出层，构建眼球眩晕识别模型。

具体而言，本申请实施例构建的眼球眩晕识别模型为神经网络模型，其包括输入层、隐含的处理层和输出层，输入层用于输入本申请实施例中的眼球图像数据，处理层用于对眼球图像数据进行识别分析和归类，然后根据监督训练设置的对应的输出结果信息进行输出，处理层包括多个连接的神经元，能够反应人脑判断分析的特征，每个神经元内包括眼球图像信息内对识别分析眼球震颤产生影响的因素，神经元之间的连接包括每个因素对识别分析眼球震颤影响的权重，基于处理层，对眼球图像进行识别分析，获得图像分析分析识别结果，完成眼球震颤图像的识别。

为准确识别眼球图像，本申请实施例提供的眼球眩晕识别模型内包括多层神经网络。其中，在输入层之后的隐含层中加入卷积连接层，卷积连接层为卷积神经网络（Convolutional Neural Networks, CNN），其可通过训练数据内眼球图像内与眼球震颤类型对应的图像卷积特征进行特征提取识别，完成眼球图像的识别分析，确定眼球图像内眼球运动特征对应的眼球震颤类型等信息，完成识别分析。

在上述的卷积连接层之后增加支持向量机子网络（Support Vector Machine,SVM）。其中，在卷积连接层对眼球图像信息进行卷积特征提取获得多个维度眼球运动图像特征后，还需根据多个维度的眼球运动图像特征进行分类，最终确定当前进行识别眼球图像对应何种眩晕和眼球震颤。其中，上述的多个维度的眼球运动图像特征包括：眼球震颤的运动速度、运动方向、运动频率等等。

基于上述维度的眼球运动图像特征，将眼球图像信息对应的眼球眩晕震颤类别在支持向量机子网络进行分类，若能够进行线性分类，则直接根据线性函数进行分类，示例性地，可将眼球图像信息内运动数据分类为慢相运动数据和快相运动数据。若无法进行线性分类，采用支持向量机子网络内的核函数将眼球图像信息内的运动数据特征映射到高维特征空间，在高维特征空间内采用最优分离超平面将非线性数据进行分离，完成分类。

在构建完毕支持向量机子网络后，构建输出层，用于完成预测识别结果的输出。如此，将眼球图像信息输入输入层之后，卷积连接层可根据运动数据特征卷积核进行卷积提取，提取出眼球震颤的运动速度、运动方向、运动频率等特征，然后基于支持向量机子网络对多个维度运动数据特征形成的眼球图像信息进行分类，分类获得输出结果，完成眼球图像信息的识别分析，构建了智能化准确识别分析眼球图像信息的模型，达到准确分析识别眼球图像信息的技术效果。

S300：将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；

具体而言，本申请实施例中采用基于历史采集数据获得的多个眩晕和眼球震颤患者的眼球图像作为训练数据，并采用基于历史采集的眼球图像数据对应的医学诊断结果的集合作为输出分类结果的训练数据，对构建完成的眼球眩晕识别模型进行监督训练，当模型的输出信息的准确率达到一预设阈值或收敛状态时，完成模型的训练。优化地，由于本申请实施例中的训练数据内的数据量并非海量的训练数据，为获得最为准确的输出结果，将模型训练至收敛状态时完成模型的训练。

本申请实施例提供的方法中的步骤S300包括：

S310：根据所述眼球图像通过所述卷积连接层获得第一运动特征和第二运动特征；

S320：分别根据所述第一运动特征和所述第二运动特征构建第一训练数据集和第二训练数据集；

S330：根据所述第一训练数据集和所述第二训练数据集训练所述支持向量机子网络至收敛状态，获得训练至收敛状态的所述眼球眩晕识别模型。

具体而言，根据历史采集多个用户发生眩晕和眼球震颤时获得的眼球图像数据集，基于上述的卷积连接层进行卷积特征提取，获得第一运动特征和第二运动特征。其中，第一运动特征和第二运动特征分别对应眼球震颤运动中的快相运动特征和慢相运动特征。

现有技术中，根据快相运动特征和慢相运动特征，可对眼球震颤和眩晕进行分析诊断，示例性地，快相运动特征发生较多可认为是急跳性眼震，也可称之为前庭性眼震，而若眼球以快相运动至健康侧，然后回到原位，再以慢相运动至病侧，可认为为自发性眼震，上述的诊断过程为现有技术中的医学内容，不涉及本申请实施例提供的内容，本申请实施例仅根据眼球图像信息进行准确地识别分析出其中的快相运动和慢相运动特征，以供分析参考。

获得第一运动特征和第二运动特征后，将其作为支持向量机子网络的分类结果信息，分别基于眼球图像数据集内的第一运动特征和第二运动特征对应的运动特征数据构建第一训练数据集和第二训练数据集，对支持向量机子网络的分类进行训练至收敛，完成眼球眩晕识别模型的训练。

本申请实施例提供的方法中的步骤S310包括：

S311：获得第一运动卷积核和第二运动卷积核；

S312：根据所述第一运动卷积核和所述第二运动卷积核对所述第一眼球图像数据集通过所述卷积连接层进行特征分离，获得第一运动特征和第二运动特征。

具体而言，如前述内容，第一运动特征和第二运动特征分别对应快相运动特征和慢相运动特征，而第一运动特征和第二运动特征内的运动特征数据通过卷积连接层进行卷积特征提取而获得。

具体地，卷积提取运动特征数据的过程包括，基于历史眼球图像信息内对应不同类型眼球震颤的图像特征数据，设置第一运动卷积核和第二运动卷积核，然后采用卷积连接层基于第一运动卷积核和第二运动卷积核对第一眼球图像数据集内的眼球图像进行特征分离，获得第一运动特征和第二运动特征。第一运动特征和第二运动特征内分别包括快相运动特征数据和慢相运动特征数据。

本申请实施例通过采用基于卷积神经网络的卷积连接层，基于历史采集眼球图像构建运动特征卷积核，对眼球图像信息进行卷积特征提取，能够准确获得其内的与快相运动特征和慢相运动特征对应的运动特征数据，并提供给后续支持向量机子网络进行分类，达到准确提取眼球运动特征数据的技术效果。

本申请实施例提供的方法中的步骤S320包括：

S321：分别对所述第一运动特征和所述第二运动特征进行速度分析和方向分析，获得第一运动速度、第一运动方向以及第二运动速度和第二运动方向；

S322：根据所述第一运动方向和所述第一运动速度构建第一训练数据集；

S323：根据所述第二运动方向和所述第二运动速度构建第二训练数据集。

具体而言，在获得第一运动特征和第二运动特征内的运动特征数据之后，需要采用支持向量机子网络根据眼球图像的运动特征数据进行分类，以分类获得快相运动数据的识别结果和慢相运动的识别结果。

具体地，根据卷积连接层获得的第一运动特征和第二运动特征，对其进行追溯分析，分别获得第一运动特征和第二运动特征内的第一运动速度、第一运动方向以及第二运动速度和第二运动方向等运动特征数据。然后将第一运动方向和第一运动速度构建第一训练数据集，将对应的第一运动特征的识别结果作为分类预测信息；以及将第二运动方向和第二运动速度构建第二训练数据集，将对应的第二运动特征的识别结果作为相应的分类预测信息。如此，将两组训练数据集合对应的识别结果作为分类训练数据对用于进行分类的支持向量机子网络进行训练，使训练至收敛的支持向量机子网络能够根据卷积连接层卷积提取获得的运动特征数据进行准确分类，进而输出分类识别结果，完成眼球图像信息的分析识别。

本申请实施例通过增加构建支持向量机子网络，对卷积连接层卷积提取获得的眼球运动特征数据进行分类，能够在获取眼球运动特征数据的基础上，对呈线性分类或不可线性分类的眼球运动特征数据进行精准分类，获得识别结果，能够提供给医护人员更为准确的眼球图像数据识别基础，达到准确分类眼球震颤运动特征数据的技术效果。

S400：获得第一用户的第一眼球图像信息；

如图3所示，本申请实施例提供的方法中的步骤S400包括：

S410：所述第一用户的眼球状态进行实时监控，获得正常状态下的眼球状态信息；

S420：获得预定波动阈值；

S430：判断所述第一眼球图像信息与所述正常状态下的眼球状态信息相比是否超出所述预定波动阈值；

S440：当超出所述预定波动阈值时，触发第一采集指令；

S450：根据所述第一采集指令，对第一用户的第一眼球图像信息进行获取识别。

具体而言，晕眩和眼球震颤患者在未发生眼球震颤的症状时，眼球运动能力和常人相同，可进行自由的眼球运动，因此，为避免患者佩戴眼罩设备时误采集获得正常状态下患者的眼球图像数据，进而避免增加模型计算成本或影响模型输出信息的精度，需精确采集患者眼球发生眼球震颤时的图像数据。

具体地，在佩戴眼罩设备的过程中，实时对第一用户的眼球状态进行监控，获得第一用户处于正常状态下的眼球状态信息，其包括正常的转动眼球等，正常运动与眼球震颤运动的运动方向、运动速度等均有所不同。通过眼球震颤运动图像内的运动特征数据，设置一预定波动阈值，示例性地，该波动阈值包括：眼球运动方向阈值、眼球运动速度阈值以及眼球运动频率阈值。

在该波动阈值以内，可认为第一用户的眼球处于正常状态，若超出该波动阈值，则可认为第一用户的眼球发生震颤，此时，获得第一采集指令，实时采集第一用户的眼球的图像数据，并对采集获得的第一眼球图像信息采用眼球眩晕识别模型进行识别。

本申请实施例通过历史眼球震颤运动特征数据和正常眼球运动特征数据，设置波动阈值，在用户佩戴眼罩设备时眼球的运动超出该波动阈值时采集眼球图像信息进行识别，获得眼球图像震颤识别结果，能够有效节省模型的计算成本，且可避免识别正常图像带来的浪费以及对于模型识别精度的影响。

S500：将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

具体而言，在基于第一采集指令采集获得第一眼球图像信息后，即可将该第一眼球图像信息输入训练完成的眼球眩晕识别模型进行识别分析，首先通过卷积连接层卷积提取获得运动特征数据，然后通过支持向量机子网络对识别获得的运动特征数据进行分类，获得第一识别结果和第二识别结果。其中，第一识别结果为眼球震颤运动的慢相运动数据，第二识别结果为眼球震颤运动的快相运动数据，完成眼球图像信息的分析识别。

本申请实施例提供的方法中的步骤S450之后，还包括步骤S460，步骤S460包括：

S461：获得所述第一用户的睡眠信息；

S462：根据所述第一采集指令，获得采集频率；

S463：根据所述睡眠信息和所述采集频率，获得所述睡眠信息和所述采集频率之间的关联函数；

S464：根据所述关联函数，确定第一关联度；

S465：当所述第一关联度超出预定阈值时，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户睡眠不足。

具体而言，获得第一用户的睡眠信息，上述的眼罩设备内设置有可用于检测人体头部动作以及心率的传感器，用于监测第一用户是否处于睡眠状态、睡眠时间以及睡眠深度等信息，并综合上述信息得到睡眠信息。

第一用户的眩晕和眼球震颤等症状会影响用户神经系统的健康，进而影响第一用户的睡眠质量。而用户在白天正常眼睛过程中，在发生眼球震颤时，即眼球运动特征超出预定波动阈值进行眼球图像信息的采集，如此，获得第一采集指令进行眼球图像采集的次数即对应了第一用户发生眼球震颤症状的次数，而眼球震颤症状的发生次数和时间与用户的睡眠质量成反相关。基于此，构建睡眠信息和采集频率之间的关联函数，该关联函数内，若第一用户采集眼球图像信息的频率越高，则睡眠信息对应的睡眠质量就越差。

根据上述的关联函数，确定第一关联度，第一关联度即为第一用户当前采集频率的关联度，根据第一关联度可获得第一用户的睡眠质量信息，当第一关联度超出预设的预定阈值时，则获得第一提醒信息，提醒第一用户睡眠不足。示例性地，预定阈值可为第一用户采集频率对应的睡眠时间不足7小时等，以及睡眠深度等的阈值，但不限于此。

本申请实施例通过构建用户眼球图像信息采集频率和睡眠信息质检的关联函数，可根据当前用户采集眼球图像的采集频率获得对应的睡眠信息，判断当前用户是否出现睡眠不足的情况，进而提醒当前用户，能够提升用户对于睡眠质量的重视程度，促进用户治疗眩晕和眼球震颤的积极性。

综上所述，本申请实施例通过图像采集设备采集大量眼球眩晕时的眼球数据，得到丰富的训练数据，然后构建眼球眩晕识别模型并进行模型训练，分别对眼球眩晕识别模型内的卷积连接层和支持向量机子网络进行训练，能够使模型根据眼球图像信息进行准确的分析识别，并输出准确的眼球震颤数据识别分类结果，识别出图像信息中的快相运动和慢相运动信息，为眩晕和眼球震颤种类信息等的识别提供准确的数据基础，避免医生主观识别过程中其他因素的干扰，还可在用户发生眼球震颤时启动采集眼球图像信息，节省计算成本，提升眼球图像识别精度，达到智能化、高效率分析识别眼球眩晕震颤的技术效果。

实施例二

基于与前述实施例中一种用于眼罩设备的眼球眩晕数据识别方法相同的发明构思，如图4所示，本申请实施例提供了一种用于眼罩设备的眼球眩晕数据识别系统，其中，所述系统包括：

第一获得单元11，所述第一获得单元11用于通过图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；

第一构建单元12，所述第一构建单元12用于构建眼球眩晕识别模型；

第一处理单元13，所述第一处理单元13用于将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；

第二获得单元14，所述第二获得单元14用于获得第一用户的第一眼球图像信息；

第二处理单元15，所述第二处理单元15用于将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

进一步的，所述系统还包括：

第二构建单元，所述第二构建单元用于在输入层之后的隐含层中加入卷积连接层；

第三构建单元，所述第三构建单元用于在所述卷积连接层之后增加支持向量机子网络；

第四构建单元，所述第四构建单元用于在所述支持向量机子网络后添加输出层，构建眼球眩晕识别模型。

进一步的，所述系统还包括：

第三处理单元，所述第三处理单元用于根据所述眼球图像通过所述卷积连接层获得第一运动特征和第二运动特征；

第五构建单元，所述第五构建单元用于分别根据所述第一运动特征和所述第二运动特征构建第一训练数据集和第二训练数据集；

第四处理单元，所述第四处理单元用于根据所述第一训练数据集和所述第二训练数据集训练所述支持向量机子网络至收敛状态，获得训练至收敛状态的所述眼球眩晕识别模型。

进一步的，所述系统还包括：

第五处理单元，所述第五处理单元用于分别对所述第一运动特征和所述第二运动特征进行速度分析和方向分析，获得第一运动速度、第一运动方向以及第二运动速度和第二运动方向；

第六构建单元，所述第六构建单元用于根据所述第一运动方向和所述第一运动速度构建第一训练数据集；

第七构建单元，所述第七构建单元用于根据所述第二运动方向和所述第二运动速度构建第二训练数据集。

进一步的，所述系统还包括：

第三获得单元，所述第三获得单元用于获得第一运动卷积核和第二运动卷积核；

第六处理单元，所述第六处理单元用于根据所述第一运动卷积核和所述第二运动卷积核对所述第一眼球图像数据集通过所述卷积连接层进行特征分离，获得第一运动特征和第二运动特征。

进一步的，所述系统还包括：

第四获得单元，所述第四获得单元用于对所述第一用户的眼球状态进行实时监控，获得正常状态下的眼球状态信息；

第五获得单元，所述第五获得单元用于获得预定波动阈值；

第一判断单元，所述第一判断单元用于判断所述第一眼球图像信息与所述正常状态下的眼球状态信息相比是否超出所述预定波动阈值；

第七处理单元，所述第七处理单元用于当超出所述预定波动阈值时，触发第一采集指令；

第八处理单元，所述第八处理单元用于根据所述第一采集指令，对第一用户的第一眼球图像信息进行获取识别。

进一步的，所述系统还包括：

第六获得单元，所述第六获得单元用于获得所述第一用户的睡眠信息；

第七获得单元，所述第七获得单元用于根据所述第一采集指令，获得采集频率；

第九处理单元，所述第九处理单元用于根据所述睡眠信息和所述采集频率，获得所述睡眠信息和所述采集频率之间的关联函数；

第十处理单元，所述第十处理单元用于根据所述关联函数，确定第一关联度；

第八获得单元，所述第八获得单元用于当所述第一关联度超出预定阈值时，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户睡眠不足。

示例性电子设备

下面参考图5来描述本申请实施例的电子设备，

基于与前述实施例中一种用于眼罩设备的眼球眩晕数据识别方法相同的发明构思，本申请实施例还提供了一种用于眼罩设备的眼球眩晕数据识别系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。

该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。

通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。

存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc

read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种用于眼罩设备的眼球眩晕数据识别方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

本申请实施例通过图像采集设备采集大量眼球眩晕时的眼球数据，得到丰富的训练数据，然后构建眼球眩晕识别模型并进行模型训练，分别对眼球眩晕识别模型内的卷积连接层和支持向量机子网络进行训练，能够使模型根据眼球图像信息进行准确的分析识别，并输出准确的眼球震颤数据识别分类结果，识别出图像信息中的快相运动和慢相运动信息，为眩晕和眼球震颤种类信息等的识别提供准确的数据基础，避免医生主观识别过程中其他因素的干扰，还可在用户发生眼球震颤时启动采集眼球图像信息，节省计算成本，提升眼球图像识别精度，达到智能化、高效率分析识别眼球眩晕震颤的技术效果。

本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指

令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

1.一种用于眼罩设备的眼球眩晕数据识别方法，其特征在于，所述方法应用于一眼罩设备，所述眼罩设备与一图像采集装置通信连接，所述方法包括：

通过所述图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；

构建眼球眩晕识别模型；

将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；

获得第一用户的第一眼球图像信息；

将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

2.如权利要求1所述的方法，其特征在于，所述构建眼球眩晕识别模型，包括：

在输入层之后的隐含层中加入卷积连接层；

在所述卷积连接层之后增加支持向量机子网络；

在所述支持向量机子网络后添加输出层，构建眼球眩晕识别模型。

3.如权利要求2所述的方法，其特征在于，所述将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型，包括：

根据所述眼球图像通过所述卷积连接层获得第一运动特征和第二运动特征；

分别根据所述第一运动特征和所述第二运动特征构建第一训练数据集和第二训练数据集；

根据所述第一训练数据集和所述第二训练数据集训练所述支持向量机子网络至收敛状态，获得训练至收敛状态的所述眼球眩晕识别模型。

4.如权利要求3所述的方法，其特征在于，所述分别根据所述第一运动特征和所述第二运动特征构建第一训练数据集和第二训练数据集，包括：

分别对所述第一运动特征和所述第二运动特征进行速度分析和方向分析，获得第一运动速度、第一运动方向以及第二运动速度和第二运动方向；

根据所述第一运动方向和所述第一运动速度构建第一训练数据集；

根据所述第二运动方向和所述第二运动速度构建第二训练数据集。

5.如权利要求3所述的方法，其特征在于，所述根据所述眼球图像信通过所述卷积连接层获得第一运动特征和第二运动特征，包括：

获得第一运动卷积核和第二运动卷积核；

根据所述第一运动卷积核和所述第二运动卷积核对所述第一眼球图像数据集通过所述卷积连接层进行特征分离，获得第一运动特征和第二运动特征。

6.如权利要求1所述的方法，其特征在于，所述获得第一用户的第一眼球图像信息之前，还包括：

对所述第一用户的眼球状态进行实时监控，获得正常状态下的眼球状态信息；

获得预定波动阈值；

判断所述第一眼球图像信息与所述正常状态下的眼球状态信息相比是否超出所述预定波动阈值；

当超出所述预定波动阈值时，触发第一采集指令；

根据所述第一采集指令，对第一用户的第一眼球图像信息进行获取识别。

7.如权利要求6所述的方法，其特征在于，所述当超出所述预定波动阈值时，触发第一采集指令之后，还包括：

获得所述第一用户的睡眠信息；

根据所述第一采集指令，获得采集频率；

根据所述睡眠信息和所述采集频率，获得所述睡眠信息和所述采集频率之间的关联函数；

根据所述关联函数，确定第一关联度；

当所述第一关联度超出预定阈值时，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户睡眠不足。

8.一种用于眼罩设备的眼球眩晕数据识别系统，其特征在于，所述系统包括：

第一获得单元，所述第一获得单元用于通过图像采集装置采集第一眼球图像数据集，所述第一眼球图像数据集包括不同用户发生眩晕时的眼球图像数据集；

第一构建单元，所述第一构建单元用于构建眼球眩晕识别模型；

第一处理单元，所述第一处理单元用于将所述第一眼球图像数据集输入所述眼球眩晕识别模型进行训练，获得训练至收敛状态的所述眼球眩晕识别模型；

第二获得单元，所述第二获得单元用于获得第一用户的第一眼球图像信息；

第二处理单元，所述第二处理单元用于将所述第一眼球图像信息输入所述眼球眩晕识别模型，获得第一识别结果和第二识别结果，其中，所述第一识别结果为慢相运动数据，所述第二识别结果为快相运动数据。

9.一种用于眼罩设备的眼球眩晕数据识别系统，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

Images