[发明专利]一种基于大数据的角膜塑形镜验配方法及系统

权利要求书

1.一种基于大数据的角膜塑形镜验配方法，其特征在于，所述方法包括：

获取历史数据，所述历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

对所述历史数据进行预处理，剔除无效数据；

根据所述历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；

获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。

2.根据权利要求1所述的角膜塑形镜验配方法，其特征在于，采用有监督的学习算法构建所述线性回归模型，包括：

S1：将预处理后的用户的角膜地形图参数与其对应的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；

S2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；

S3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到所述线性回归模型：

Ke＝b₀+b₁×Kf+b₂×minK+b₃×Em

式中，Ke是角膜曲率值，b₀为常数项，b₁、b₂、b₃分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。

3.根据权利要求2所述的角膜塑形镜验配方法，其特征在于，在步骤S3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：

S31：对引入的自变量进行F检验，判断该自变量是否显著；

S32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；

S33：按照步骤S31-S32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。

4.根据权利要求2所述的角膜塑形镜验配方法，其特征在于，所述方法进一步包括：

优化所述线性回归模型，具体是：

重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；

计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：

Ke＝b₀’+b₁’×Kf+b₂’×minK+b₃’×Em

式中，Ke是角膜曲率值，b₀'为常数项，b₁'、b₂'、b₃'分别为Kf、minK、Em的优化后的回归系数，其中，b₀'＝6.3982，b₁'＝0.3395，b₂'＝0.5234，b₃’＝-0.9399。

5.根据权利要求1所述的角膜塑形镜验配方法，其特征在于，所述角膜地形图参数包括：Ks、Kf、MinK、AvgK、CYL、SRI、PVA、SAI、Es和Em；其中：

Ks为陡峭子午线角膜屈光力，即垂直向曲率；Kf为平坦子午线屈光力，即水平向曲率；MinK为最小子午线屈光力，即最小曲率；AvgK为平均角膜屈光度，即垂直向曲率和水平向曲率的均值；CYL为柱镜度数，即散光；SRI为角膜平均表面规则系数；PVA为眼睛矫正的最高理想视力值；SAI为角膜表面非对称性指数；Es为Ks子午线方向的角膜偏心率；Em为最小角膜曲率子午线方向的角膜偏心率。