[发明专利]一种基于大数据的角膜塑形镜验配方法及系统

说明书

本发明提供了一种基于大数据的角膜塑形镜验配方法及系统，其中，验配方法包括：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。该验配系统省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。

技术领域

本发明涉及塑形镜验配领域，具体涉及一种基于大数据的角膜塑形镜验配方法及系统。

背景技术

在这个科技发达的时代，电子产品的风靡给我们的日常生活中带来了方便，但同时也给我们的健康带来了不利，最明显的就是我们的眼部健康。现在很多儿童在很小的时候就开始迷上电子产品，以至于我国的青少年患近视眼的概率居世界首位，而在近视防控的措施中，角膜塑形镜是佼佼者，目前，角膜塑形镜的验配方式是根据角膜地形图的参数进行多次试戴角膜塑形镜的试戴片，然后根据试戴结果确认用户需配带的角膜塑形镜的度数。

发明内容

针对上述问题，本发明提供一种基于大数据的角膜塑形镜验配方法及系统。

本发明的目的采用以下技术方案来实现：

本发明第一方面提供了一种基于大数据的角膜塑形镜验配方法，该方法包括：

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。

在一种可选的实施方式中，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。

在一种可选的实施方式中，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。

在一种可选的实施方式中，所述方法进一步包括：