[发明专利]一种多模态激光干眼治疗仪波长控制方法

权利要求书

1.一种多模态激光干眼治疗仪波长控制方法，其特征在于：包括以下步骤：

S1：数据采集：采集患者数据，包括患者肤色、角质层厚度、疼痛忍受度；

S2：数据输入：将采集的患者数据输入至基于深度学习的干眼数据预测模型中进行处理；干眼数据预测模型的建立具体包括以下步骤：

S2.1：样本标定：样本采用已处理的各个患者的相关数据，相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；对治疗效果达到预期效果的样本进行标定，治疗效果未达到预期效果的样本不进行标定；

S2.2：输入量和输出量的确认：将患者肤色、角质层厚度、疼痛忍受度作为输入量，将治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量；

S2.3：训练数据集生成：将标定样本中的各个患者的患者肤色、角质层厚度和疼痛忍受度嵌入图片的RGB分量，转换为信息图像；对信息图像进行预处理，同一图片大小，生成目标信息片段，作为训练数据集；

S2.4：建立基于DBN结构的干眼数据预测模型：采用深度置信网络作为干眼数据预测模型的算法，深度置信网络包括多个RBM模型，每个RBM模型包括一个可见层和一个双向连接的隐藏层，将训练数据集作为第一个RBM模型的输入向量，对第一个RBM模型进行训练；将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量，继续对第二个RBM模型进行训练；将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量，继续对第三个RBM模型进行训练；依次训练，直到全部RBM模型训练完成，最后一个RBM模型的隐藏层连接到输出层，输出预测结果；

每个RBM模型中包括n个可视层和m个隐藏层，将参数θ记为θ＝{a_i,b_j,w_ij}，其中w_ij表示连接权重；其中有：

v＝(v₁,v₂,…,v_i,…,v_n)为可视层状态，v_i为第i个神经元状态；

h＝(h₁,h₂,…,h_j,…,h_m)为隐藏层状态，h_j为第j个神经元状态；

a＝(a₁,a₂,…,a_i,…,a_n)为可视层偏置，a_i为第i个神经元偏置；

b＝(b₁,b₂,…,b_j,…,b_m)为隐藏层偏置，b_j为第j个神经元偏置；

RBM模型的能量函数为：

根据上述公式可知，函数值与可视层和隐藏层所有神经元的值都有关，定义v和h的联合概率密度为：

可视层的边缘概率密度通过对所有隐藏层神经元求和得到：

隐藏层的边缘概率密度通过对所有可视层神经元求和得到：

可视层中神经元i被激活的概率为：

隐藏层中神经元j被激活的概率为：

其中，σ(a_i+∑_jw_ijh_j)和σ(b_j+∑_iv_iw_ij)为激活函数；

以使可视层v的概率分布最大，即根据训练数据集，使下式似然函数最大化：

通过随机梯度上升法求似然函数的最大值，对参数θ求偏导得到：

其中，v_ih_jp(h|v)表示数据分布p(h|v)的期望，v_ih_jmodel表示模型分布p(v,h)的期望；

根据对比散度算法，能够得到权重和偏置的更新准则如下：

Δω_ij＝α(v_ih_jp(h|v)-v_ih_jrecon)                   (9)

Δa_i＝α(v_ip(h|v)-v_irecon)                     (10)

Δb_j＝α(h_jp(h|v)-h_jrecon)                    (11)

其中，α表示学习率，v_ih_jrecon、v_irecon和h_jrecon分别表示重构模型分布下p(v，h)、p(v)和p(h)的期望；

根据更新后的权重和偏置，得到更新后的参数θ；

S2.5：参数调整：在无监督学习过程完成之后，根据附加在网络顶层的标签，对DBN结构进行有监督的联合训练，根据预测结果对所有网络层结构的参数进行微调，形成干眼数据预测模型；

S3：数据输出：干眼数据预测模型输出强脉冲激光的相关信息；包括强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；

S4：根据干眼数据预测模型生成的各子脉冲的持续时间和能量强度生成强脉冲激光的波长以及选择强脉冲激光的能量波形组合，并且至少选择两种波形；波形包括三种，其中两种为主要治疗波形，另一种为辅助治疗波形，三种波形的周期能量强度分别为w₁，w₂，w₃，其中w₃表示辅助治疗波形的周期能量强度；三种周期能量强度根据以下公式计算得出：

其中，h_j为子脉冲能量强度，τ_j为子脉冲持续时间，n为周期子脉冲个数；

波形的选择公式为：w＝αw₁+βw₂+ηw₃

其中，w为预测的周期能量总强度，η大于0，α、β大于等于0并不能同时为0，根据患者肤色、角质层厚度、疼痛忍受度以及专家知识，确定各个波形的权重；

S5：应用到强脉冲激光干眼治疗仪：将至少两种强脉冲激光的组合信息应用到强脉冲激光干眼治疗仪中，使强脉冲激光干眼治疗仪射出的至少两种强脉冲激光。