[发明专利]睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法

权利要求书

1.睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于，所述方法的步骤包括：

测量并获取睫状肌麻痹前的数值参数；

根据所述睫状肌麻痹前的数值参数建立二分类模型，通过所述二分类模型可预测是否需要睫状肌麻痹；

根据所述睫状肌麻痹前的数值参数建立三分类模型，所述三分类模型可根据所述数值参数计算睫状肌麻痹后的屈光状态；

根据所述睫状肌麻痹前的数值参数建立回归模型，所述回归模型可根据所述数值参数计算睫状肌麻痹后的屈光度；

汇总所述三分类模型及回归模型的计算数值并对所述计算数值进行统计分析可获得测试目标中无偏移屈光状态分布和屈光度的分布情况。

2.根据权利要求1所述的睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于：所述睫状肌麻痹前的数值参数包括光学生物数据、验光数据和基本信息。

3.根据权利要求2所述的睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于：

所述光学生物数据包括眼轴长度、角膜厚度、前房深度、晶体厚度、玻璃体腔深度和角膜曲率数值中的一种或多种；

所述验光数据包括球镜度、柱镜度和散光轴中的一种或多种；

所述基本信息包括年龄和/或性别；

所述其他检查包括眼压、调节滞后量、眼位、生活视力和戴镜信息中的一种或多种。

4.根据权利要求1-3中任一所述的睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于：所述二分类模型为SVC_W、RF_W、DNN_W和EEC中的一种，模型效能指标为Accuracy、Sensitivity和Specificity，指标计算公式为：

其中，TP：真阳性样本；FP：假阳性样本；FN：假阴性样本；TN：真阴性样本。

5.根据权利要求1-3中任一所述的睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于：所述三分类模型为SVC_W、RF_W、DNN_W和EEC中的一种，模型效能指标为Precision、Recall和F1Score，指标计算公式为：

其中，TP：真阳性样本；FP：假阳性样本；FN：假阴性样本；TN：真阴性样本。

6.根据权利要求1-3中任一所述的睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法，其特征在于：所述回归模型为SVR、RFR、DNN和Adaboost中的一种，指标计算公式为：

其中，样本总量 m，真实等效球镜度为𝑦，机器学习模型预测值为。