无监督学习眼睛状态原型,用于语义丰富的闪检测
Yuxuan Xie1, Tim Büchner1, Lukas Schuhmann2
1Computer Vision Group, Friedrich Schiller University Jena, 07743 Jena, Germany.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究引入了一种新的方法,可以使用眼角比率分析准确检测眼. 这种技术可以精确测量眼间隔和同步性,有助于诊断神经和肌肉疾病.
科学领域:
- 眼科和神经科学 眼科和神经科学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 眼对于眼睛健康至关重要,并为神经和肌肉疾病提供诊断潜力.
- 目前的闪检测方法 (开放/关闭状态) 缺乏关闭速度,持续时间和百分比的细节,限制了医疗应用.
- 对于高级分析,需要精确检测高时间分辨率记录中的闪间隔.
研究的目的:
- 用数据驱动分析开发一种可靠的方法来检测眼事件和间隔.
- 建立一个无监督的眼睛状态原型,用于眼检测和眼睛间同步测量.
- 为了比较无监督与手动定义原型的有效性,进行眼分析.
主要方法:
- 利用数据驱动的眼睛尺寸比率分析来检测眼事件.
- 开发了一个无监督的眼睛状态原型,以识别眼间隔.
- 在眼睛关闭的高峰时刻测量眼间同步性.
- 对比了无监督和手动定义的原型的结果.
主要成果:
- 成功证明了闪事件和间隔的可靠检测.
- 实现了精确的眼间同步度测量,结果高达4.16毫秒.
- 证明手动定义的原型可以与无监督方法产生类似的结果.
- 验证了高时间分辨率闪分析的潜力.
结论:
- 开发的数据驱动方法可靠地检测眼间隔和同步性.
- 无监督和手动原型方法在眼分析中提供了可比的结果.
- 可以提取精确的眼指标,为新型诊断工具提供潜力.
- 未来的应用包括为医疗专业人员定义特定疾病的闪原型.
