基于人工智能的多式联络框架,用于使用热成像和行为指标进行数字眼睛疲劳的非侵入性检测
1School of Electronics and Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Journal of thermal biology
|October 4, 2025
概括
一个新的框架,EyeStrainNet,使用热成像和行为数据来非侵入性地检测数字眼睛菌株 (DES). 这种人工智能工具实现了高精度,促进了主动的数字健康.
科学领域:
- 医疗信息学 医疗信息学
- 职业健康 职业健康 职业健康
- 生物医学工程 生物医学工程
背景情况:
- 数字眼筋疲劳 (DES) 是一个日益严重的职业健康问题,影响着数字健康.
- 目前对DES的监测方法缺乏可扩展性和客观性.
- 需要对早期的DES进行非侵入性,可靠的检测.
研究的目的:
- 提出和评估EyeStrainNet,一个多式联络和可解释的健康信息学框架,用于非侵入性DES检测.
- 整合热成像和行为指标以进行客观的DES评估.
- 通过早期的DES检测来促进主动的数字健康.
主要方法:
- 收集了197名参与者的热图像 (屏幕曝光前后) 和行为数据 (屏幕持续时间,分心水平).
- 从canthus和中央角膜中提取了眼睛温度特征.
- 开发并验证了EyeStrainNet,1D卷积神经网络,使用5倍交叉验证.
主要成果:
- EyeStrainNet实现了高性能指标:97.5%的准确性,92.5%的精度,94.3%的回忆,92.7%的F1分数,99.7%的ROC-AUC和98.9%的PR-AUC.
- 与基线模型 (一级SVM,XGBoost-SVM) 相比,该框架显示出更高的性能.
- 可解释性分析确定温度变化和分心是关键预测特征.
结论:
- EyeStrainNet提供了一个可扩展,客观和非侵入性的方法,用于早期的DES检测.
- 综合热量和行为数据的多式联网方法有效地识别了DES.
- 这一框架支持主动的数字健康,使早期干预成为可能.
