(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111671732.X (22)申请日 2021.12.31 (71)申请人 天津市眼科医院 地址 300020 天津市和平区甘肃路4 号 申请人 温州理工学院 　天津理工大 学 (72)发明人 王雁　汪日伟　谭左平　陈萱　 李康生　刘艳　李柯迪　江欣蔚　 尉金行　吴浩达　邹昊翰　刘凤连　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 代理人 王雨晴 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/776(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 3/00(2006.01) A61B 3/107(2006.01) (54)发明名称 基于前馈网络的角膜生物力学特性的智能 检测方法 (57)摘要 本发明涉及一种基于前馈网络的角膜生物 力学特性的智能检测方法， 包括以下步骤： 步骤 1、 对角膜受力形变的动态视频进行采样和分析； 步骤2、 建立基于误差逆传播的五层前馈网络， 将 步骤1的分析结果作为该五层前馈网络的输入， 输出关系系数矩阵和偏移向量结果； 步骤3、 根据 输出关系系数矩阵和偏移向量结果， 对眼角膜的 力学特性进行分析。 本发明能够基本借助角膜动 态形变视频即可显著识别角膜生物力学特性的 变化， 具有较高的预测精度和良好的一 致性。 权利要求书2页 说明书7页 附图2页 CN 114387545 A 2022.04.22 CN 114387545 A 1.一种基于前馈网络的角膜生物力学特性的智能检测方法， 其特征在于： 包括以下步 骤： 步骤1、 对角膜受力形变的动态视频进行采样和分析； 步骤2、 建立基于误差逆传播的五层前馈网络， 将步骤1的分析结果作为该五层前馈网 络的输入， 输出关系 系数矩阵和偏移向量结果； 步骤3、 根据输出关系 系数矩阵和偏移向量结果， 对眼角膜的力学 特性进行分析。 2.根据权利要求1所述的一种基于前馈网络的角膜生物力学特性的智能检测方法， 其 特征在于： 所述 步骤1的具体方法为： 对角膜受力形变的31.88ms的视频流数据每隔0.23ms采样一次， 共获取139帧图像； 对 每帧图像进 行轮廓提取， 得到576*200个角膜轮廓像素点， 计算第一压平时间A1T， 最大压陷 深度HCDA、 角膜中央 厚度CCT、 以及最大压陷曲率半径H CR。 3.根据权利要求1所述的一种基于前馈网络的角膜生物力学特性的智能检测方法， 其 特征在于： 所述 步骤2的具体步骤 包括： (1)基于误差逆传 播的五层前馈网络含有3个隐含层， 每层神经元个数为20； 为l层第 i个神经元的激活值， 为l+1层第i个神经元和l层第j个神经元的连接权重， 为l层第i 个神经元的权重累计； (2)将第一压平A1T， 最大压陷深度HCDA， 角膜中央厚度CCT和最大压陷曲率半径HCR作 为网络输入， 即 训练样本个数m＝276， 即{(x1， y1)， (x2， y2),…,(x276， y276)},网 络前向传播过程中第l层的输出为： al＝σ(zl)＝σ(Wlal‑1+bl)， 此处激活函数σ(x)为sigmo id函数， (3)采用均方差作为损失函数来度量训练样本的输出损失， 即对于每一个样本， 我们期 望最小化下式： (4)根据网络的误差反向传播 算法， 采用梯度下降法迭代求 解每一层的Wl,bl： 当激活函数 取sigmoid函数时， 可以推导出σ'(x)＝σ(x)(1 ‑σ(x))权　利　要　求　书 1/2 页 2 CN 114387545 A 2对于第l层的未激活输出zl， 根据链式法则可以求出其梯度 δl如下： 由于 zl＝Wlal‑1+bl 根据上式， 可以方便的计算出Wl,bl的梯度如下： 那么求出δl， 由于 zl+1＝Wl+1al+bl+1＝Wl+1σ(zl)+bl+1 所以 则 根据 δl的递推关系， 可以求 解Wl,bl的梯度： (5)当模型评价函数小于设定的0阶阈值或者达到最大迭代次数时， 停止训练， 输出关 系系数矩阵W和偏移向量b。 4.根据权利要求1所述的一种基于前馈网络的角膜生物力学特性的智能检测方法， 其 特征在于： 所述 步骤3的具体方法为： 将待测样本的第一压平时间， 最大压陷深度， 角膜中央厚度和最大压陷曲率半径作为 输入， 代入关系系数矩阵和偏移向量， 通过预先给定的阈值， 可以计算得出该样本的预测类 别， 进而完成对眼角膜的力学 特性分析。权　利　要　求　书 2/2 页 3 CN 114387545 A 3