BlinkNet-Q: Một phần mềm đo tỷ lệ pupil thực tế dựa trên việc học sâu và nhận dạng mô hình pupil chư

Một nghiên cứu y tế quốc tế đã đưa ra một phát hiện mới, kết quả liên quan có giá trị tham chiếu quan trọng đối với các dự án phòng ngừa bệnh. Phát triển và xác minh các mô hình học sâu hai dựa trên DLM-1 và DLM-2 (BlinkNet-Q) với tỷ lệ nhấp nháy và phần mềm không hoàn chỉnh. BlinkNet-Q tích hợp hai DLM: DLM-1 phân biệt mắt mở và mắt hoàn toàn nhấp nháy, trong khi DLM-2 phân biệt hoàn toàn với phần mềm không hoàn chỉnh nhấp nháy. Cohort phát triển bao gồm 15 người tham gia, 30 mắt, tạo ra 29,53 tập dữ liệu đào tạo và xác minh nội bộ đánh dấu mực, phân chia các tập dữ liệu ở cấp độ người tham gia. Cohort thử nghiệm bao gồm 39 người tham gia, 39 mắt) và được sử dụng để đánh giá cuối cùng BlinkNet-Q. Các chỉ số đánh giá được sử dụng các chỉ số phân loại C (C), trở lại dựa trên chỉ số R (ICC) và phân tích Bland-Altman (Bland-Altman). AUC của hệ thống DLM-1 đạt được 0,989 giữa 95% confidence interval [CI], 0,932-0,993) và AUC của hệ thống DLM-2 đạt được 0,884 giữa 95% confidence interval [CI], 0,854-0,963. mean absolute error [MAE] = 1.262 blinks/minute) và tỷ lệ nhấp nháy không hoàn toàn (ICC=0.937; R^2=0.876; MAE = 0.059) có sự đồng nhất tốt và có sự lệch trung bình rất nhỏ trong điều kiện ghi chép tiêu chuẩn. BlinkNet-Q cho thấy khả năng của công nghệ tự động hóa nhấp nháy và phân tích nhấp nháy không hoàn toàn trong điều kiện ghi chép tiêu chuẩn, hỗ trợ khả năng của nó như một nguyên mẫu phần mềm đánh giá nhấp nháy dựa trên máy ảnh. BlinkNet-Q có thể giúp phát triển các công cụ đánh giá mắt mắt dựa trên máy ảnh có thể truy cập được trong tương lai để đánh giá bề mặt mắt. Điều cần thiết là các nội dung trên được sắp xếp dựa trên kết quả nghiên cứu công khai quốc tế, được cung cấp cho HealthCop để tham khảo và không bao gồm các khuyến nghị lâm sàng. Nếu có câu hỏi về sức khỏe, hãy tham khảo các bác sĩ chuyên nghiệp.