[发明专利]自由瞬目条件下的眼表指标数据分类方法

说明书

本发明公开了一种自由瞬目条件下的眼表指标数据分类方法，包括获取历史数据中自由瞬目条件下的眼表指标数据、进行数据处理、进行混沌特性测试和映射相关运算，得到样本数据；对样本数据进行重要性权重排序和数据移除得到模型输入特征数据；将模型输入特征数据分为训练集和测试集并对分类模型进行训练、测试和修正得到自由瞬目条件下的眼表指标数据分类模型；利用自由瞬目条件下的眼表指标数据分类模型对待分类数据分类。本发明方法可靠性高、实用性好、稳定性强且适用范围广。

技术领域

本发明属于数据处理领域，具体涉及一种自由瞬目条件下的眼表指标数据分类方法。

背景技术

随着经济技术的发展和人们生活水平的提高，眼睛相关的数据分类方法已经开始逐步受到人们的重视，也在相应的领域发挥着巨大的作用。

目前眼睛数据相关的分类方法，已经广泛采用了机器学习技术和智能算法。例如，Kim等人获取了各种算法候选特征，然后提出了四种有效的机器学习模型来诊断青光眼，分别为：C5.0，随机森林(RF)，支持向量机(SVM)和k最近邻(KNN)，结果表明RF具有最佳的诊断性能和可解释性。An等人从每只眼睛中提取91个参数，并使用四个机器学习分类器建立青光眼视盘的分类模型，包括：神经网络(NN)，朴素贝叶斯(NB)，支持向量机(SVM)和梯度提升决策树(GBDT)。实验结果表明，NN算法具有最佳的分类性能。Fageeri等人运用三种机器学习算法对眼病的类型进行分类，结果表明，J48决策树分类器的性能优于朴素贝叶斯和SVM。

眼表指标是眼睛数据中的一个重要部分，眼表指标的数据分类直接影响着眼表指标的数据应用。但是，目前并未见有相关的眼表指标数据分类方法出现，从而也直接影响了眼表指标的数据应用和进一步的数据挖掘工作。

发明内容

本发明的目的在于提供一种可靠性高、实用性好且适用范围广的自由瞬目条件下的眼表指标数据分类方法。

本发明提供的这种自由瞬目条件下的眼表指标数据分类方法，包括如下步骤：

S1.获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理；

S2.将步骤S1进行处理后的数据进行混沌特性测试；

S3.将步骤S1进行处理后的数据进行映射相关运算，从而得到样本数据；

S4.对步骤S3得到的样本数据进行重要性权重排序和数据移除，从而得到模型输入特征数据；

S5.将步骤S4获取的模型输入特征数据分为训练集和测试集，并对分类模型进行训练、测试和修正，从而得到自由瞬目条件下的眼表指标数据分类模型；

S6.利用步骤S5得到的自由瞬目条件下的眼表指标数据分类模型，对待分类的自由瞬目条件下的眼表指标数据进行分类。

步骤S1所述的获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理，具体为获取历史数据中，自由瞬目条件下的眼表指标数据中的客观散射指数和泪河高度数据；然后计算周期内瞬目频率与最长睁眼时长，并选取周期内维持最大睁眼时间的客观散射指数；最后将所获取的数据进行标识；从而构成原始样本数据。

步骤S2所述的将步骤S1进行处理后的数据进行混沌特性测试，具体为对步骤S1获取的客观散射指数，采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数。

所述的采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数，具体为采用如下步骤计算客观散射指数的最大李雅普诺夫指数：

A.获取输入的客观散射指数；

B.计算输入的客观散射指数的标准差，并设置参数范围；