用于预测视觉相关参数随时间的演变的方法和装置与流程

本发明涉及一种用于预测至少一个个人的至少一个视觉相关参数随时间的演变的方法和装置。

背景技术：

虽然影响人类视觉的一些因素(比如遗传因素)相关的个人不能修改，但一些其他因素(比如生活方式、行为和/或环境因素)每个人都可以修改。例如，花费在室外的时间量、花费在涉及视近工作上的时间量、或营养可能通过引起例如近视的发生、发展或减轻而影响视觉。

已知可穿戴装置可以矫正例如个人的阅读和/或书写姿势，并且可以采集近视相关参数。

然而，已知的装置通常是标准化的，因此对所有个人来说都是相同的，即它们假设所有个人都具有相似的风险(例如近视发生和发展的风险)，而实际上并非如此。

另外，对于许多现有装置，预测的近视发展曲线被计算一次，并且以后不被更新。

因此，如果个人的生活方式、行为和/或环境在计算出这个人的预测曲线之后改变，那么未改变的预测曲线将变得不一致并且是错误的。

因此，当预测个人的一个或多个视觉相关参数随时间的演变时，需要考虑关于影响这个人视觉的可修改参数的变化。

技术实现要素：

本发明的目的是克服现有技术的上述缺点。

为此，本发明提供了一种用于预测至少一个个人的至少一个视觉相关参数随时间的演变的方法，其中，所述方法包括：

获得针对所述至少一个个人的相继值，所述相继值分别与针对所述至少一个个人的第一预定类型的至少一个参数随时间的重复测量相对应；

由至少一个处理器通过使用与个体组相关联的预测模型根据所述获得的针对所述至少一个个人的相继值来预测所述至少一个个人的所述至少一个视觉相关参数随时间的所述演变；

通过使用所述预测模型的所述预测包括将针对所述至少一个个人的所述相继值的至少一部分与所述预测的所述至少一个个人的所述至少一个视觉相关参数随时间的演变相关联，所述关联包括联合处理与所述第一预定类型的所述至少一个参数中的相同参数相关联的所述相继值的所述至少一部分；

所述预测的演变有差别地依赖于联合处理的值中的每一个值。

因此，在预测方法中使用的预测模型是通过从个体组(即整个个体组)采集数据，并考虑针对这些个体测量的参数随时间的可能修改来建立的。使预测有差别地依赖于那些联合处理的值中的每一个值，即既考虑那些相继值本身又考虑联合处理参数的相继值的结果，使得可以获得非常准确且一致的动态预测。即，交换与那些相继的联合处理的值相对应的输入(例如通过交换在不同的白天时间获得的值)可以对预测的演变产生影响。

由上述用于预测演变的方法潜在地提供的增强的预测能力可以显著地归因于所考虑的(多个)个人的依赖于时间的个人视觉敏感性，这是个人睡眠类型的特定表达。

通常，睡眠类型是人类的属性，反映了其身体功能(激素水平、体温、认知能力、进食和睡眠)在一天中的什么时间活跃、变化或达到一定水平。睡眠类型被认为是睡眠正时、睡眠稳定性、睡眠持续时间、睡眠需求、睡眠质量、早困、换班的适应能力的重要预测指标。

替代性地或进一步地，增强的预测能力可以显著地归因于对依赖于时间的环境参数的隐含考虑，这些环境参数没有作为输入而被明确地输入，而是取决于获得相继值的时间。这些环境参数可以显著地包括光谱分布、光线取向、光辐射和/或光相干性和/或漫射特性，无论是与自然照明、人工照明还是两者一起关联。

此外，预测有差别地依赖于联合处理的值中的每一个值的事实，使得可以识别和/或更好地了解影响预测的参数，而无需明确输入。生物钟(与睡眠周期及其特征的记录相关)和光线取向可以是这些参数的示例。

另外，所述方法使得可以通过与个人的各种交互形式向个人传达当前预测的演变。

本发明还提供了一种用于预测至少一个个人的至少一个视觉相关参数随时间的演变的装置，其中，所述装置包括：

至少一个输入，所述至少一个输入适于接收针对所述至少一个个人的相继值，所述相继值分别与针对所述至少一个个人的第一预定类型的至少一个参数随时间的重复测量相对应；

至少一个处理器，所述至少一个处理器被配置为通过使用与个体组相关联的预测模型根据所述获得的针对所述至少一个个人的相继值来预测所述至少一个个人的所述至少一个视觉相关参数随时间的所述演变；

通过使用所述预测模型的所述预测包括将针对所述至少一个个人的所述相继值的至少一部分与所述预测的所述至少一个个人的所述至少一个视觉相关参数随时间的演变相关联，所述关联包括联合处理与所述第一预定类型的所述至少一个参数中的相同参数相关联的所述相继值的所述至少一部分；

所述预测的演变有差别地依赖于联合处理的值中的每一个值。

本发明进一步提供了一种用于预测至少一个个人的至少一个视觉相关参数随时间的演变的计算机程序产品，其中，所述计算机程序产品包括一个或多个指令序列，所述一个或多个指令序列是处理器可访问的并且当由所述处理器执行时，使得所述处理器：

获得针对所述至少一个个人的相继值，所述相继值分别与针对所述至少一个个人的第一预定类型的至少一个参数随时间的重复测量相对应；

通过使用与个体组相关联的预测模型根据所述获得的针对所述至少一个个人的相继值来预测所述至少一个个人的所述至少一个视觉相关参数随时间的所述演变；

通过使用所述预测模型的所述预测包括将针对所述至少一个个人的所述相继值的至少一部分与所述预测的所述至少一个个人的所述至少一个视觉相关参数随时间的演变相关联，所述关联包括联合处理与所述第一预定类型的所述至少一个参数中的相同参数相关联的所述相继值的所述至少一部分；

所述预测的演变有差别地依赖于联合处理的值中的每一个值。

本发明进一步提供了一种非暂时性计算机可读存储介质，其中，所述非暂时性计算机可读存储介质存储一个或多个指令序列，所述一个或多个指令序列是处理器可访问的并且当由所述处理器执行时，使得所述处理器：

获得针对所述至少一个个人的相继值，所述相继值分别与针对所述至少一个个人的第一预定类型的至少一个参数随时间的重复测量相对应；

通过使用与个体组相关联的预测模型根据所述获得的针对所述至少一个个人的相继值来预测所述至少一个个人的至少一个视觉相关参数随时间的演变；

通过使用所述预测模型的所述预测包括将针对所述至少一个个人的所述相继值的至少一部分与所述预测的所述至少一个个人的所述至少一个视觉相关参数随时间的演变相关联，所述关联包括联合处理与所述第一预定类型的所述至少一个参数中的相同参数相关联的所述相继值的所述至少一部分；

所述预测的演变有差别地依赖于联合处理的值中的每一个值。

由于预测装置、计算机程序产品、以及计算机可读存储介质的优点类似于所述预测方法的优点，因此在此不再重复。

预测装置、计算机程序、以及计算机可读存储介质有利地被配置为以其任何执行模式来执行预测方法。

附图说明

为了更全面理解本文提供的说明和其优点，现在结合附图和详细描述参照以下简要说明，其中相同的附图标记表示相同的部分。

图1是示出了在特定实施例中的用于建立在根据本发明的预测方法中使用的预测模型的方法的步骤的流程图。

图2是示出了在特定实施例中的通过根据本发明的预测方法获得的近视演变风险曲线的曲线图。

图3是示出了在特定实施例中的根据本发明的预测方法的步骤的流程图。

图4是另外示出了监测指示符的图2的曲线图。

图5是一组两个曲线图，示出了在特定实施例中的多个风险曲线的示例，其包括通过实现根据本发明的预测方法获得的预测的随时间的演变。

图6是示出了在特定实施例中的通过根据本发明的预测方法获得的两个近视发生风险曲线的曲线图。

具体实施方式

在下面的描述中，附图不一定是按比例绘制的，并且出于清楚和简洁的目的或出于信息目的，某些特征可以以概括或示意性形式示出。此外，尽管在下文详细讨论了制造和使用各种实施例，但应理解如本文所述提供了可以在多种环境下实施的许多发明构思。本文讨论的实施例仅仅是代表性的而不限制本发明的范围。对于本领域技术人员来说还显而易见的是，相对于方法限定的所有技术特征可以单独或组合地转置到装置，反之，相对于装置的所有技术特征可以单独或组合地转置到方法。

术语“包含”(及其任何语法变化形式，例如“包含有(comprises)”和“包含了(comprising)”)、“具有”(及其任何语法变化形式，例如“具有(has)”和“具有(having)”)、“含有”(及其任何语法变化形式，例如“含有(contains)”和“含有了(containing)”)、以及“包括”(及其任何语法变化形式，例如“包括(includes)”和“包括(including)”)都是开放式连接动词。它们用于指明其所述特征、整数、步骤或组分或群组的存在，但不排除其一种或多种其他特征、整数、步骤或组分或群组的存在或加入。因此，“包含”、“具有”、“含有”或“包括”一个或多个步骤或要素的方法或方法中的步骤具备那一个或多个步骤或要素，但不限于仅具备那一个或多个步骤或要素。

如图1所示，建立用于预测至少一个个人的至少一个视觉相关参数随时间的演变的(要在根据本发明的预测方法中使用的)预测模型的方法包括获得针对个体组中的至少一个成员的分别与第一预定类型的至少一个参数随时间的重复测量相对应的相继值的步骤10。

作为非限制性示例，所考虑的视觉相关参数可以是个人的近视水平，其可以针对左眼和/或右眼以屈光度为单位来表示。所考虑的视觉相关参数可以是与个人的视觉能力或任何视觉缺陷(比如远视，散光，老花眼，或任何视觉疾病、比如可能导致包括近视性黄斑变性、视网膜脱离和青光眼的视觉问题的眼病)相关的任何其他参数。除了屈光不正(以屈光度为单位表示)之外，眼生物测量，比如眼轴长度(以mm为单位表示)、玻璃体腔深度(以mm为单位表示)、脉络膜厚度(以μm为单位表示)和角膜特性是视觉相关参数的其他示例。

个体组可以包括任意数量的个体，这些个体彼此没有共同的特征，或者具有一个或多个共同的特征，比如作为非限制性示例，他们的性别和/或出生日期和/或出生国家和/或以前的家族史和/或民族。

在任何情况下，个体组中的至少一个成员的这种固定参数可以在初步的初始化步骤8中或者稍后在该方法的任何阶段输入到预测模型中。固定参数的这种输入是可选的。固定参数可以针对个体组中的成员单独可用，或者可以针对个体组的子组集体可用。

上述相继值在时间上不一定连续。

所考虑的第一类型的参数涉及例如所考虑的个体或个人的生活方式或活动或行为。

作为非限制性示例，第一类型的参数可以包括花费在室外或室内的持续时间、眼睛与正在阅读或书写的文本之间的距离、阅读或书写持续时间、光强度或光谱、睡眠周期的持续时间或戴着视觉设备的频率或持续时间。

更一般地，第一类型的参数是可能影响所选视觉相关参数的演变并且可以在不同时间点重复测量的任何参数。

可以通过适于检测所考虑的(多个)参数的多种不同的传感器来进行测量，可能与时间戳一起进行。

例如，可以包括在智能眼睛配戴设备或智能手机中的光传感器可以用于测量环境光的强度或光谱。例如位于头部附件中的惯性运动单元(imu)可以用于检测姿势。imu也可以用于测量进行室外活动所花费的时间。gps可以用于检测室外活动或个体是在农村还是在城市环境中。相机或镜架传感器可以用于检测戴着眼镜的频率和/或持续时间。考虑到旧的视觉设备可能会影响视觉能力，可以使用存储器来记录当前视觉设备的日期。

在步骤10之后，针对已经获得相继值的个体组中的相同个体，执行获得(多个)所选视觉相关参数随时间的演变的步骤12。

这种随时间的演变可以通过随时间重复测量针对那些个体的(多个)所选视觉相关参数和/或通过采集与由个体通过任何合适的接口提供给建立预测模型的处理器的(多个)视觉相关参数的值相关的信息来获得。

对于在步骤10测量的多个不同的参数，测量频率可以不同，并且这些测量频率可以与步骤12的测量频率没有关系。

例如，第一类型的参数可以每天至少测量一次。作为变型，使用智能镜架，可以以高于1hz的频率测量第一类型的参数。

接下来，作为可选特征，可以执行获得关于针对已经获得相继值的那些个体中的至少一个个体的第二预定类型的一个或多个参数的改变值的信息的附加步骤14。

第二类型的参数是可能影响所选视觉相关参数的演变并且可以至少获得一次的任何准时事件或偶然事件。

作为非限制性示例，第二类型的参数可以是从城市区域到农村区域的移动、矫正类型的改变、矫正镜片度数的改变或怀孕。

在由至少一个处理器执行的接下来的步骤16过程中，将在步骤10获得的相继值的至少一部分与在步骤12获得的随时间的演变相关联。这部分相继值是从先前获得的值中选取的一系列值。所选取的值在时间上不一定连续。在特定实施例中，所选取的系列包括至少三个相继值。

另外，在关联过程中还可以考虑前面提到的固定参数的至少一部分。

如果省略可选步骤14，则在步骤16执行的关联包括联合处理针对第一类型的相同参数所获得的上述部分相继值。作为非限制性示例，这种联合处理可以包括计算第一类型的相同参数的给定数量的相继值在预定时间段上的平均值和/或标准偏差值。这种联合处理还可以包括相继值在预定时间段上的聚合，并且这种聚合然后也可以在预定时间段上平均。

如果执行了可选步骤14，则在步骤16执行的关联包括将获得的所选视觉相关参数随时间的演变与第二类型的参数的改变值连同上述部分相继值相关联。

因此，无论是否执行可选步骤14，相关表或任何其他数据库手段可以被建立并存储在非暂时性计算机可读存储介质中、比如只读存储器(rom)和/或随机存取存储器(ram)，其中获得的参数值与确定的所选视觉相关参数随时间的演变相对应。

根据本披露，除了联合处理的值之外，相关表或其他数据库手段还考虑那些单独获得的相继值中的每一个值、或者它们中的至少一些(即，至少两个、优选地至少三个)。换言之，预测模型将随那些相继值中的每一个值而不同，即预测模型有差别地依赖于那些联合处理的值中的每一个值，而不仅仅依赖于联合处理的结果。

预测模型可以通过联合处理有差别地依赖于联合处理的值中的每一个值。例如，平均可以依赖于分别与不同的相继值相关联的独特权重，例如，12点(pm)的权重高于9点(pm)的权重。在可以与先前的实现方式相结合的替代性实现方式中，联合处理和相继值的差别考虑分开实现。例如，相继值的聚合形成一个预测输入，而这些值中的若干值形成附加的预测输入。

已经描述的步骤8、10、12、14和16的顺序是非限制性示例。这些步骤可以以任何其他顺序执行。例如，一旦已经获得(多个)视觉相关参数的部分相继值和部分随时间的演变，就可以开始关联步骤16，并且可以在步骤16继续的同时执行步骤10、12和14。

预测模型建立方法和/或预测方法可以在服务器中实现。

在预测方法的特定实施例中，个体组还可以包括要通过使用根据本申请中描述的建立方法建立的预测模型的预测方法来针对其预测一个或多个视觉相关参数随时间的演变的个人。换言之，步骤10、12、16以及可能的步骤14也是针对那个人执行的。

在特定实现方式中，在步骤16使用的处理器可以实现机器学习算法。即，可以通过输入针对许多个体的一系列相继值并建立相关表或包含大量数据的任何其他数据库手段来训练一个或多个神经网络，以获得预测方法的更高准确度。

在这样的实现方式中，关联步骤16可以通过向神经网络中的节点连接分配权重来实现。

预测模型也可以考虑由组中的个体提供的自报参数。

作为非限制性示例，可以在机器学习算法中输入自报参数，比如，作为非限制性示例，他们相应的性别、民族、父母中近视的数量、学校成绩、智商测试的结果、来自社交网络的数据、他们的视觉设备的屈光值、或者与视觉缺陷或疾病相关的遗传风险分数。这种自报参数将进而修改预测模型。其他固定参数以及第一类型的参数和/或第二类型的参数以及组中的个体的(多个)视觉相关参数随时间的演变也可以自报。

为了输入自报参数或第二类型的参数，预测装置可以包括显示装置和/或已经用于取得第一类型参数测量值的智能手机或智能平板电脑，或者任何其他类型的用户接口(包括音频接口)。

为了向个人提供关于预测的这个人的一个或多个视觉相关参数随时间的演变的信息，可以以很多方式利用由前述预测模型建立方法建立的预测模型。

如果所选视觉相关参数是例如给定视觉缺陷的发生或发展风险，则预测模型可以用于以曲线图的形式展示该风险随时间的演变。

图2和图6示出了视觉缺陷是近视的示例中的这样的曲线图。

在图2中，被监测人的近视水平演变表示为时间的函数。

在图6中，近视发生风险表示为时间的函数。

在图2中，实曲线示出了实际测量的近视演变曲线。虚曲线示出了预测的近视风险曲线，其随着动态预测的演变的修改而更新。点曲线示出了在输入输入参数的修改值之前预测的近视风险曲线。

测量作为第一类型的参数的花费在涉及视近工作上的时间。从t1时刻开始，随着花费在这种工作上的时间的增加，近视发展的风险增大，这通过在预测的近视风险曲线(点曲线)中的急剧上升来反映。在t2时刻，被监测人从城市移动到农村。这通过在预测的近视风险曲线中的逐渐趋于平稳来反映。

可以看出，与没有考虑来自t1和t2的参数修改而更新的预测曲线相比，该预测曲线大致与实际测量的演变曲线相对应。

在图6中，在最初时刻，预测近视发生风险时考虑了两种情况。在第一种情况下，被监测人继续生活在城市中，同时保持视近屏幕工作习惯，这引起在未来时刻t3触发近视，随后随着时间推移预测的近视水平相对地急剧增加。在第二种情况下，被监测人移动到农村生活，并采用具有较少视近屏幕工作的修改的习惯，这引起在大于t3的未来时刻t4触发近视，并引起稍微较低的近视演变。由此量化了与第一种情况相比在第二种情况下较低的近视演变风险。

更一般地，如图3所示，所提出的用于预测至少一个个人的至少一个视觉相关参数随时间的演变的方法包括获得针对个人的分别与第一类型的至少一个参数随时间的重复测量相对应的相继值的步骤30、以及由至少一个处理器通过使用与个体组相关联的前述预测模型根据在步骤30获得的相继值来预测个人的视觉相关参数随时间的演变的步骤36。

以与针对组中的个体的步骤10类似的方式针对个人执行步骤30。

类似于图1中的可选的初始化步骤8，可选的初始化步骤28可以采集个人的固定参数，比如性别和/或出生日期和/或出生国家和/或家族史和/或民族。步骤28可以在初步的初始化步骤中执行，或者稍后在预测方法的任何阶段执行。

在特定实施例中，在预测步骤36之前，可以执行获得关于针对个人的第二类型的至少一个参数的改变值的信息的可选步骤34。

预测步骤36使用预测模型。

如果省略了可选步骤34，则预测步骤36包括将针对个人的相继值的至少一部分与预测的个人的所选视觉相关参数随时间的演变相关联。关联操作包括联合处理与第一类型的相同参数相关联的上述部分相继值。

这部分相继值是从先前获得的值中选取的一系列值。所选取的值在时间上不一定连续。在特定实施例中，所选取的系列包括至少三个相继值。

如果执行了可选步骤34，则预测步骤36进一步包括将预测的针对个人的所选视觉相关参数随时间的演变与第二类型的(多个)参数的改变值连同针对个人的第一类型的(多个)参数的上述部分相继值相关联。

根据本披露，无论是否执行可选步骤34，对于预测模型，预测的演变不仅考虑那些相继值或它们中的至少一些(即，至少两个、优选地至少三个)的联合处理的结果，还考虑那些相继值中的每一个值、或它们中的至少一些，使得预测的演变将随那些相继值中的每一个值而不同，即，预测模型有差别地依赖于那些联合处理的值中的每一个值。

根据本发明的预测装置包括至少一个输入，该至少一个输入适于接收如上所述的针对至少一个个人的相继值。该装置还包括至少一个处理器，该至少一个处理器被配置为预测如上所述的个人的所考虑的视觉相关参数随时间的演变。

这种装置可以包括显示单元和/或智能手机或智能平板电脑或智能眼睛配戴物，其可以与包括在预测模型建立装置中的显示单元和/或智能手机或智能平板电脑或智能眼睛配戴物或服务器相同。在预测方法在服务器中以远程集中的方式实现的情况下，来自服务器的输出通过通信网络(可能通过无线或蜂窝通信链路)传送给用户。

在预测方法的特定实施例中，与预测模型相关联的个体组还可以包括要通过根据本申请中描述的建立方法建立的预测模型来针对其预测一个或多个视觉相关参数随时间的演变的个人。换言之，步骤10、12、16以及可能的步骤14也是针对那个人执行的。

在组中的个体提供自报参数的情况下，个人的相同的自报参数也可以输入到预测模型中，比如个人的性别、种族、父母中近视的数量、学校成绩、智商测试的结果、来自社交网络的数据、视觉设备的屈光值、或者与视觉缺陷或疾病相关的遗传风险分数。

根据本披露的预测方法的其他有利方面涉及与个人交互的大量可能性，特别是通过向这个人(和/或向其他人，比如这个人的父母，如果这个人是儿童)提供关于预测的这个人的至少一个视觉相关参数随时间的演变的反馈。

作为与个人交互的第一可能性，预测的个人的(多个)所选视觉相关参数随时间的演变可以以图2所示类型的曲线图的形式可用，该曲线图可以通过移动应用在例如智能手机或智能平板电脑的屏幕上可视化。

作为与个人交互的另一可能性，预测方法可以包括基于预测的个人的所考虑的视觉相关参数随时间的演变，触发向个人发送一个或多个警告消息。在此方面，(多个)警告消息的内容和/或频率可以根据与个人的所考虑的视觉相关参数相关的风险水平而变化。

例如，如果个人的所考虑的视觉相关参数是近视发生或发展的风险，则近视风险高的个人将在处于小于30cm的触发阈值时被警告他/她过近阅读，而近视风险低的个人将在处于小于20cm的触发阈值时被警告。

对于给定的个人，这种触发阈值可以随时间变化，这取决于针对这个人的预测近视风险随时间的演变。

(多个)警告消息的频率可以类似地变化。

例如，警告消息可以及时提示、鼓励或提醒个人采取或保持健康的用眼习惯，这将有助于保持个人的视觉能力。因此，个人可以根据这种及时的提醒或提示改变他们的行为。非常简单的可视化允许个人知道他们的行为对于眼睛健康是有益还是有害。

如果所考虑的视觉相关参数是近视水平，则提醒或提示将阻止赋予近视发生或发展风险的活动和/或鼓励对于近视发生或发展具有保护作用的活动。

下表给出了在近视示例中，活动和由包括在根据本发明的预测装置中的智能手机或智能平板电脑实现的对应动作的示例。

如图4所示，作为与个人交互的另一可能性，预测方法可以包括向个人提供监测指示符，如果预测的个人的(多个)视觉相关参数随时间的演变不如实际测量的个人的(多个)视觉相关参数随时间的演变有利，则该监测指示符具有第一状态，或者如果预测的个人的(多个)视觉相关参数随时间的演变比实际测量的个人的(多个)视觉相关参数随时间的演变更有利，则该监测指示符具有第二状态。

因此，在图4的曲线图中，示出了与图2中相同的曲线，具有手的形式的监测指示符的拇指在由“a”表示的两个区域中向上，以便反映以下事实：在这些区域中，预测的个人的近视水平随时间的演变不如实际测量的近视水平随时间的演变有利，并且该监测指示符的拇指在由“b”表示的区域中向下，以便反映以下事实：在该区域中，预测的个人的近视水平随时间的演变比实际测量的近视水平随时间的演变更有利。

作为与个人交互的另一可能性，可以基于若干种情况向个人和/或个人的父母提供示出了风险曲线的多个优化目标或曲线图，示出了良好用眼习惯和不良用眼习惯两者，以便推荐行为上的改变，例如在视觉相关参数是近视水平或风险的情况下到室外玩耍，并且以便鼓励健康习惯(例如有助于防止近视发生或有助于减缓近视发展的习惯)。例如，预测模型将计算并呈现理想的近视风险曲线图，如果个人执行推荐的活动(比如到室外并在室外花费更多时间)，则该曲线图已经基于推荐的活动进行了优化。

图5示出了在视觉相关参数是近视水平的情况下，这种多重风险曲线的示例。

图5左侧的曲线图示出了在个人的近视发展风险低的情况下，个人的近视水平随时间的演变。

图5右侧的曲线图示出了在个人的近视发展风险高的情况下，个人的近视水平随时间的演变。

在两个曲线图上，相应的实曲线部分示出了直到当前时间的实际测量的近视演变曲线，虚曲线示出了超过当前时间的预测的近视风险曲线，其根据个人的用眼习惯和/或行为的变化，随动态预测模型的修改而更新。每个曲线图上的两条点曲线示出了个人在遵循或不遵循改变用眼习惯和/或行为的推荐的情况下的近视风险曲线。上方的点曲线对应于个人不遵循推荐的情况，而下方的点曲线对应于个人遵循推荐的情况。

点曲线可以伴随着解释信息的显示，例如，对于上方的点曲线，“如果你继续在视近工作上花费太多的时间，近视的风险会增加”，而对于下方的点曲线，“如果你到室外去玩，近视的风险会降低”。

作为与个人交互的另一可能性，预测方法可以包括根据个人的第一和/或第二预定类型的至少一个参数的值的变化，向个人提供个人的视觉缺陷发展的减少或减缓的最大值。

例如，如果个人的近视发展最初估计为每年约1屈光度，则如果个人采取最健康的行为和/或活动和/或环境，则这个人可能实现近视发展的最大减少。例如，花费在室外活动的时间最大以及阅读距离远可以将近视发展减少到每年0.4屈光度，使得近视发展的最大减少将是每年0.6屈光度。相比之下，如果个人的行为和/或活动和/或环境不是最佳的，则可能使得近视发展每年仅减少0.3屈光度，这与相对于最大可能减少的50％的比率相对应。

在特定实施例中，根据本发明的方法是计算机实现的。即，计算机程序产品包括一个或多个指令序列，该一个或多个指令序列是处理器可访问的并且当由处理器执行时，使得处理器执行如上所述的用于建立预测模型的方法的步骤和/或用于预测至少一个视觉相关参数随时间的演变的方法的步骤。

预测模型可以例如远程云使用，或者在智能镜架中本地使用。模型的更新和重新计算可以有利地云执行。

(多个)指令序列可以存储在一个或多个计算机可读存储介质(包括云中预定位置)中。

为了建立预测方法所使用的预测模型，处理器可以例如通过无线或蜂窝通信链路从各种传感器接收针对个体组中的(多个)成员和/或针对个人的分别与第一预定类型的(多个)参数随时间的重复测量相对应的相继值。

尽管本文已经详细描述了代表性的方法和装置，但是本领域技术人员将认识到，在不脱离由所附权利要求描述和限定的范围的情况下，可以进行各种替换和修改。