本发明涉及近视防控领域，具体为一种睫状肌预训练方法。
背景技术：
1、睫状肌又称睫状体韧带，位于前部巩膜内面和脉络膜上腔内的睫状体肌肉纤维束，是睫状体的主要组成部分。睫状肌为平滑肌，根据肌纤维走行方向不同，区分有纵走纤维、环形纤维和放射状纤维三种。纵走纤维在最外侧，起于脉络膜前端，止于角膜边缘部分的巩膜，收缩时可开放巩膜静脉窦，促进房水循环。环形纤维在内侧，围绕睫状体游离缘，收缩时可使晶状体悬韧带放松，增加晶状体的曲度，调节眼的视力。如果经常长期持久的近距离工作，则可引起睫状肌过度紧张处于痉挛状态，使晶状体曲度增加，不能恢复原状，而造成假性近视。
2、处在生长发育期的近视青少年，随着生长发育和用眼习惯不正确，近视度数会不断增长，眼轴会不断拉长，眼内压力也会增加。现有视功能训练仪，一般包括支架、专用验光盘、视标、视标导轨、视标距离控制器和验光盘导柱。虽然操作方便，但缺乏个性化训练方法，对有效解除近视眼患者的睫状肌痉挛，使晶状体凸度降低方面效果并不是很理想。
技术实现思路
1、本发明的目的在于提出一种睫状肌预训练方法，旨在利用rbf神经网络建立非线性自回归模型，通过对眼部数据的建模分析及相关参数的设定，最终找到适合睫状肌预训练的视标距离控制器最佳训练距离，通过该距离的设定，训练仪器能有效解除近视眼患者的睫状肌痉挛，降低晶状体凸度。
2、一种睫状肌预训练方法,包括以下步骤。
3、步骤1：采集近视患者视力分析样本，获取眼轴长度、角膜曲率、a计权声功率级噪声强度、下额托板高度等参数；按采集时间先后组成训练数据集，将矩阵<math display = 'block'><mrow><mi>x</mi><mo>=</mo><msup><mrow><mo stretchy='false'>[</mo><msub><mi>x</mi><mn>1</mn></msub><mo>,</mo><msub><mi>x</mi><mn>2</mn></msub><mo>,</mo><mo lspace='0px' rspace='0px'>...,</mo><msub><mi>x</mi><mi>n</mi></msub><mo stretchy='false'>]</mo></mrow><mi>t</mi></msup></mrow>中的后n-d个样本数据，，…，组成自回归模型的输出矩阵<math display = 'block'><mrow><msup><mrow><msub><mrow><mi>y</mi><mo>=</mo><mo stretchy='false'>[</mo><msub><mi>x</mi><mrow><mi>d</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>,</mo><msub><mi>x</mi><mrow><mi>d</mi><mo>+</mo><mn>2</mn></mrow></msub><mo>,</mo><mo lspace='0px' form='infix'>...</mo><mo>,</mo><mi>x</mi></mrow><mi>n</mi></msub><mo stretchy='false'>]</mo></mrow><mi>t</mi></msup></mrow>，自回归模型的输入矩阵z构建方式如下所示：
4、
5、其中，n为训练样本数、m为监测对象的测量变量数、r为实数集、表示n×m维的实数矩阵、d为延时测量数据的个数、n＝n-d、上标号t表示矩阵或向量的转置。
6、步骤2：用公式对输入矩阵z与输出矩阵y中的各个列向量分别作归一化处理从而消除量纲的影响，x表示矩阵z或矩阵y中任意一个列向量，与分别表示向量x的均值与标准差。
7、步骤3：训练rbf神经网络的参数，包括隐层神经元节点数k、各隐层神经元节点的径向基函数参数，，…，，具体的实施过程如下所示：
8、①设置隐层节点数k后，随机从输入矩阵z中选取k个行向量分别做为各聚类簇的初始中心点向量；
9、②计算矩阵z中各行向量与k个中心点之间的距离，并根据距离最小值将该行向量划分进相应的聚类簇中；
10、③计算各聚类簇中所有归属行向量的均值向量，该向量即为新的中心点位置；
11、④判断各中心点位置是否收敛，若否，则返回步骤②；若是，则将收敛后的中心点记录为，,...,,并执行步骤⑤；
12、⑤根据公式计算rbf参数，其中i＝1，2，…，k。
13、步骤4：计算输入矩阵z中第j行的行向量经隐层第i个神经元节点转换后的输出，，其中，下标号i＝1，2，…，k，j＝1，2，…，n，相应的隐层输出向量为<math display = 'block'><mrow><msub><mi>s</mi><mi>j</mi></msub><mo>=</mo><mo stretchy='false'>[</mo><msub><mi>s</mi><mrow><mi>j</mi><mo>,</mo><mn>1</mn></mrow></msub><mo>,</mo><msub><mi>s</mi><mrow><mi>j</mi><mo>,</mo><mn>2</mn></mrow></msub><mo>,</mo><mo lspace='0px' rspace='0px'>...,</mo><msub><mi>s</mi><mrow><mi>j</mi><mo>,</mo><mi>k</mi></mrow></msub><mo stretchy='false'>]</mo></mrow>。
14、步骤5：重复步骤4直至得到z中所有n个行向量对应的隐层输出矩阵<math display = 'block'><mrow><mi>s</mi><mo>=</mo><msup><mrow><mo stretchy='false'>[</mo><msup><msub><mi>s</mi><mn>1</mn></msub><mi>t</mi></msup><mo>,</mo><msup><msub><mi>s</mi><mn>2</mn></msub><mi>t</mi></msup><mo>,</mo><mo lspace='0px' rspace='0px'>...,</mo><msup><msub><mi>s</mi><mi>k</mi></msub><mi>t</mi></msup><mo stretchy='false'>]</mo></mrow><mi>t</mi></msup></mrow>。
15、步骤6：计算隐层输出s到输出层输出y之间的回归系数矩阵b，。
16、步骤7：对rbf神经网络模型的输出误差e＝y-zb中的每列作归一化处理，得到均值为0、标准差为1的新数据矩阵。
17、步骤8：建立基于主成分分析算法的距离计算模型，保留模型参数集，其中p为投影变换矩阵、λ为主成分的协方差矩阵、与分别为距离指标的控制上限d与下限q，具体的实施过程如下：
18、①计算的协方差矩阵；
19、②求解c所有的特征值所对应的特征向量；
20、③设置保留的主成分个数为满足的最小值，并将对应的个特征向量组成载荷矩阵<math display = 'block'><mrow><mi>p</mi><mo>=</mo><mo stretchy='false'>[</mo><msub><mi>p</mi><mn>1</mn></msub><mo>,</mo><msub><mi>p</mi><mn>2</mn></msub><mo>,</mo><mo lspace='0px' rspace='0px'>...,</mo><msub><mi>p</mi><mi>η</mi></msub><mo stretchy='false'>]</mo></mrow>；
21、④将转变成对角矩阵，即为主成分的协方差矩阵；
22、⑤根据公式，分别计算距离指标的控制上限与下限，其中，表示自由度为k与n-d-k的f分布在置信度（取99%）下的取值、表示自由度为的咖方分布在置信度下的取值、加权系数、a与v分别表示q距离指标的估计均值与估计方差。
23、步骤9：收集最新采样时刻的数据样本，并将其延时测量数据组成自回归模型的输入向量<math display = 'block'><mrow><msup><msub><mrow><mi>z</mi><mo>=</mo><mo stretchy='false'>[</mo><mi>x</mi></mrow><mrow><mi>t</mi><mo>−</mo><mn>1</mn></mrow></msub><mi>t</mi></msup><mo>,</mo><msup><msub><mi>x</mi><mrow><mi>t</mi><mo>−</mo><mn>2</mn></mrow></msub><mi>t</mi></msup><mo>,</mo><mo lspace='0px' rspace='0px'>...,</mo><msup><msub><mi>x</mi><mrow><mi>t</mi><mo>−</mo><mi>d</mi></mrow></msub><mi>t</mi></msup><mo stretchy='false'>]</mo></mrow>，其中下标号t表示当前最新采样时刻。
24、步骤10：对输入z与输出实施与步骤(2)中相同的归一化处理。
25、步骤11：将向量z输入进离线建模阶段训练得到的rbf神经网络，根据公式计算得到隐层神经元的输出向量s。
26、步骤12：根据公式计算rbf神经网络的输出估计误差e，并对误差e实施与步骤(7)中相同的归一化处理，得到数据向量。
27、步骤13：调用步骤8中保留的参数集实施在线预测，具体的实施过程包括：
28、①依据公式，计算距离指标d与q的具体数值；
29、②根据d与q的具体数值以及相应的距离指标的控制上下限与判断距离控制器的移动距离。
30、本发明提出一种睫状肌预训练方法，旨在利用rbf神经网络建立非线性自回归模型，通过对眼部数据的建模分析及相关参数的设定，最终找到适合睫状肌预训练的视标距离控制器最佳训练距离，通过该距离的设定，训练仪器能有效解除近视眼患者的睫状肌痉挛，降低晶状体凸度。