眼压监测方法、眼压监测装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种眼压监测方法、眼压监测装置、设备及存储介质。


背景技术：

2.目前，使用嵌入式型感应线圈的隐形眼镜进行眼压监测方法主要采用猪眼或者胶球进行模拟监测，其中，猪眼或者胶球表面的电介质稳定且不存在眨眼带来的信号干扰。但是人眼的表面环境相对于猪眼、胶球表面的电介质更加复杂，且存在眨眼带来的干扰，所以通过猪眼或者胶球进行眼压监测的方法不适用于人眼的连续眼压监测。


技术实现要素：

3.本技术实施例的主要目的在于提出一种眼压监测方法、眼压监测装置、设备及存储介质，旨在通过设备采集人眼频率信号和振幅信号进行眼压分析，以适用于人眼眼压监测，且提高人眼眼压监测的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种眼压监测方法，所述方法包括：
5.获取目标人眼的监测信号；其中，所述监测信号包括：初始频率信号和初始振幅信号；
6.对所述初始频率信号进行空值筛除处理得到初步频率信号，对所述初始振幅信号进行空值筛除处理得到初步振幅信号；
7.对所述初步频率信号进行过滤处理得到次级频率信号，对所述初步振幅信号进行过滤处理得到次级振幅信号；
8.对所述次级频率信号进行分段过滤处理得到目标频率信号，对所述次级振幅信号进行分段过滤处理得到目标振幅信号；
9.对所述目标频率信号进行特征提取得到频率特征，对所述目标振幅信号进行特征提取得到振幅特征；
10.通过预设的眼压监测模型根据所述频率特征和所述振幅特征进行眼压分析，得到目标眼压值。
11.在一些实施例，在对所述初步频率信号进行过滤处理得到次级频率信号，对所述初步振幅信号进行过滤处理，得到次级振幅信号之后，所述方法还包括：
12.将所述次级频率信号进行剪枝处理，具体包括：
13.获取预设型号的预设频率信号；其中，预设型号表示为眨眼型号；
14.根据所述预设频率信号对所述次级频率信号进行筛选处理，以更新所述次级频率信号。
15.在一些实施例，所述对所述初始频率信号进行空值筛除处理得到初步频率信号，对所述初始振幅信号进行空值筛除处理得到初步振幅信号，包括：
16.对所述初始频率信号进行分区处理，得到频率区间；
17.对所述初始振幅信号进行分区处理，得到振幅区间；
18.对所述频率区间中为空值的所述初始频率信号去除，得到所述初步频率信号；
19.对所述振幅区间中为空值的所述初始振幅信号去除，得到所述初步振幅信号。
20.在一些实施例，所述对所述次级频率信号进行分段过滤处理得到目标频率信号，对所述次级振幅信号进行分段过滤处理得到目标振幅信号，包括：
21.对所述次级频率信号进行分段处理，得到频率段；
22.对所述次级振幅信号进行分段处理，得到振幅段；
23.对所述频率段的所述次级频率信号进行标准差和均值计算，得到频率参考值；
24.对所述振幅段的所述次级振幅信号进行标准差和均值计算，得到振幅参考值；
25.根据所述频率参考值对所述次级频率信号进行过滤处理，得到所述目标频率信号；
26.根据所述振幅参考值对所述次级振幅信号进行过滤处理，得到所述目标振幅信号。
27.在一些实施例，所述对所述目标频率信号进行特征提取得到频率特征，对所述目标振幅信号进行特征提取得到振幅特征，包括：
28.提取所述目标频率信号的最大值、最小值、均值、中位数以及第一参考值，得到所述频率特征；其中，所述第一参考值为信号集的相邻位点的信号差值的绝对值的均值；
29.提取所述目标振幅信号的最大值、最小值、均值、中位数以及第二参考值，得到所述振幅特征；其中，所述第二参考值为信号集的相邻位点的信号差值的绝对值的均值。
30.在一些实施例，在通过预设的眼压监测模型根据所述频率特征和所述振幅特征进行眼压分析，得到目标眼压值之前，所述方法还包括：
31.预先训练所述眼压监测模型，具体包括：
32.获取目标人眼的样本数据；其中，样本数据包括：样本特征和眼压验证值；
33.将所述样本特征输入预设监测模型，得到眼压预测值；
34.根据所述眼压验证值和所述眼压预测值对所述预设监测模型进行参数调整，得到所述眼压监测模型。
35.在一些实施例，所述预设监测模型包括：决策树模型、线性回归模型、随机森林模型以及迭代模型；所述根据所述眼压验证值和所述眼压预测值对所述预设监测模型进行参数调整，得到所述眼压监测模型，包括：
36.根据所述眼压验证值和所述眼压预测值对所述决策树模型、所述线性回归模型、所述随机森林模型以及所述迭代模型进行参数调整，以使所述眼压预测值逼近所述眼压验证值，得到所述眼压监测模型。
37.为实现上述目的，本技术实施例的第二方面提出了一种眼压监测装置，所述装置包括：
38.隐形眼镜，所述隐形眼镜上设有采集目标人眼的监测信号的监测线圈；
39.天线接收系统，所述天线接收系统与所述隐形眼镜连接以传输所述监测信号；
40.服务器，所述服务器与所述天线接收系统无线连接，以接收所述天线接收系统传输的所述监测信号；所述服务器包括：
41.信号获取模块，用于获取目标人眼的监测信号；其中，所述监测信号包括：初始频率信号和初始振幅信号；
42.筛除模块，对所述初始频率信号进行空值筛除处理得到初步频率信号，对所述初始振幅信号进行空值筛除处理得到初步振幅信号；
43.初级过滤模块，用于对所述初步频率信号进行过滤处理得到次级频率信号，对所述初步振幅信号进行过滤处理得到次级振幅信号；
44.次级过滤模块，用于对所述次级频率信号进行分段过滤处理得到目标频率信号，对所述次级振幅信号进行分段过滤处理得到目标振幅信号；
45.特征提取模块，用于对所述目标频率信号进行特征提取得到频率特征，对所述目标振幅信号进行特征提取得到振幅特征；
46.眼压分析模块，用于通过预设的眼压监测模型根据所述频率特征和所述振幅特征进行眼压分析，得到目标眼压值。
47.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
48.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
49.本技术提出的眼压监测方法、眼压监测装置、设备及存储介质，其通过对采集的目标人眼的初始频率信号和初始振幅信号进行空值筛选、二次过滤处理，以将异常、干扰的信号去除，再对目标频率信号和目标振幅信号进行特征提取得到频率特征和振幅特征，通过训练好的眼压监测模型根据频率特征和振幅特征进行眼压分析得到目标眼压值，实现人眼的连续眼压值监测。
附图说明
50.图1是本技术实施例提供的眼压监测方法的流程图；
51.图2是图1中的步骤s102的流程图；
52.图3是本技术另一实施例提供的眼压监测方法的流程图；
53.图4是图1中的步骤s104的流程图；
54.图5是图1中的步骤s105的流程图；
55.图6是本技术另一实施例提供的眼压监测方法的流程图；
56.图7是图6中的步骤s603的流程图；
57.图8是本技术实施例提供的眼压监测装置的结构示意图；
58.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不
用于限定本技术。
60.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
61.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
62.首先，对本技术中涉及的若干名词进行解析：
63.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
64.眼压：眼压就是眼球内容物作用于眼球壁及内容物之间相互作用的压力。正常人的眼压稳定在一定范围内，以维持眼球的正常形态，使各屈光介质界面保持良好的屈光状态。眼内容物有房水、晶状体、玻璃体，其中对眼压影响最大的是房水。房水的总量为0.13ml～0.3ml，其主要成份是水，此外还有蛋白质、电解质、抗坏血酸、乳酸、葡萄糖、脂类、酶类等，ph值为7.3～7.5。房水是由睫状体中睫状突产生的，然后进入后房，并经瞳孔流入前房，再经前房角通过一些管道排出到眼球外。在一般情况下，房水的产生和排泄是保持着一种动态平衡，即在一定时间内，产生的房水和排出的房水的量是相等的。
65.tukey’s test：异常值就是和其他样本数据有显著差异的值。这个词在统计学中经常用到，可以表示数据异常或测量错误。异常值的方法，对于正确理解数据非常有用，而且会引出更精确的结论。
66.adaboost：adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。该算法在实现过程中根据训练集的大小初始化样本权值，使其满足均匀分布，在后续操作中通过公式来改变和规范化算法迭代后样本的权值。样本被错误分类导致权值增大，反之权值相应减小，这表示被错分的训练样本集包括一个更高的权重。这就会使在下轮时训练样本集更注重于难以识别的样本，针对被错分样本的进一步学习来得到下一个弱分类器，直到样本被正确分类。在达到规定的迭代次数或者预期的误差率时，则强分类器构建完成。
67.voting算法：集成方法是将两个或多个单独的机器学习算法的结果结合在一起，并试图产生比任何单个算法都准确的结果。voting算法也称投票算法。例如，如果算法1以40％的概率预测对象是一块岩石，而算法2以80％的概率预测它是一个岩石，那么集成将预测该对象是一个具有(80+40)/2＝60％的岩石可能性。
68.相关技术中，通过隐形眼镜线圈形变产生的机电信号转化为压力信号，以监测眼
值。但是试验对象一般为猪眼或者胶球，由于猪眼或者胶球表面的电介质相较活体人眼更加稳定，且猪眼或者胶球不存在眨眼带来的信号干扰。但是人眼的表面环境更加复杂，且会存在眨眼带来较大的信号干扰，因此传统的眼压监测方法并不适用于人眼，使得人眼的连续眼压监测难以实现，且眼压输出值准确率降低。
69.基于此，本技术实施例提供了一种眼压监测方法、眼压监测装置、设备及存储介质，旨在实现人眼的连续眼压监测并提高人员的眼压监测的准确率。
70.本技术实施例提供的眼压监测方法、眼压监测装置、设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的眼压监测方法。
71.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
72.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
73.本技术实施例提供的眼压监测方法，涉及人工智能技术领域。本技术实施例提供的眼压监测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现眼压监测方法的应用等，但并不局限于以上形式。
74.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
75.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
76.图1是本技术实施例提供的眼压监测方法的一个可选的流程图，图1中的方法可以
包括但不限于包括步骤s101至步骤s106。
77.步骤s101，获取目标人眼的监测信号；其中，监测信号包括：初始频率信号和初始振幅信号；
78.步骤s102，对初始频率信号进行空值筛除处理得到初步频率信号，对初始振幅信号进行空值筛除处理得到初步振幅信号；
79.步骤s103，对初步频率信号进行过滤处理得到次级频率信号，对初步振幅信号进行过滤处理得到次级振幅信号；
80.步骤s104，对次级频率信号进行分段过滤处理得到目标频率信号，对次级振幅信号进行分段过滤处理得到目标振幅信号；
81.步骤s105，对目标频率信号进行特征提取得到频率特征，对目标振幅信号进行特征提取得到振幅特征；
82.步骤s106,通过预设的眼压监测模型根据频率特征和振幅特征进行眼压分析，得到目标眼压值。
83.本技术实施例所示意的步骤s101至步骤s106，眼压监测方法应用于眼压监测装置，且眼压监测装置需要用户佩戴隐形眼镜之后对用户的目标人眼进监测，以获取目标人眼产生的初始频率信号和初始振幅信号，并对初始频率信号和初始振幅信号进行空值筛除得到初步频率信号和初步振幅信号，以对初始频率信号和初始振幅信号中的空值筛除，减少空值的影响。然后对初步频率信号进行过滤处理得到次级频率信号，对初步振幅信号进行过滤处理得到次级振幅信号，再对次级频率信号和次级振幅信号进行过滤处理，以将异常的信号过滤掉以得到目标频率信号和目标振幅信号，并对目标频率信号和目标振幅信号进行特征提取，以提取每一段的频率特征和振幅特征。然后通过预设的眼压监测模型根据频率特征和振幅特征进行眼压分析得到目标眼压值。因此，通过对采集的目标人眼的初始频率信号和初始振幅信号进行空值筛除、二次过滤处理，以将异常、干扰的信号去除，再对目标频率信号和目标振幅信号进行特征提取得到频率特征和振幅特征，通过训练好的眼压监测模型根据频率特征和振幅特征进行眼压分析得到目标眼压值，使得人眼的眼压值监测更加准确。
84.在一些实施例的步骤s101中，在用户佩戴隐形眼镜之后，且隐形眼镜上设有监测目标人眼的线圈以采集监测信号。启动眼压的校准工作，即启动眼压监测以获取目标人眼的初始频率信号和初始振幅信号，并使用单点眼压测量设备进行眼压校准。然后由天线接收系统将监测信号传输至服务器进行眼压值预测。其中，获取目标人眼在预设时间周期内的初始频率信号和初始振幅信号，且预设时间周期的时长为1个小时或者1天。其中，预设时间周期具体时长由用户自定义设置，在此不做限制。
85.需要说明的是，眼压监测方法应用于眼压监测装置，眼压监测装置根据预设时间周期采集初始频率信号和初始振幅信号。
86.在一些实施例的步骤s102中，由于监测信号在信号采集过程中会存在某一个区间的信号缺失情况，所以需要对初始频率信号和初始振幅信号分别进行空值筛除处理，也即分析是否存在信号缺失，以便于针对信号缺失问题将空值信号筛除以得到初步频率信号和初步振幅信号，从而提高眼压监测准确性。
87.在一些实施例的步骤s103中，通过对初步频率信号、初步振幅信号分别进行整体
过滤，以将明显的异常信号过滤掉以得到次级频率信号和次级振幅信号，从而提高眼压监测的准确率。
88.需要说明的是，去除异常的初步频率信号和初步振幅信号，通过tukey’stest方法对初步频率信号和初步振幅信号进行过滤。
89.具体地，通过将初步频率信号按照从小到大的顺序排序，然后将初步频率信号从小到大排序分为四段，且第一个四分之一的初步频率信号的值为q1,第二个四分之一的初步频率信号的值为q2，第三个四分之一的初步频率信号的值为q3，四分之一的差值为iqr＝q3-q1，因此根据q1、q2和q3的值，设置预设频率阈值区间为q1-1.5iqr～q3+1.5iqr，若初步频率信号的值位于预设频率阈值区间内则表示初步频率信号为正常信号，若初步频率信号的值不在预设频率阈值区间内则表示初步频率信号为异常信号，以将位于预设频率阈值区间外的初步频率信号去除，以得到次级频率信号。
90.其中，预设振幅阈值区间的设定方式与预设频率阈值区间一致，以通过初始振幅信号的值和预设振幅阈值区间进行比较，以将不属于预设振幅阈值区间的初步振幅信号去除，以得到次级振幅信号，从而将异常的初步振幅信号去除，减少异常信号的干扰，以提高眼压监测的准确性。
91.在一些实施例的步骤s104中，信号过滤后，对次级频率信号和次级振幅信号分别再次进行过滤处理，以将每段异常的次级频率信号和次级振幅信号去除，以去除影响眼压监测的干扰信号，使得眼压监测更加准确。在一些实施例的步骤s105中，通过对每一段的目标频率信号进行特征提取得到频率特征，并对每一段的目标振幅信号进行特征提取得到振幅特征，以提取得到频率特征和振幅特征，通过频率特征和振幅特征以分析出眼压值。
92.在一些实施例的步骤s106中，将频率特征和振幅特征输入预设的眼压监测模型，且眼压监测模型为训练好的模型，以通过眼压监测模型根据频率特征和振幅特征进行眼压分析以得到目标眼压值，使得眼压监测适用于人眼的眼压监测，且使得人眼眼压监测更加简易且准确。
93.请参阅图2，在一些实施例中，监测信号包括：初始频率信号和初始振幅信号，由此可知采集的监测信号具有“频率”和“振幅”两种类型，以根据信号类型划分对应的区间。步骤s102可以包括但不限于包括步骤s201至步骤s204：
94.步骤s201，对初始频率信号进行分区处理，得到频率区间；
95.步骤s202，对初始振幅信号进行分区处理，得到振幅区间；
96.步骤s203，对频率区间中为空值的初始频率信号去除，得到初步频率信号；
97.步骤s204，对振幅区间中为空值的初始振幅信号去除，得到初步振幅信号。
98.在一些实施例的步骤s201中，通过对初始频率信号进行分区处理以得到频率区间。其中，设置三个频率区间，且定义三个频率区间分别为第一频率区间、第二频率区间和第三频率区间，第一频率区间为低频率区间，第二频率区间为中频率区间，第三频率区间为高频率区间，且每个频率区间对应的初步频率信号的数值大小为高频率区间》中频率区间》低频率区间。
99.在一些实施例的步骤s202中，通过对初始振幅信号进行分区处理以得到振幅区间。其中，设置三个振幅区间，且定义三个振幅区间分别为第一振幅区间、第二振幅区间和第三振幅区间，第一振幅区间为低振幅区间，第二振幅区间为中振幅区间，第三振幅区间为
高振幅区间。若振幅信号中没有负值信号，则每个振幅区间对应的初始振幅信号的数值大小为|高振幅区间|＜|中振幅区间|＜|低振幅区间|。
100.在一些实施例的步骤s203中，通过对频率区间内的初始频率信号进行空值查找，若查找到为空值的初始频率信号则将其去除，以通过对每一个频率区间内为空值的初始频率信号去除得到初步频率信号，以减少空值的初始频率信号对后续过滤操作的影响。
101.在一些实施例的步骤s204中，通过对振幅区间内的初始振幅信号进行空值查找，并将空值的初始振幅信号去除，也即对每一个振幅区间内为空值的初始振幅信号去除以得到初步振幅信号，以减少空值的初始振幅信号对后续过滤操作的影响。
102.在一些实施例的步骤s102之后，眼压监测方法还包括：将次级频率信号进行剪枝处理。其中，由于采集目标人眼的初始频率信号的预设时间周期较长，所以在采集期间目标人眼会发生眨眼情况。因此需要将次级频率信号中属于眨眼型号的信号去除，以提高眼压监测的准确性，减少眨眼型号对应的次级频率信号干扰。
103.请参阅图3，在一些实施例中，将次级频率信号进行剪枝处理，可以包括但不限于包括步骤s301至步骤s302：
104.步骤s301，获取预设型号的预设频率信号；其中，预设型号表示为眨眼型号；
105.步骤s302，根据预设频率信号对次级频率信号进行筛选处理，以更新次级频率信号。
106.在一些实施例的步骤s301中，完成次级频率信号分区得到频率信号区间后，获取眨眼型号对应的预设频率信号，以根据预设频率信号判断次级频率信号中是否存在眨眼型号对应的次级频率信号，以将眨眼型号的次级频率信号去除，减少眨眼型号的次级频率信号的影响，从而提高眼压监测的准确性。
107.在一些实施例的步骤s302中，通过根据预设频率信号对次级频率信号进行筛选处理，以将与预设频率信号一致的次级频率信号去除以更新次级频率信号。其中，去除预设频率信号一致的次级频率信号后，并将预设特定信号替换去除眨眼型号对应的次级频率信号。
108.请参阅图4，在一些实施例中，步骤s104包括但不限于包括步骤s401至步骤s406：
109.步骤s401，对次级频率信号进行分段处理，得到频率段；
110.步骤s402，对次级振幅信号进行分段处理，得到振幅段；
111.步骤s403，对频率段的次级频率信号进行标准差和均值计算，得到频率参考值；
112.步骤s404，对振幅段的次级振幅信号进行标准差和均值计算，得到振幅参考值；
113.步骤s405，根据频率参考值对次级频率信号进行过滤处理，得到目标频率信号；
114.步骤s406，根据振幅参考值对次级振幅信号进行过滤处理，得到目标振幅信号。
115.在一些实施例的步骤s401中，筛除次级频率信号和次级振幅信号的空值信号后，由于目标人眼的眼压在短时间内不会有剧烈的变化，所以短时间内出现的信号明显波动是由于别的干扰因素造成的。因此通过将次级频率信号进行分段处理得到频率段，以按照时间顺序划分每一频率段对应的次级频率信号。其中，在本实施例中，频率段对应的时间周期为1分钟，以将次级频率信号划分为1分钟一个频率段。
116.在一些实施例的步骤s402中，为了判断短时间内是否存在明显的干扰因素，将次级信号进行分段处理得到振幅段，以将次级振幅信号划分为小段，以便于判断每一振幅段
的次级振幅信号是否存在异常信号。在本实施例中，每一振幅段的时间周期为1分钟，且振幅段的时间周期不做限制。
117.在一些实施例的步骤s403中，划分每一频率段后，计算每一频率段的次级频率信号的标准差和均值以得到频率参考值，以便于根据频率参考值对次级频率信号进行过滤，以得到更加准确的目标频率信号。
118.在一些实施例的步骤s404中，划分每一振幅段后，计算每一振幅段的次级振幅信号的标准差和均值以得到振幅参考值，以根据振幅参考值对次级振幅信号进行过滤处理，以得到更加准确的目标振幅信号。
119.在一些实施例的步骤s405中，根据频率参考值对次级频率信号进行过滤处理，也即对判断次级频率信号和次级频率信号的均值进行差值计算，且取差值的绝对值以得到第一标准差。判断第一标准差是否大于频率参考值，若第一标准差大于频率参考值，则使用频率参考值替换次级频率信号。反之，若第一标准差小于频率参考值，保留次级频率信号，以筛选出更加准确的目标频率信号，使得眼压监测更加准确。
120.在一些实施例的步骤s406中，根据振幅参考值对次级振幅信号进行过滤处理，以判断次级振幅信号的标准差是否大于振幅参考值。获取次级振幅信号和次级振幅信号的均值进行差值计算，且取差值的绝对值以得到第二标准差。若第二标准差大于振幅参考值，则将振幅参考值替换次级振幅信号，反之，若第二标准差小于振幅参考值，则保留次级振幅信号，以筛选出更加准确的目标振幅信号，提高眼压监测的准确性。
121.请参阅图5，在一些实施例中，步骤s105还可以包括但不限于包括步骤s501至步骤s502：
122.步骤s501,提取目标频率信号的最大值、最小值、均值、中位数以及第一参考值，得到频率特征；其中，第一参考值为信号集的相邻位点的信号差值的绝对值的均值；
123.步骤s502，提取目标振幅信号的最大值、最小值、均值、中位数以及第二参考值，得到振幅特征；其中，第二参考值为信号集的相邻位点的信号差值的绝对值的均值。
124.在一些实施例的步骤s501中，通过对每一段的目标频率信号进行特征提取，以将每一目标频率信号的最大值、最小值、均值、中位数以及第一参考值，以得到频率特征，且第一参考值为信号集的相邻位点的信号差值的绝对值的均值，则通过频率特征能够更加准确地分析出眼压值。
125.在一些实施例的步骤s502中，通过对每一段的目标振幅信号集进行特征提取，以将每一目标振幅信号的最大值、最小值、中位数以及第二参考值，且第二参考值为信号集的相邻位点的信号差值的绝对值的均值，则根据振幅特征能够更加准确地分析出眼压值。
126.在一些实施例中，在步骤s106之前，眼压监测方法还包括：
127.预先训练眼压监测模型。
128.需要说明的是，需要提前构建眼压监测模型，以便于通过眼压监测模型根据频率特征和振幅特征进行眼压分析，使得眼压值计算更加简易。
129.请参阅图6，在一些实施例，预先训练眼压监测模型，包括但不限于包括步骤s601至步骤s603：
130.步骤s601，获取目标人眼的样本数据；其中，样本数据包括：样本特征和眼压验证值；
131.步骤s602，将样本特征输入预设监测模型，得到眼压预测值；
132.步骤s603，根据眼压验证值和眼压预测值对预设监测模型进行参数调整，得到眼压监测模型。
133.在一些实施例的步骤s601中，通过获取目标人眼的样本特征和眼压验证值，其中，样本特征包括样本频率特征和样本振幅特征，以根据样本数据对预设监测模型进行训练，调节模型参数，以得到准确的眼压监测模型。
134.在一些实施例的步骤s602中，将样本特征输入预设监测模型，预设监测模型根据样本频率特征和样本振幅特征进行眼压预测得到眼压预测值，以根据眼压预测值和眼压验证值判断预设监测模型的眼压分析的准确性。
135.在一些实施例的步骤s603，通过根据眼压验证值和眼压预测值对预设监测模型进行参数调整，将眼压预测值逼近眼压验证值，以构建准确地眼压监测模型，以便于通过眼压监测模型分析频率特征和振幅特征得到目标眼压值更加准确。
136.请参阅图7，在一些实施例中，预设监测模型包括：决策树模型、线性回归模型、随机森林模型以及迭代模型，步骤s603可以包括但不限于包括步骤s701：
137.步骤s701，根据眼压验证值和眼压预测值对决策树模型、线性回归模型、随机森林模型以及迭代模型进行参数调整，以使眼压预测值逼近眼压验证值，得到眼压监测模型。
138.在一些实施例的步骤s701中，由于预设监测模型由决策树模型、线性回归模型、随机森林模型以及迭代模型构建形成，因此在调整预设监测模型的参数时，也即需要对决策树模型、线性回归模型、随机森林模型以及迭代模型的每一个模型进行参数调整，以使眼压预测值逼近眼压验证值。其中，迭代模型为adaboost模型，且将决策树模型、线性回归模型、随机森林模型和adaboost模型放入voting算法以得到眼压预测值，并根据眼压预测值和眼压验证值调整每一模型的参数，以构建眼压监测模型，使得眼压监测模型输出目标眼压值更加准确。
139.请参阅图8，本技术实施例还提供一种眼压监测装置，可以实现上述眼压监测方法，该装置包括：
140.隐形眼镜801，隐形眼镜上设有采集目标人眼的监测信号的监测线圈；
141.天线接收系统802，天线接收系统与隐形眼镜连接以传输监测信号；
142.服务器803，服务器与天线接收系统无线连接，以接收天线接收系统传输的监测信号；服务器包括：
143.空值筛除模块804，对初始频率信号进行空值筛除处理得到初步频率信号，对初始振幅信号进行空值筛除处理得到初步振幅信号；
144.初级过滤模块805，用于对初步频率信号进行过滤处理得到次级频率信号，对初步振幅信号进行过滤处理得到次级振幅信号；
145.筛除模块806，用于对初步频率信号进行空值筛除处理得到次级频率信号，对初步振幅信号进行空值筛除处理得到次级振幅信号；
146.次级过滤模块807，用于对次级频率信号进行分段过滤处理得到目标频率信号，对次级振幅信号进行分段过滤处理得到目标振幅信号；
147.特征提取模块808，用于对目标频率信号进行特征提取得到频率特征，对目标振幅信号进行特征提取得到振幅特征；
148.眼压分析模块809，用于通过预设的眼压监测模型根据频率特征和振幅特征进行眼压分析，得到目标眼压值。
149.该眼压监测装置的具体实施方式与上述眼压监测方法的具体实施例基本相同，在此不再赘述。
150.本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述眼压监测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
151.请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
152.处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
153.存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的眼压监测方法；
154.输入/输出接口903，用于实现信息输入及输出；
155.通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
156.总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
157.其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
158.本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述眼压监测方法。
159.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
160.本技术实施例提供的眼压监测方法、眼压监测装置、设备及存储介质，其通过对初始频率信号和初始振幅信号进行空值筛除处理得到初步频率信号和初步振幅信号。然后对初步频率信号进行过滤除处理得到次级频率信号，再对初步振幅信号进行过滤处理得到次级振幅信号，以对初步频率信号和初步振幅信号进行整体过滤，以将明显异常的信号去除。再通过对次级频率信号和次级振幅信号进行过滤处理，以将异常的信号过滤掉以得到目标频率信号和目标振幅信号，并对目标频率信号和目标振幅信号进行特征提取，以提取每一
段的频率特征和振幅特征。然后通过预设的眼压监测模型根据频率特征和振幅特征进行眼压分析得到目标眼压值。因此，通过对采集的目标人眼的初始频率信号和初始振幅信号进行空值筛除、二次过滤处理，以将异常、干扰的信号去除，再对目标频率信号和目标振幅信号进行特征提取得到频率特征和振幅特征，通过训练好的眼压监测模型根据频率特征和振幅特征进行眼压分析得到目标眼压值，使得人眼的眼压值监测更加准确。
161.本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
162.本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
163.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
164.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
165.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
166.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
167.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
168.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
169.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
170.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
171.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。