认知机器人对眼睛健康的影响及预防措施

认知机器人2（2022）50-59基于EARMAkihiro Chihara，Kazu Nishikawa，Rin Hirakawa，HideakiKawano，Yoshihisa Nakatoh日本福冈县北九州市鸟幡区千水町1 1-1九州工业大学aRT i cL e i nf o保留字：眼疲劳VDT综合征数字眼疲劳眨眼检测眼睛宽高比a b sTR a cT随着信息社会的到来，全世界的眼睛健康都受到威胁。规则和系统已被提出来避免这些问题，但大多数用户并没有使用它们，这与身体和时间的限制以及所涉及的费用以及缺乏对眼睛健康的认识有关。在本文中，我们估计眼睛疲劳的敏感性，通过检测自发眨眼与高精度。实验结果表明，本文提出的眼睛长宽比映射方法能够以较低的代价获得较高的分类精度。我们还发现，中值SBR（自发眨眼率）与眼睛疲劳的客观估计和受试者1. 介绍长时间使用智能手机和电脑等显示设备（视觉显示终端）会产生各种不良影响 使用者眼睛疲劳、视力模糊、眼睛干涩、发红、头痛、肩膀刺痛等各种症状都是征兆VDT综合征（视觉显示终端综合征）或数字眼疲劳（DES）[2，3]。这些也被称为计算机视觉综合征或IT眼病，并且是由由于眨眼减少而导致的角膜干燥和由于长时间凝视短距离而导致的睫状肌紧张引起的[4]。根据世界卫生组织的一份报告，全世界有超过22亿人患有各种视力障碍，从视力障碍到失明[5，6]。此外，到2050年，这一数字预计将增加到近50亿，占当时世界人口的一半据报道，大约80%的千禧一代在使用显示设备时会出现由这些因素引起的眼疲劳症状[7]。这个问题可以通过采取适当的预防措施来避免，例如适当休息，定期注意距离，有意识地眨眼Jack Dennerlin教授提出的20 -20-20规则和日本厚生劳动省提出的VDT工作每小时休息15分钟的建议都被认为是非常有效的然而，不幸的是，大多数使用者没有意识到这个问题，即使在那些意识到的人中，也很少有人采取适当的预防措施。我们认为，这种情况是由用户对眼睛疲劳的感知与实际眼睛疲劳之间的差异、用户感觉他们还没有疲劳以及对眼睛过度使用的松懈感知造成的为了改善这种情况，用户有必要客观地了解他们的眼睛健康状况，并建议最适当的休息。目前，有几种方法来管理用户MHealth系统是一种应用程序，通过以下方式识别患有眼部问题的患者∗ 通讯作者。电 子 邮 件 地 址 ： mail.kyutech.jp （ A.mail.kyutech.jp （ K.Nishikawa ） ， mail.kyutech.jp （ R. Hirakawa ） ， kawano@ecs.kyutech.ac.jp （ H.Kawano），nakatoh@ecs.kyutech.ac.jp（Y. Nakatoh）。https://doi.org/10.1016/j.cogr.2022.01.003接收日期：2022年1月19日;接收日期：2022年1月29日;接受日期：2022年1月29日2022年1月30日在线提供2667-2413/© 2022作者。Elsevier B.V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表认知机器人期刊首页：http://www.keaipublishing.com/en/journals/cognitive-robotics/A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5051=图1.一、 睁眼和闭眼，由dlib自动检测标志 [26，31]。他们的眼睛，他们的眼睛。该应用具有耗时和物理限制的缺点，因为患者必须使用智能手机来执行视力测试和基于智能手机的远视力评估。另一个例子是ZINS提出的ZINS MEME[11]。这是一种眼镜形式的可穿戴设备，可以收集和分析各种数据，如角度，步数，眨眼等，来监控身体和精神的状态然而，缺点是它迫使佩戴者戴上眼镜，并需要定期的操作费用。另一方面，已经提出了远程眼科学，但它需要专门的设备，如光学相干断层扫描（SD-OCT）和脉冲空气眼压计，并且在成本方面根本不实用[12]。为了解决这些问题，我们重点研究了图像处理技术，该技术也被用于许多疾病的诊断[13然后，我们提出了一种眨眼检测系统，该系统仅使用相机图像准确地捕获眨眼，而不需要用户的身体约束或特殊设备[16，17]。在本文中，我们通过准备一个更适合于评估的新数据集来重新评估该系统，阐明眨眼、主观眼疲劳时间和客观眼之间的关系应变时间，并提出了一个系统，以估计眼睛的应变灵敏度的基础上获得的数据。2. 相关作品2.1. 眨眼有三种类型的眨眼：自愿眨眼，反应性眨眼和自愿眨眼[18]。前两种类型是无意识的眨眼，后一种类型完全取决于主体的意志，每种类型都有不同的功能。眨眼已被用作困倦和注意力集中的生理指标，以及眼疲劳和干眼[19，20]。本文将与眼疲劳密切相关的自发性眨眼定义为眨眼。自发性眨眼自发性眨眼是指在没有任何明显刺激的情况下，以非常相似和协调的方式无意识地、短暂地或快速地发生的上眼睑闭合这种眼睑运动对于澄清使用者的视力、将泪液分布在眼表面上以及保持泪液的稳定性是必不可少的据报道，干眼症患者的泪液蒸发更快，自发眨眼次数增加[3，21]。2.2. 一种眨眼检测方法从过去到现在，已经提出了基于与眨眼相关的各种特征的各种方法。 在本节中，我们将讨论这些相关的研究。眼电图（EOG）是根据在眨眼期间放置在眼睛上方和下方的电极记录的电位得出的[22]。这种技术利用了角膜对眼睛具有积极潜力的事实。自然眨眼期间的眼睑运动会影响位于眼睛上方和下方的两个电极之间的电位。眨眼检测基于所获得的电位差的波形与眨眼的标准化EOG之间的高度相关性。该方法不限制头部的位置，并且具有高的眨眼检测精度。此方法主要用于跟踪驾驶员的眨眼变化[23眼睛纵横比眼睛纵横比是由捷克技术大学提出的[26，27]。它是一个标量，通过从图像中检测人脸，找到相应眼睛坐标的欧几里得距离，并将其代入以下公式获得。���2−���6+���103−105���������2‖���1 −���4‖（一）其中P1，. . .，p6是图1所示的2D界标位置。当眼睛睁开时，该值几乎是恒定的，但当眼睛闭上时，该值接近于零。该值不取决于头部姿势或距离，并且当眼睛睁开时存在小的个体差异。由于眨眼是由两只眼睛同步执行的，因此两只眼睛的眨眼被平均。由于计算公式简单，它具有良好的实时性和鲁棒性。不过虽然A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5052我们试图对不规则的运动进行分类，如眼睛变薄，缺乏伸展，或只有眼睛向下看，检测是困难的在门槛上。此外，尽管声称其具有高且直接的检测精度，但是当存在面部的突然移动或者当面部特别远离相机时。由于分辨率下降距离可以通过使用超分辨率技术将面部图像转换为更高的分辨率来解决，但这还没有被研究[28]。除了上述两种方法之外，还提出了各种其他方法，例如基于眼睛周围的变化预测眨眼以及基于模板匹配的眼睛睁开和闭合的二进制分类[19，29，30]。然而，这些现有方法中的大多数都具有一定的局限性。它们易受各种外部因素的影响，例如图像分辨率、照明和头部姿势，需要专门的设备并且计算昂贵。还应该注意的是，许多眨眼检测器仅区分睁开的眼睛和闭合的眼睛，并且根本不检测时间眨眼2.3. 眼疲劳与视觉系统指标的关系眼疲劳与视觉系统指标之间的关系已被广泛研究。眼疲劳包括两种类型：一是视调节系统功能衰退，包括睫状肌等影响聚焦功能的肌肉疲劳;二是涉及认知过程的视觉信息处理中枢疲劳。本节将介绍眼疲劳与光学系统指标之间关系的研究。2.3.1. 眼疲劳和瞳孔运动Hoshino等人[32]使用瞳孔-感光器响应的动态特性来量化眼疲劳，生理指标，并报告瞳孔反应速度下降占主导地位。此外，Kondo等人[33]扩展了Hoshino等人的工作。[32]他们报告了瞳孔收缩速度、瞳孔反应速度和瞳孔再扩张速度的主要变化，这些变化作为客观指标是有效的此外，Kondo等人[33]认为瞳孔括约肌的疲劳由于其持续收缩而导致这些疲劳。2.3.2. 眼疲劳与视网膜临界融合频率每单位时间的振荡频率称为振荡值（Hz）。临界融合频率（CFF）是在被感知为连续光和被感知为闪烁光之间的边界处的闪烁值。CFF越小，疲劳程度根据Takahashi et al.[34]经研究证实，该仪器可用于客观评价受试者的眼疲劳2.3.3. 眼睛疲劳和眨眼自古以来，许多研究都研究了眼睛疲劳和眨眼之间的关系根据文献，据报道，与常规工作相比，在VDT（视觉显示终端）工作期间，每分钟眨眼的次数急剧减少，并且随着眼睛疲劳的积累而增加[35]。此外，Takizawa et al.[36]报告说，可以通过将眨眼次数加起来比通常眨眼次数少一定百分比来量化疲劳。此外，Asagai et al.[37]报道了IBLI（眨眼间间隔）和眼睛疲劳的感知时间之间的强负相关性（r=-0.92）这两项研究都检查了主观眼疲劳，但与客观眼疲劳值的联系很弱。他们无法量化疲劳的程度。此外，Mark等人[38]报告说，与印刷材料相比，计算机中不完全眨眼的比率增加，即使是在当任务是相同的。不完全的眨眼，定义为眨眼覆盖不到三分之二的角膜，导致眼泪蒸发，并被认为是干眼症的原因。然而，其与眼疲劳的因果关系尚不清楚。本文并不测量不完全眨眼，而是测量上眼睑边缘和下眼睑接触的完全自发眨眼3. 该方法在本节中，我们描述了我们提出的眨眼检测方法和我们使用的眼睛疲劳的客观测量3.1. 一种眨眼检测方法我们假设我们的视频源是连接到显示器的摄像头或智能手机，平板电脑或PC的前置摄像头，以制作视频。面部的完整图像可用。我们提出的系统图眨眼检测使用整个人脸图像显示图 二、我们提出的方法部分基于Tereza等人的工作。[26，27]，增加了人脸图像的归一化以及眨眼分类方法的差异该系统包括以下步骤。1 使用OpenCV从输入图像中检测和裁剪人脸区域，并对图像大小进行归一化。2 使用OpenCV从输入图像中检测并裁剪人脸区域，并对图像大小进行归一化。使用HOG特征和SVM[31]从归一化的面部图像中计算68 个 面 部 器 官 点 的 坐 标 。 我 们 还 需 要 一 个 数 据 集这 个 图 书 馆 。 iBUG 300-W 有 一 个 训 练 数 据 集“shape_predictor_68_face_landmarks.dat”[39A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5053（）下一2222图二. 所提出方法的概述。3 眼睛周围的12个点的坐标计算出的。通过应用简单的移动平均滤波器来校正时间序列数据以去除噪声。为了保留特征，简单移动平均线的宽度被设置为5。4 使用我们的公式EARM，将时间序列数据转换为仅显示自发眨眼反应的时间序列。5将EARM时间序列数据与原始数据进行比较，以检测眨眼。3.1.1. EARM（Eye Aspect Ratio Mapping）在仅使用眨眼分类的情况下，我们认为误报的风险很高。这是因为噪音造成的 通过不规则的运动，例如伸展或向下看，可能会被错误地检测为眨眼。在这项研究中，我们提出了一个新的计算公式，方程。(2)，其关注具有100 - 150 ms的轻微变化的眨眼时间，并绘制特性图[16]。EARM（t）=（t −X + 1）+（t −X − 1）+（t +X − 1）+（t +X + 1）− 4（t）（2）其中，X是满足每次眨眼的帧数和奇数帧数的数字，定义为11，本实验此外，t是自开始以来的帧数。该系统的优点是不依赖于信息终端的高性能，利用Dlib和OpenCV实现了处理的轻量化。OpenCV使用级联分类进行快速人脸检测，而Dlib使用SVM和HOG特征的组合来检测面部器官点。通过使用这样的组合，我们可以实现快速处理。3.1.2. 人脸图像归一化根据等人[26]的研究，该方程与面距离无关。事实上，即使面部距离发生变化，因为坐标的欧几里德距离是通用的，所以该距离不应该改变。然而，由于我们的初步实验，我们发现，像素数是由输入图像中的像素数决定的。当脸很小时，则眨眼速度变大，这是眨眼检测精度降低的原因之一。因此，我们使用OpenCV3.2. 眼疲劳客观测试方法一般来说，眼疲劳已经使用各种生理指标来量化，例如视网膜电图的临界融合频率（CFF），眼球运动和瞳孔对比反应[19，38，42]。但是，它们都存在简单性和实现方面的问题成本EOG用于测量眼球运动，但电极附着在眼睛周围，这会产生身体束缚感，并可能产生不寻常的数据。此外，瞳孔感光反应需要专门的设备和高安装成本，使其普遍不可用。另一方面，测量超导体的临界聚变频率很简单，不需要太多的时间来学习。此外，它是高度通用的，并具有低的实施成本，因为它可以在一些应用中进行测量。然而，由于CFF的价值因人而异，因此有必要对其进行规范。因此，本文介绍了EFL（眼疲劳水平），一个新的标准化版本的CFF，并评估客观眼疲劳和眨眼率之间的关系，使用SBR和EFL。通过观察受试者一段时间并将眨眼总数除以观察时间来获得自发眨眼率SBR[18]。 以下是由Eq。（3），单位为bl/sec。��������������������������������� ���������������������������为 ���������������������������������������������������������������(������)���������������������（三）A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5054图3.第三章。实 验中 使 用的 数独谜题。EFL（Eye Fatigue Level）EFL是本文介绍的一种客观的眼疲劳量化指标，由以下公式定义：（4）、���������= 1 −���������������������0其中CFF0是实验前的CFF值，CFFt是VDT任务开始后t秒的CFF值（四）作为初步实验的结果，估计当EFL≥0.034时，眼疲劳累积。因此，将EFL = 0.034时的VDT工作时间定义为眼疲劳客观累积的时间4. 实验4.1. 数据集在评价眨眼检测系统的性能时存在一个严重的问题。没有标准化的评估视频 研究人员可以比较他们的结果。出于这个原因，迄今为止的大多数研究通常都是通过对尚未标准化和个人拍摄的视频进行算法评估来进行的。在本文中，为了评估性能，为了在更接近实际使用环境的条件下对眨眼检测系统进行评估，我们在以下条件下拍摄了用于评估的视频。所有视频均使用Surface Pro 5的前置摄像头拍摄，分辨率为640 × 480像素，每秒30帧，每人约11k帧。图像显示身体的上半部分几乎面对相机，让我们能够在VDT工作中看到适当的身体动作。此外，那些在他们的眼睛刘海修剪头发，以确保面部检测。此外，在我们目视检查所有视频后，对SBR的正确标签进行手动计数。此外，仅对完全自发眨眼进行计数，因此忽略不完全眨眼受试者受试者是四名20多岁的受试者，他们每天都要处理信息设备.为了保持实验条件相同，实验在醒来后5小时内进行，眼睛疲劳的累积最小实验环境在这个实验中，我们在室内工作，关闭外部光线，不依赖于当天的天气条件。室温设定为26 ° C，并且在实验开始之前将空调打开，以防止眼睛干燥。显示器的发光强度被设置为可以设置的最高亮度所有的受试者都在同一个房间里一个接一个地接受测试，在他们工作的时候，不允许外人进入房间，以引起他们的注意力。4.2. VDT任务没有标准化的VDT作业会引起眼睛疲劳。作为VDT任务，Takizawa等人强加了英文字母搜索任务[36]第30段。参与者被要求在一定的时间内数出特定字母的数量。Kondo等人进行了数字搜索任务[33]。参与者必须在一定时间内按顺序点击随机排列的数字，从1到99。虽然VDT引起眼睛疲劳的任务因作者而异，它们的共同点是容易掌握，需要集中注意力和短期记忆，并导致频繁的观点转变。在本文中，如图3所示，数独难题被分配为满足这些要求的VDT任务。数独游戏是一个铅笔拼图，其中九行九列的网格被分成三行三列的块[43]。数字1到9被放置在每一列、行和块中而不重叠。为了缩短思考时间，眼球运动更活跃，难度级别设置为初级。A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）50551∑|������|见图4。受试者A、受试者B和受试者C的SBR的时间趋势。受试者D的SBR的时间趋势。4.3. 超导磁体临界熔化频率的测量见图4。 继续有多种方法来测量摩擦系数值。典型的方法是上升方法和下降方法，在上升方法中，当对象开始将光源感知为融合光时记录闪烁值，在下降方法中，当对象开始将光源感知为融合光时记录闪烁值。当受试者开始通过逐渐降低光源的闪烁频率而感知闪烁时， 融合光Oikawa等人发现这两种方法之间无统计学显著差异[44]。因此，在本文中，我们进行了两次测量，一次是通过上升法，另一次是通过下降法，并使用两个作为CFF值。闪变值测量仪器II型（自动型）用于闪变值测量。4.4. 实验结果与讨论4.4.1. SBR的时间趋势SBR的变化总结在图1A和1B中。4和5.从图4中可以看出，受试者ABC的SBR在VDT任务开始后下降，然后逐渐增加，尽管存在个体差异。 这表明SBR在VDT任务，并增加疲劳，在以前的研究中看到。另一方面，如图5所示，仅受试者D显示SBR随时间降低的趋势。我们认为该事件是由于眼疾所致。我们知道实验对象D小时候做过斜视手术。在图6中，由于眨眼次数的中位数高于其他受试者，因此我们推断，即使在VDT工作期间，由于眼睛疾病（如干眼症），他自己眨眼的次数也更多4.4.2. Bkink检测MAE是预测值和实际值的绝对值的平均值，并使用公式计算。(5) 下[45]。定量把握预测值与实际值的误差是方法之一，越接近 零，预测模型的准确性越高单位为BL/min。������������=��� −��� (5)1个���A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5056√√√∑(图五. 每例受试者的中位SBR。见图6。 每例受试者的中位SBR。表1基于MAE的眨眼检测方法性能评价MAE闪烁检测方法（bl/min）受试者B 1.32 0.51 0.48 0.35受试者C 0.90 0.18 0.27 0.07受试者D 1.32 0.42 0.74 0.18平均值1.24 0.45 0.61 0.24其中，t是SBR的实际值，t是SBR的预测值，N是数据的数量，t是时间。���RMSE是预测值和实际值的平均平方的平方根，并使用公式（1）计算。(6) 下[45]。它是定量把握预测值与实际值之间误差的方法之一，与MAE一样，越接近零，预测模型的精度越高。RMSE和MAE的区别在于RMSE对离群值的容忍度较低，因此它被用来表示预测模型的准确性。������������=1���1���个������−���̂���)2（六）其中，t是SBR的实际值，t是SBR的预测值，N是数据的数量，t是时间。���表1和表2显示了每例受试者计算的MAE和RMSE。如表1和表2所示，方法优于大多数现有的方法，在眨眼检测精度方面。此外，错误眨眼检测的数量从1.51 bl/min减少到0.24 bl/min，表明性能得到了改善。此外，从表2中可以看出，RMSE的平均值最小，为0.61 bl/min，表明与实际值没有显著偏差。这表明该方法能够有效地降低眨眼检测中的噪声，实现更准确的检测。耳朵EARM归一化人脸图像EARM+归一化人脸图像受试者1.430.690.940.35A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5057表2基于RMSE的眨眼检测方法性能评价RMSE闪烁检测方法（bl/min）受试者B 1.79 0.72 1.16 0.87受试者C 1.00 0.32 0.97 0.26受试者D 1.91 0.55 2.00 0.43平均值1.78 0.68 1.70 0.61表3基于RMS的眨眼检测方法性能评价受试者眼疲劳时间（秒）受试者感到眼睛疲劳所需的时间。根据EFL间隙预测的眼疲劳时间受试者A32202329891受试者B 2800 2012 788受试者C 2940 2821 119受试者D 2882 998 1994见图7。 中位SBR与从客观估计眼疲劳到受试者意识到眼疲劳所花费的时间之间的关系。然而，当我们检查所提出的方法的假阳性时，确认所提出的方法无法捕获连续和快速的眨眼。这可能是因为眨眼特征也使用简单的移动来平滑平均滤波器因此，建议选择一种新的滤波器，可以保留的功能，同时抑制噪声是必要的。4.4.3. 眼疲劳敏感度通过该实验获得的EFL的时间趋势如图6所示。根据图5，受试者B和受试者C的运动具有相同的值，并且证实了疲劳通过VDT工作而累积。此外，可以确认受试者D在VDT工作开始后30分钟客观上已经累积了眼睛疲劳到极限另一方面，受试者A由于在30至60分钟之间眼睛疲劳的快速累积，因此预期对眼睛疲劳具有相对抵抗力。接下来，表3总结了从客观估计眼疲劳时到受试者意识到眼疲劳时的时间差异。我们相信，这种时间上的差异表明受试者如何准确地把握他的眼睛疲劳，在其他情况下，的话，眼睛疲劳的敏感性。作为实验的结果，我们发现受试者D对他的眼睛疲劳有最轻微的准确把握，而受试者C对他的眼睛疲劳有最轻微的准确把握。 最准确地感知眼睛疲劳。此外，当与SBR相比时，SBR的中值与从客观地估计眼睛疲劳的时间到受试者意识到眼睛疲劳所花费的时间之间存在稳健的相关性（r=0.9995），如图7所示。这证实，能够准确识别眼睛疲劳的人在VDT工作期间的SBR往往较低。 这表明，可以从SBR的变化测量对眼睛疲劳的敏感性。耳朵EARM归一化人脸图像EARM+归一化人脸图像受试者2.411.122.680.89A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）50585. 结论在本文中，我们提出了一种新的自发眨眼检测方法的基础上，人脸图像和眼睛疲劳敏感性估计的可能性。实验结果表明，该方法简单、成本低、准确率高。我们还发现，中位SBR和受试者意识到受试者的时间延迟之间存在强相关性（r=0.9995）。眼疲劳从客观上估计眼疲劳的时间。我们的实验表明，通过跟踪用户的自发眨眼来估计视觉疲劳敏感度的水平和眼疲劳的发作的可能性。我们相信这样的原型 在视屏显示终端工作期间，为使用者提供适当的休息时间，并提醒他们注意眼睛疲劳，以维持眼睛健康然而，由于受试者的年龄和性别的数据数量较少，我们希望在未来进行额外的实验，以确认所提出的方法的有用性竞争利益我们声明，我们与任何产品、服务或公司没有任何性质或种类的专业或其他个人利益，这些利益可能会被解释为违反题为“使用眼疲劳估计”的手稿中提出的立场或同行评议。 基于EARM（Eye Aspect Ratio Mapping）的眨眼检测。署名贡献表Akihiro Chihara：概念化，方法论，软件，验证，形式分析，调查，写作-原始草案，可视化。西河一：概念化，方法论。Rin Hirakawa：资源，写作Hideaki Kawano：资源，写作中藤义久：撰写引用[1] R.古普塔湖Chauhan，A. Varshney，电子教育对冠状病毒疾病时代数字眼疲劳的影响：对654名学生的调查，当前眼科学杂志33（2）（2021）15801，doi：10.4103/joco.joco_89_20.[2] N.原，IT眼病引起的大脑疲劳[什么是IT眼病和智能手机老花眼？]，Japan for the Promotion of Medicine（2018）31-39检索日期：2021年12月23日。[联机]。可通过以下网址获得：https://www.idononippon.com/magazine/contents/2018/02/1803-1.html。[3] 联合内野湾Tubota，干眼症和眼疲劳，在：症状和条件常见的日常实践-医疗指南，治疗指南-，60，2011年，第。189-192.[4] Y. Takahashi，IT眼病和VDT综合征，载：医学史，214，2005，pp. 1029-1032。[5] 世界卫生组织，2019年。[6] B.A. Holden等人，2000年至2050年近视和高度近视的全球患病率和时间趋势，眼科学123（5）（2016年5月）1036-1042，doi：10.1016/j.ophtha.2016.01.006。[7] “YouGov 2016年。[8] 厚生劳动省，《信息设备作业职业卫生管理指南》，1999年12月15日2020年。[9] 美国验光协会，https://www.prnewswire.com/news-releases/most-americans-experience-digital-eye-strain-from-overexposure-to-computers-according-to-survey-300227221。 html（2021年12月22日访问）。[10] H. Rono，A. Bastawrous，D. MacLeod，E. Wanjala，S. Gichuhi，M. Burton，Peek社区眼健康- MHealth系统，以增加肯尼亚Trans Nzoia县眼健康服务的可及性和有效性：一项群集随机对照试验的研究方案，试验20（1）（8月20日）2019），doi：10.1186/s13063-019-3615-X。[11] JINS，https://jinsmeme.com/[12] E.格劳湾霍恩NiX dor，G.健康工人队列中的迈克尔逊、OCT和IOP发现：职业医学远程眼科研究的结果，Graefe2019）2571 -2578，doi：10.1007/s00417-019-04457-1。[13] S. Wang等人，磁共振成像扫描中人工智能的病理性脑检测，电磁学研究进展156（2016）105-133电磁学学院，doi：10.2528/PIER 16070801。[14] J.Wu，G. Li，H. Lu，T. Kamiya，A supervo X el classification based method for multi-organ segmentation from abdominal ct images，Journal of Imageand Graphics（United Kingdom）9（1）（2021年3月）9 -14，doi：10.18178/joig.9.1.9-14。[15] T. Aoki等人，CT时间减影：技术和临床应用，医学和外科定量成像11（6）（2021）AME出版公司，6月1日，doi：10.21037/qims-20-1367。[16] A.阿斯哈拉河平川，H。Kawano，K. Nakashi，Y. Nakatoh，使用图像处理来预测眼睛疲劳的眨眼检测，在：人类交互和新兴技术国际会议上，2009年6月。2020年，第页。 362 -368，doi：10.1007/978-3-030-55307-4_55。[17] A.阿吉哈拉湾纳卡希河平川，澳-地Nakatoh，H. Kawano，使用基于眼睛图像的眨眼检测的眼睛疲劳预测系统，在：2021年IEEE国际消费电子会议（ICCE），2021年，pp. 1 -3，doi：10.1109/ICCE 50685.2021.94666。[18] A.A. v Cruz，D.M.加西亚CT Pinto，S.P. Cechetti，W.B. Jackson，自发性眨眼活动，临床科学。（Colch）9（1）（2011年9月）29-41。[19] P.P. 卡迪尔湾Erdmann，P.Ullsperger，EX作为困倦测量的眨眼参数的实验评价，Eur. J. Appl. Physiol. 89（3 -4）（2003）319-325，doi：10.1007/s00421-003-0807-5。[20] J.M. 科里角安德森，S。Shekari Soleimanloo，M.L.杰克逊，M.E.自发性眨眼参数是否提供了一个有用的评估状态困倦？睡眠医学Rev. 45（2019）95桑德斯公司01，doi：10.1016/j.smrv.2019.03.004.[21] Y.苏角，澳-地Liang，G. Su，N. Wang，C. Baudouin，A.干眼的自发性眨眼模式：临床相关性。眼用醇目视Sci. 59（12）（2018），doi：10.1167/iovs.18-24690。[22] K. Asakawa，H. Ishikawa，眼电图的临床应用和解释，Rinsho Ganka 67（2013）访问日期：2021年12月23日。[联机]。电子邮件：https://webview.isho.jp/journal/detail/abs/10.11477/mf.1410104595? englishFlg=1。[23] T.伊藤，S。Mita，K. Kozuka，T. Nakao和S. Yamamoto，“通过运动图像处理的驾驶员眨眼测量及其在困倦检测中的应用”，2003年7月。doi：10.1109/ITSC.2002.1041208。[24] 施密特河Laarousi，W. Stolzmann，K. Karrer-Gaueland，使用EOG和驾驶员摄像头在有条件自动驾驶和手动驾驶中对不同驾驶员状态的眨眼检测，行为研究方法50（3）（6月）。2018）1088 -1101，doi：10.3758/s13428-017-0928-0。[25] K. Adachi，T.哈马达T.中野山Yamamoto，Blink Measurement to Detect a Driver's Drowsy State by Moving Image Processing，IEEJ Transactions onElectronics，Information and Systems 124（3）（2004）776-783，doi：10.1541/ieejeiss.124.776。[26] T. Soukupová，使用面部标志进行眨眼检测，CMP研究报告（5）（2016）。A.阿吉哈拉湾西川河Hirakawa等人认知机器人2（2022）5059[27] T. Soukupová，2016[28] G. Gao，L.Zhu，H.Lu，Y.Yu，H.张氏D.Yue，Robust Facial Image Super-Resolution by Kernel Locality-Constrained Coupled-Layer Regression，ACMTransactions on Internet Technology 21（3）（Jun.2021）1 -15，doi：10.1145/3418462。[29] M. Divjak，H. Bischof，基于眨眼的疲劳检测用于预防计算机视觉综合征，横滨（2009年5月）。[30] C. Talens-Estarelles，J.J. Esteve-Taboada，V. Sanchis-Jurado，Á.M.庞斯，S。García-Lázaro，数字显示器使用过程中的眨眼运动学表征，Graefe临床和E x实验眼科学档案（2021），doi：10.1007/s 00417 -021-05490-9。[31] D.E. King，[32] K. Hoshino，A.渡边，M.蔡文雄，以光反应分析法探讨精神疲劳之研究，国立台湾大学电视工程学研究所硕士论文（1995）。[33] Y.孔多岛，澳-地Nishimura，H.石井，H. Shimoda和H. Yoshikawa，“使用眼感应显示器的眼疲劳客观检查方法的研究”，2006年8月。[34] K. Takahashi，J. Morishita，H. Tashiro，Y.Nakamura，阅读医用级液晶显示器上显示的射线照片的视觉疲劳的客观评价，日本放射技术杂志（Jun.2010）1416[35] T. Hukuda，生物信息系统理论。sangyo-tosyo，1995年。[36] S. Takizawa，VDT工作中警告眼睛疲劳系统的建议，生命支持19（2007）30-31。[37] T. Asagai，M. Kawasumi，VDT工作中眨眼和眼疲劳之间的关系，在：生命支持医疗和福利工程学会联合会议2010系列讲座，2010年，第100页。112.[38] M.罗森菲尔德和M.R.Mcoptom，数字眼疲劳），[联机]。可通过以下网址获得：https://www.researchgate.net/publication/295902618。[39] C.萨戈纳斯湾Tzimiropoulos，S. Zafeiriou，M. Pantic，300 Faces in the Wild Challenge：第一个面部地标定位挑战，图像视觉计算。47（2016）3-18 [在线]。可通过以下网址获得：http://ibug.doc.ic.ac.uk/resources/300-W/。[40] C.萨戈纳斯湾Tzimiropoulos，S. Zafeiriou和M. Pantic，“A semi-automatic methodology for facial landmark annotation”，2013年6月。[联机]。可通过以下网址获得：http://ibug.doc.ic.ac.uk/。[41] C. Sagonas，E.安东纳科斯湾Tzimiropoulos，S. Zafeiriou，M. Pantic，300 Faces In The Wild Challenge：Database and Results，Image Vision Comput. 47（3月）2016）3-18，doi：10.1016/j.imavis.2016.01.002.[42] M. Sakamoto，J. Imai，M. Omodani，验证近点测量作为眼睛测量的一种方法-一种获得可读电子纸客观尺度的方法，日本成像学会（2008）142[43] K. Tsuboi和D.Watanabe，3D数独问题的自动生成研究。2018年[44] M. Oikawa，M. Ohtsuka，K.莫里，M。Satoh，M.徐文，临界闪烁融合频率（CFF）的统计分析，中国科学院照明工程研究所日本79（8）（1995年8月）416-419。[45] T. Chai，R.R. Draxler，均方根误差（RMSE）或平均绝对误差（MAE）？- 反对在文献中避免RMSE的论点，Geoscienti fic Model Development 7（3）（Jun.2014）1247 -1250，doi：10.5194/gmd-7-1247-2014。