基于人工智能与热成像技术的数字眼疲劳无创检测多模态框架（EyeStrainNet）及其行为指标融合研究

本刊推荐：本研究提出创新型多模态框架EyeStrainNet，通过热成像技术（IRT）与行为指标融合实现数字眼疲劳（DES/CVS）的无创检测。该框架利用一维卷积神经网络（1D-CNN）达到97.5%准确率，并通过SHAP可解释性分析揭示温度变化与分心程度为核心预测因子，为数字健康监测提供客观生理标志物（OST）与智能化解决方案。

　　

研究亮点

本研究开发了专用于DES检测的自建热成像眼部数据集，提出融合热生理特征与行为指标的多模态框架，引入基于温度的新型指标与混合阈值策略，实现可量化的早期DES检测。应用经特征选择优化的单类支持向量机（OC-SVM）并开发定制化一维卷积神经网络（EyeStrainNet），结合SHAP可解释性技术增强模型透明度。

方法论

本研究采用系统化方法构建眼健康研究框架。如图1所示，流程包含四个核心环节：首先使用热成像相机采集人眼热图像，并通过热分析工具提取温度数据；其次执行探索性数据分析（EDA），评估屏幕暴露前后的温度变异与人口学影响因素；第三开展特征工程与统计分析；最后构建并验证机器学习模型。

结果与讨论

实验在搭载Intel Core i5处理器、Nvidia GeForce MX450 GPU的戴尔笔记本上完成。使用FLIR Edge Pro采集双眼屏幕暴露前后的热图像，通过热分析工具提取内眦、外眦与中央角膜温度值。标志点检测显示高精度定位（误差<3像素）。统计分析证实屏幕暴露后所有眼部区域温度显著下降（p<0.01），且DES阳性组温度降幅更大。

局限性及未来工作

当前研究虽提出系统化DES检测方法，仍存在局限性：数据集集中于科研人员与学生群体，需扩展至更广泛年龄段、职业与种族背景以提升外推性。性别影响虽微弱但仍需深入探究。未来将整合更多生理参数（如EOG、EEG）与实时监测设备，开发移动端应用并探索多任务学习框架。

结论

随着数字设备依赖度攀升，DES发病率显著增长。本研究据此提出EyeStrainNet——一种基于热成像与行为指标的混合深度学习框架，可实现DES的客观检测。作为非临床筛查工具，它适用于职场、教育机构及家庭等长期屏幕暴露场景，为推进数字健康干预提供技术支撑。