24、机器学习在医疗领域的两大应用：眼动测量与俄语医疗文本拼写纠错

机器学习在医疗领域的两大应用：眼动测量与俄语医疗文本拼写纠错

一、通用机器学习处理模式在视频眼动测量中的应用

在视频眼动测量应用中，相机的帧率会对结果产生显著影响。由于时间采样误差，100、300 或 1000 FPS 的相机所得到的结果会完全不同。当数据采集频率低于 1000 Hz 时，在两个连续采样点之间，眼球运动速度或方向的变化可能无法被记录。例如，1000 Hz 时最大单点时间采样误差为 1 ms，根据公式 ((1000/x)/2) 可计算出，300 Hz 时误差为 1.6 ms，100 Hz 时为 5 ms，30 Hz 时为 16.6 ms，这与我们获得的参考数据中延迟结果的差异相对应。

不过，在提出的处理模式中，由于使用了并行/异步估计和编译形式的快速模型，数据频率对于处理速度似乎是透明的。但需要注意的是，在这种方法中，数据频率与处理过程是相互独立的，该过程最多可能负责向系统用户发出通知。

在实际应用中，时间采样误差在低频情况下对不同参数的影响不同。以延迟为例，尽管采样频率差异很大，但参数值的名义差异却很小。在对年轻人和老年人、健康人和神经退行性疾病（ND）患者进行分类时，这种误差范围可能不会影响结果。比如在之前对帕金森病（PD）患者的研究中，不同疾病阶段的延迟阈值分别为 260.0 ms 和 308.5 ms，而健康受试者的延迟在 190 - 200 ms 之间，如此大的差异使得分类器不太可能出错。因此，对于这类分类，高数据速率可能并非必要，标准计算机硬件或许就足够了。

综上所述，在进行实验或患者检查时，了解研究类型及其对采样率的要求非常重要，从而选择合适的相机。对于我们提出的计算解决方案，采样率是透明的，它取决于设备和照明条件，这些因素在本文提