NystagmusNet：用于光敏性风险预测的可解释深度学习
计算机视觉与模式识别
2025-12-23 v1 人工智能
摘要
患有光敏性的眼球震颤患者由于环境亮度条件加剧的不自主眼球运动，面临着显著的日常挑战。当前的辅助解决方案仅限于对症治疗，缺乏预测性个性化。本文提出了NystagmusNet，一个由AI驱动的系统，用于预测高风险视觉环境并推荐实时视觉适应方案。该系统使用在合成和增强数据集上训练的双分支卷积神经网络，根据环境亮度和眼球运动方差估计光敏性风险评分。该模型在合成数据上达到了75%的验证准确率。集成了包括SHAP和GradCAM在内的可解释性技术，以突出环境风险区域，提高了临床信任度和模型可解释性。该系统包含一个基于规则的推荐引擎，用于自适应滤镜建议。未来方向包括通过智能眼镜部署和利用强化学习进行个性化推荐。
引用
@article{arxiv.2512.17943,
title = {NystagmusNet: Explainable Deep Learning for Photosensitivity Risk Prediction},
author = {Karthik Prabhakar},
journal= {arXiv preprint arXiv:2512.17943},
year = {2025}
}
备注
12 pages, 7 figures, 2 tables, code available at https://github.com/knkarthik01/nystagmus-photosensitivity-ai