当前位置: 首页 > news >正文

VR眼动追踪技术帮助医生更快速确认大脑神经损伤与疾病

在最近的Varjo Live的演示中,来自瑞士医疗技术创新者Machine MD概述了先进的眼球追踪技术(由Varjo虚拟现实头显提供)可用于重新定义大脑诊断和性能分析的前景。他们提出了突破性解决方案,NEOS,并介绍了眼基因组学的下一个前沿领域:通过眼睛揭示关于大脑的深刻见解。

MachineMD眼科学的兴起

VR 眼动追踪技术的使命和挑战

wechat_2025-08-05_162956_499.png

Machine MD总部设在瑞士伯尔尼,致力于普及神经诊断学。全球人口中的43%都患有神经系统疾病,但目前的诊断工具如MRI和CT扫描价格昂贵,并且通常需要很长的等待时间(在英国,非紧急情况下可能需要长达三年的时间)。

NEOS诊断系统

为了解决这个问题,MachineMD开发了NEOS:通过眼睛和瞳孔对视觉刺激的反应来评估大脑功能的快速、非侵入性且经过认证的医疗设备。

NEOS系统重融入了Varjo Aero虚拟现实头显,它具有高精度的内置眼球跟踪器。

通过利用Varjo行业领先的眼球追踪技术,NEOS通过对眼睛和瞳孔反应的详细分析,实现了对大脑功能的快速、无创评估。

现在通过NEOS,临床医生可以更早地发现神经系统疾病;在中风或脑瘤等时间紧迫疾病情况下,该设备拥有更大的优势。

为什么监测眼睛很重要

由于大脑的很大一部分控制着视觉处理和眼球运动,眼睛和瞳孔反应的细微异常可能指向更深层次的问题。NEOS比人工测试更精确地捕捉到了这些生物标志物,将测试时间从50分钟缩短至3分钟。这提高了诊断的准确性,并大大有助于降低误诊率。

machineMD-neos3-e1678179571485-757x1024.jpg

这些生物标记是根据眼睛的特征计算出来的,如瞳孔大小、扫视和注视,Varjo内置的眼球跟踪器在实现可靠的神经诊断中起到了关键作用。

Varjo的超高精度

NEOS系统以Varjo Aero头显为基础创建,选择高频200赫兹眼球追踪;这是60Hz或90Hz跟踪器无法比拟的保真度。这一合作标志着第一个基于VR头戴设备的认证医疗设备成功投入使用,并为临床环境中的眼球追踪质量设定了新的标准。

技术人员友好且可扩展

利用NEOS,技术人员(不仅仅是神经眼科专家)现在可以进行可靠的大脑筛查,有助于缩小其与专业护理人员间的差距。

从手电筒到算法:重新思考RAPD筛选

数字化经典手电筒测试

布鲁诺·豪尔MachineMD的分析主管探索了NEOS是如何数字模拟经典的摆动手电筒试验,该实验被用于检测相对传入性瞳孔缺损(RAPD),其被用作判断视神经疾病的关键指标。

wechat_2025-08-05_163045_887.png

传统方法存在主观性、光照不一致和重复性差等问题。NEOS用可控的视觉刺激和捕捉代替了手电筒瞳孔反应痕迹使用Varjo眼球跟踪器。然后通过严格的算法处理数据,计算出定量NEOS分数,以与健康受试者的标准数据库为基准进行比较。

临床验证

在165名患者(40名被诊断为RAPD)的队列中,NEOS评分达到了0.82的AUC,显示了强大的预测能力,以更大的客观性和可靠性检测视神经异常。

医学眼动跟踪在模拟训练中的应用

飞行员训练中的认知负荷

Varjo的首席品牌官帕特里克·怀亚特,以及MachineMD的首席技术官多米尼克·布鲁格阐明了眼球追踪是如何被应用于模拟训练,特别是对于民用和军用飞行员。

Eye-tracking-Machine-MD-1269x1536.jpg

衡量标准如瞳孔放大, 注视持续时间, 眨眼率,以及扫视运动透露参与者的认知工作负荷, 应力水平,以及注意力分配。这些测量为训练专业人员提供了可操作的方案,使他们能够优化训练设计,并确保飞行员在高风险场景中专注于正确的工具和领域。

虚拟现实在分析领域的优势

VR提供了对环境光和视觉环境的完全控制,用于区分压力引起的变化和照明伪像。虽然像脑电图这样更具侵入性的方法是一种选择,但眼球追踪却脱颖而出,其非侵入性, 易于设置,以及可扩展等特性的优势正在不断被放大。

http://www.dtcms.com/a/315965.html

相关文章:

  • MySQL索引底层原理与性能优化实践
  • JavaScript性能优化实战:从核心指标分析
  • “命令行过长“?一键解决 IntelliJ IDEA 中 Java/Spring Boot 启动失败问题
  • 武汉火影数字:VR大空间在文旅产业的创新应用
  • 7、Redis队列Stream和单线程及多线程模型
  • 二手房翻新时怎样装修省钱?
  • STM32H7+FreeRTOS+LwIP移植EtherCAT开源主站SOEM
  • 【AI论文】iLRM:一种迭代式大型3D重建模型
  • 3D 材质与纹理:让虚拟模型 “以假乱真” 的核心密码
  • Linux内核C语言代码规范
  • 解决IntelliJ IDEA 项目名称后带中括号问题(模块名不一致)
  • OpenGL状态机与对象管理:优化图形渲染的高效方法
  • 支持在电脑桌面悬挂的便利贴工具好用评测
  • LeetCode 面试经典 150_数组/字符串_H 指数(9_274_C++_中等)(排序后再进行判断)(计数)
  • 应用科普 | 漫谈6G通信的未来
  • Vue中使用步骤条Steps-手写简单的步骤条功能
  • 大模型下一个飞跃?OpenAI的“新突破”:通用验证器
  • FANCU发那科机器人双脉冲焊接省气
  • 解决英飞凌Tricore编译软件Tasking加载过慢编译卡死问题
  • Windows驱动更新下载工具,电脑硬件设备驱动程序自动安装下载更新,可备份还原!键盘鼠标声卡网卡显卡主板硬盘驱动都可以下载,免费使用的神器!
  • 从传统架构到创新安全:Web2.0与Web3.0的比较分析
  • 10-红黑树
  • Python--JSON格式
  • 艺术性与真实感并存:FLUX.1 Krea [dev] 开源模型速览
  • 复杂环境跌倒识别准确率↑31%!陌讯多模态算法在智慧养老的落地实践
  • 嵌入式硬件中运放内部底层分析
  • Java、Android及计算机基础面试题总结
  • Salesforce Hub-Spoke 架构介绍
  • LoRa基站和网关的区别
  • C++-特殊类设计