【科学研究】手机如何“听见”眼部微运动？

来源：计算机与人工智能学院作者：魏逸飞编辑人：罗园发稿时间：2026-10-19浏览次数：

武汉纺织大学计算机与人工智能学院胡新荣教授团队探索屈光度估计新方法

AcousMyopia: Exploring Smartphone Acoustic Sensing for Refractive-Error Estimation

相关研究成果已被 CCF-A 类国际学术会议 UbiComp / Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT) 接收。该论文第一作者为吴渊副教授，第二作者为研究生许家瑞。武汉纺织大学为第一单位。

如果只使用智能手机内置的扬声器和麦克风，不采集眼部图像，能否从超声回波中寻找与屈光状态相关的线索？围绕这一问题，武汉纺织大学研究团队联合武汉大学、浙江大学和韩国首尔大学的研究人员提出 AcousMyopia，一种基于智能手机超声传感的屈光状态估计系统。该研究利用超声回波中的眼部注视微运动信息，探索非接触、无需眼部图像的屈光度估计方法。

一、背景介绍

近视屈光状态的评估通常依赖专业验光设备和专业操作人员。近年来，研究人员也尝试利用智能手机估计屈光度，但部分基于眼部图像的方案可能受到照明条件、成像环境或专用附件的限制，同时需要关注眼部图像所涉及的隐私问题。如何探索更便捷、非接触且不依赖眼部图像的感知方式，成为值得研究的问题。

人在注视固定目标时，眼球并非完全静止，而是会产生震颤、漂移和微扫视等细微运动。已有眼动研究表明，注视稳定性与近视程度之间存在一定关联。这为研究团队提供了新的切入点：与其直接解析眼球内部的微小结构，能否从这些细微的注视动态中提取与屈光状态相关的线索？

AcousMyopia 正是围绕这一问题展开。它利用手机内置扬声器发射超声信号、麦克风接收眼部反射信号，再从眼部回波变化中提取与注视动态相关的特征，进而建立特征与屈光度之间的预测关系。

二、文章概述

AcousMyopia 将超声信号处理、双眼定位、眼部微动信号提取、非线性特征分析与屈光度预测整合为一套完整流程。系统首先从复杂的面部回波中寻找左右眼对应的距离单元，再利用 I/Q 复数信号的圆拟合与鼻根参考相减，抑制共有的头部和身体运动干扰。随后，模型融合基于混沌理论的非线性动态特征与传统时域、频域特征，采用基于 LightGBM 的集成回归模型 MyopicChaos-LGBM 分别估计左右眼屈光度。

为验证 AcousMyopia 的有效性，研究团队招募了 33 名年龄为 18—56 岁的参与者。在留一被试交叉验证下，系统取得了 0.614 D 的平均绝对误差（MAE），初步验证了基于智能手机声学传感进行屈光度估计的可行性。消融实验进一步表明，融合非线性与时频特征的模型表现最佳，MAE 为 0.614 D，优于仅使用混沌启发的非线性特征（0.624 D）或传统时频特征（0.655 D）的模型，验证了两类特征的互补作用。此外，研究团队还在不同测量距离、手机朝向、室内场景、手机型号及环境照度等条件下开展了鲁棒性实验。在所测试的条件下，系统的 MAE 为 0.649—0.783 D，展现出一定的环境适应能力与应用潜力。

上述研究结果初步验证了利用智能手机声学信号进行屈光度估计的可行性，为探索便捷、非接触式的眼健康筛查技术提供了新的思路。未来，研究团队将进一步扩大实验规模，拓展自然使用场景，并结合临床验证持续优化系统性能，进一步探索智能手机声学感知技术在日常眼健康监测中的应用潜力。

三、图文解析

图1：利用手机超声感知眼部微运动

图1 AcousMyopia 的基本思路：利用手机超声回波感知与注视相关的眼部微运动。图片来源：论文 Fig. 1。

如图1所示，手机向面部发射超声信号，并接收眼部区域反射回来的回波。系统关注的不是眼睛的可见图像，而是注视过程中细微眼动对回波产生的变化。通过分析这些变化，研究团队尝试提取与注视动态有关的声学特征，并进一步估计屈光度。

图2：从手机超声到屈光度预测的技术流程

图2 AcousMyopia 的系统总体框架。图片来源：论文 Fig. 2。

系统流程可概括为四个环节：首先手机内置扬声器发射调频连续波信号，然后对接收回波进行预处理，并将信号转换为距离响应；其次，利用双眼动态的相关性与几何约束联合定位眼区；接着，通过 I/Q 轨迹圆拟合与鼻根参考相减，增强眼部微动的可观测性；最后，融合基于混沌理论的非线性动态特征与传统时频特征，输入 MyopicChaos-LGBM 集成回归模型，分别输出左右眼的屈光度估计。