眩晕是一种常见症状,病因多种多样,区分其病因有一定难度。不同病因引起的眩晕症状,常常会伴有不同的眼动异常表现。因此,本文以挖掘眼动信息与眩晕的关联为切入点开展了研究。眼动信息包括瞳孔的缩放、视线的移动、扫视以及眼震等有意识、无意识的改变,许多研究都证明了眼动信息能够在一定程度上反映出人体生理、心理的状况,甚至有一些已经纳入了医疗诊断中,比如通过体位变化来诱发不同性质眼震,从而对良性阵发性位置性眩晕（BPPV）患者的半规管进行诊断的Roll Test滚转试验、Dix-Hallpike试验等。本文通过机器学习方法,用视觉追踪实验中的眼部视频对眩晕和脑损伤进行了人工智能方式的分类,也用滚转试验中的眼部视频对BPPV中不同的受累水平半规管进行了智能化的区分。本文主要研究内容有:（1）用神经网络方法,根据视觉追踪实验中的眼部视频,对眩晕、脑损伤和健康对照做了分类。自制了眼动视频采集装置,并在配套软件中呈现目标追踪视觉实验。邀请眩晕、脑损伤和健康对照这三类被测试者,使用该软硬件进行了视觉追踪实验,并拍摄了实验中被测试者的眼部视频。经过图像处理方法提取出眼动信息,构成了特征矩阵。将长短时记忆（LSTM）神经网络与全连接网络结合,分别对每一种特征构建了一个弱分类器。设计指标量化的评价了这些弱分类器的分类能力,最后通过分类能力与分类器输出结果求加权平均的方式,构建了基于弱分类器分类准确率的强分类器,从而得到最终分类结果。（2）对（1）中的神经网络进行了优化。对于（1）中的弱分类器,采用随机森林方式构造强分类器。将弱分类器的输出,作为随机森林的输入特征,并将原本的三分类问题转变为三个二分类问题。随机森林中单棵决策树的构造采用了C4.5构造法。（3）用神经网络方法,根据体位诱发试验中的眼部视频,对不同半规管受累导致的BPPV进行了分类,并对神经网络进行了优化。收集了新桥医院神经内科眩晕中心在BPPV患者诊疗过程中产生的视频,目标是通过Roll Test滚转试验中的平躺位、左侧位、右侧位这三个体位中患者的眼震表现,来区分左水平半规管耳石症患者、右水平半规管耳石症患者和水平半规管嵴帽患者。对这三个体位的视频,分别截取等长的视频段;对于每一个视频段,均可构成一个三维矩阵,其三个维度分别为:每一帧视频图像的宽、每一帧视频图像的长和按时间顺序堆叠的视频帧。因此,每个人可产生三个大小一致的三维矩阵。对这些三维矩阵搭建了三种神经网络直接对视频矩阵进行分类:采用先分别三维卷积,再堆叠后三维卷积;先分别通过多层LSTM提取信息,再堆叠后送入多层LSTM;先分别用二维卷积提取特征并送入多层LSTM,再堆叠后通过多层LSTM。这三种神经网络分类模型具有一定分类能力,但效果不够理想。因此,对其中的第二种神经网络模型进行了优化,结合了光流和梯度视频,形成了多个通道,综合利用了原视频灰度、视频灰度变化率和视频中的运动趋势,对视频中的眼震表现进行分类。多通道神经网络有效增强了神经网络对运动信息的提取能力,获得了较好的效果。