CN119274746B 前庭错觉训练类型校验方法 （南京航空航天大学）

标前庭错觉识别类型与预设前庭错觉训练类型从而可以保证前庭错觉训练类型对应的训练数2获取预设前庭错觉训练类型，以及所述预设前庭错觉训练基于所述训练数据对预设人员进行前庭错觉类型训练，并获取基于预设类型识别模型，对所述目标数据进行识别，确定所述目标将所述目标前庭错觉识别类型与所述预设前庭错觉训练其中，所述运动参数包括头部运动参数序列和身体运动参根据各所述头部运动参数子序列之间的关系，计算各所述头部根据各所述头部运动参数子序列之间的关联积分，计算各所述头根据各所述头部运动参数子序列之间的自相关特性，确定所述头35.根据权利要求4所述的方法，其特征在于图像包括头部线加速度彩色图像和头部角加速度彩色图像；所述基于所述头部灰度图像，根据确定的所述第一红色通道、所述第一绿色通道和所述第一根据确定的所述第二红色通道、所述第二绿色通道和所述第二所述预设类型识别模型对所述目标彩色图像进行特征识别以及特征所述划分层对所述目标彩色图像进行划分，生成多个目标彩色图所述SwinTransformer层对各所述目标彩色图像块对应的特征信息进所述全连接层对所述局部特征整合，生成全局特征，并将所述全所述Softmax层对所述全连接层输出的所述输出类别转化为概率分布，并基于所述概8.根据权利要求7所述的方法，其特征在于，所述SwinTransformer层中包括四个阶4所述窗口多头自注意层对所述第一归一化特征进行自注意力计算，并进行残差计算，所述第一多层感知器层对所述第二归一化特征的每个像素的通道数据执行线性变换，所述基于移位窗口的多头自注意层对所述第三归一化特征进行自所述第二多层感知器层对所述第四归一化特征进行的每个像素的通道数据执行线性5[0013]本申请实施例提供的前庭错觉训练类型校验方法，获取6[0017]本申请实施例提供的前庭错觉训练类型校验方法，对运动参数进行图像转换处[0018]在一种可选的实施方式中，运动参数包括头部运动参数序列和身体运动参数序生成头部运动参数序列对应的头部相空间。根据头部相空间中包括各头部向量之间的距7[0044]预设类型识别模型对目标彩色图像进行特征识别以及特征提取，基于提取的特8[0051]Softmax层对全连接层输出的输出类别转化为概率分布，并基于概率分布确定目第二多层感知器层；SwinTransformer层对各目标彩色图像块对应的特征信息进行融合，[0061]第二多层感知器层对第四归一化特征进行的每个像素的设类型识别模型的学习能力和泛化性能。第二归一化层对第一注意力特征进行归一化处9步提升预设类型识别模型的特征表示能力。第四归一化层对第二注意力特征归一化处理，[0066]图3是根据本发明实施例的对运动参数进行转换生成目标彩色图像的流程示意[0068]图5是根据本发明实施例的对目标彩色图像进行识别，确定目标前庭错觉识别类是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，[0073]在本实施例中提供了一种前庭错觉训练类型校验方法，指预设人员在绕身体zb轴保持匀速顺时针旋转的过程中，此时如果突然同时绕身体xb轴旋向转向转速持续时间开始转动时刻轴向转向转速持续时间）}。,DCIGN)，生成式对抗网络(Generativeadversarialnetworks,GAN)(Recurrentneuralnetworks,RNN)、长短时记忆网络(Long/shorttermmemory,LSTM)、深度残差网络(Deepresidualnetworks,DRN)以及极限学习机(Extremelearningmachines,ELM)中的任意一种。本申请实施例对预设类型识别模型不进行限[0097]本申请实施例提供的前庭错觉训练类型校验方法，获取[0098]在本实施例中提供了一种前庭错觉训练类型校验方法，确定zb轴正方向为向下。M=N-(p-1)r是相空间中相点的数量。通过适[0126]具体地过程如下：首先把时间序列A拆分成τ个互不相交的子序列，长度均为定搜索半径r的可能性。距离是指通过两点之间矢量之差的无穷范数来衡量的高维空间中量s(p,N,r,r)一般不为零。检测统计量s(p,N,r,r)反映了各个子时间序列的自相关特性，是某个函数的第一个零点，要么是在所有半径r中相互差别最小[0136]AS(p,N,r,r)=max(s(p,N,r,r))-min(s(p,N,r,r))（6）差程度。所以局部最大时间t应该为s(p,N,r,r)的零点和AS(p,N,r,r)的最小值，最优延迟时间ta对应着这些局部最大时间t中的第一个。头部在Y轴线加速度灰度图像、头部在Z轴线加速度灰度图像、头部在X轴角加速度灰度图之间的自相关特性，保证了计算得到的头部运动参数子序列之间的自相关特性的准确性。[0189]在本实施例中提供了一种前庭错觉训练类型校验方法，一化层（layernormalization，LN）和窗口多头自注意层（windowmulti_headself_知器层（themulti_layerperceptron，MLP第三阶段包括第三归一化层（layer[0210]步骤c23，第二归一化层对第一注意力特征进行归一化处理，生成第二归一化特[0211]步骤c24，第一多层感知器层对第二归一化特征的每个像素的通道数据执行线性[0215]步骤c28，第二多层感知器层对第四归一化特征进行的每个像素的通道数据执行[0219]在第三阶段过程中，第三归一化层对多维度特征计算每个样本特征的均值和方化特征。第二多层感知器层对第四归一化特征进行的每个像素的通道数据执行线性变换，[0234]Multihead(u,J,z)=contact(head,,…,head)wo（20）