本發(fā)明涉及前庭錯(cuò)覺訓(xùn)練，具體涉及前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法。

背景技術(shù)：

1、空間定向障礙是幾乎所有飛行員在飛行過程中都曾遭遇過的問題之一。其中，前庭性錯(cuò)覺是由人體前庭系統(tǒng)的生理局限性所導(dǎo)致的，也是飛行員難以應(yīng)對的空間定向障礙類型之一。

2、現(xiàn)有的前庭錯(cuò)覺訓(xùn)練，通常是基于歷史訓(xùn)練數(shù)據(jù)或者歷史經(jīng)驗(yàn)，生成各個(gè)前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)。但是，生成的前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)并不準(zhǔn)確，從而可能導(dǎo)致在對預(yù)設(shè)人員進(jìn)行不同的前庭錯(cuò)覺類型訓(xùn)練時(shí)，生成的結(jié)果不準(zhǔn)確。

3、因此，如何提高前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)的準(zhǔn)確性，進(jìn)而提高前庭錯(cuò)覺類型訓(xùn)練的準(zhǔn)確性，成為了亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，以解決如何提高前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)的準(zhǔn)確性，進(jìn)而提高前庭錯(cuò)覺類型訓(xùn)練的準(zhǔn)確性的問題。

2、第一方面，本發(fā)明提供了一種前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，所述方法包括：

3、獲取預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型，以及預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)；

4、基于訓(xùn)練數(shù)據(jù)對預(yù)設(shè)人員進(jìn)行前庭錯(cuò)覺類型訓(xùn)練，并獲取預(yù)設(shè)人員對應(yīng)的運(yùn)動參數(shù)；

5、對運(yùn)動參數(shù)進(jìn)行數(shù)據(jù)處理，生成目標(biāo)數(shù)據(jù)；

6、基于預(yù)設(shè)類型識別模型，對目標(biāo)數(shù)據(jù)進(jìn)行識別，確定目標(biāo)數(shù)據(jù)對應(yīng)的目標(biāo)前庭錯(cuò)覺識別類型；

7、將目標(biāo)前庭錯(cuò)覺識別類型與預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型進(jìn)行對比；

8、根據(jù)對比結(jié)果，對訓(xùn)練數(shù)據(jù)進(jìn)行校驗(yàn)。

9、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，獲取預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型，以及預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)；基于訓(xùn)練數(shù)據(jù)對預(yù)設(shè)人員進(jìn)行前庭錯(cuò)覺類型訓(xùn)練，并獲取預(yù)設(shè)人員對應(yīng)的運(yùn)動參數(shù)，從而可以保證獲取到的運(yùn)動參數(shù)的準(zhǔn)確性。對運(yùn)動參數(shù)進(jìn)行數(shù)據(jù)處理，生成目標(biāo)數(shù)據(jù)，保證了生成的目標(biāo)數(shù)據(jù)的準(zhǔn)確性。基于預(yù)設(shè)類型識別模型，對目標(biāo)數(shù)據(jù)進(jìn)行識別，確定目標(biāo)數(shù)據(jù)對應(yīng)的目標(biāo)前庭錯(cuò)覺識別類型，保證了確定的目標(biāo)數(shù)據(jù)對應(yīng)的目標(biāo)前庭錯(cuò)覺識別類型的準(zhǔn)確性。將目標(biāo)前庭錯(cuò)覺識別類型與預(yù)設(shè)前庭錯(cuò)覺訓(xùn)練類型進(jìn)行對比，保證了生成的對比結(jié)果的準(zhǔn)確性。根據(jù)對比結(jié)果，對訓(xùn)練數(shù)據(jù)進(jìn)行校驗(yàn)，保證了對訓(xùn)練數(shù)據(jù)進(jìn)行校驗(yàn)的準(zhǔn)確性。從而可以保證前庭錯(cuò)覺訓(xùn)練類型對應(yīng)的訓(xùn)練數(shù)據(jù)的準(zhǔn)確性，進(jìn)而可以提高前庭錯(cuò)覺類型訓(xùn)練的準(zhǔn)確性。

10、在一種可選的實(shí)施方式中，目標(biāo)數(shù)據(jù)為目標(biāo)彩色圖像；對運(yùn)動參數(shù)進(jìn)行數(shù)據(jù)處理，生成目標(biāo)數(shù)據(jù)，包括：

11、對運(yùn)動參數(shù)進(jìn)行圖像轉(zhuǎn)換處理，生成運(yùn)動參數(shù)對應(yīng)的灰度圖像；

12、基于灰度圖像，生成目標(biāo)彩色圖像。

13、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，對運(yùn)動參數(shù)進(jìn)行圖像轉(zhuǎn)換處理，生成運(yùn)動參數(shù)對應(yīng)的灰度圖像，保證了生成的運(yùn)動參數(shù)對應(yīng)的灰度圖像的準(zhǔn)確性。基于灰度圖像，生成目標(biāo)彩色圖像，保證了生成的目標(biāo)彩色圖像的準(zhǔn)確性，從而可以保證基于預(yù)設(shè)類型識別模型，對目標(biāo)彩色圖像進(jìn)行識別，確定的目標(biāo)彩色圖像對應(yīng)的目標(biāo)前庭錯(cuò)覺識別類型的準(zhǔn)確性。

14、在一種可選的實(shí)施方式中，運(yùn)動參數(shù)包括頭部運(yùn)動參數(shù)序列和身體運(yùn)動參數(shù)序列，灰度圖像包括頭部灰度圖像和身體灰度圖像；對運(yùn)動參數(shù)進(jìn)行圖像轉(zhuǎn)換處理，生成運(yùn)動參數(shù)對應(yīng)的灰度圖像，包括：

15、對頭部運(yùn)動參數(shù)序列進(jìn)行數(shù)據(jù)轉(zhuǎn)換，生成頭部灰度圖像；

16、對身體運(yùn)動參數(shù)序列進(jìn)行數(shù)據(jù)轉(zhuǎn)換，生成身體灰度圖像。

17、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，對頭部運(yùn)動參數(shù)序列進(jìn)行數(shù)據(jù)轉(zhuǎn)換，生成頭部灰度圖像，保證了生成的頭部灰度圖像的準(zhǔn)確性。對身體運(yùn)動參數(shù)序列進(jìn)行數(shù)據(jù)轉(zhuǎn)換，生成身體灰度圖像，保證了生成的身體灰度圖像的準(zhǔn)確性。

18、在一種可選的實(shí)施方式中，對頭部運(yùn)動參數(shù)序列進(jìn)行數(shù)據(jù)轉(zhuǎn)換，生成頭部灰度圖像，包括：

19、對頭部運(yùn)動參數(shù)進(jìn)行拆分，生成多個(gè)互不相交的頭部運(yùn)動參數(shù)子序列；

20、根據(jù)各頭部運(yùn)動參數(shù)子序列之間的關(guān)系，計(jì)算各頭部運(yùn)動參數(shù)子序列之間的關(guān)聯(lián)積分；

21、根據(jù)各頭部運(yùn)動參數(shù)子序列之間的關(guān)聯(lián)積分，計(jì)算各頭部運(yùn)動參數(shù)子序列之間的自相關(guān)特性；

22、根據(jù)各頭部運(yùn)動參數(shù)子序列之間的自相關(guān)特性，確定頭部運(yùn)動參數(shù)序列對應(yīng)的延遲時(shí)間和嵌入維數(shù)；

23、基于延遲時(shí)間和嵌入維數(shù)，生成頭部運(yùn)動參數(shù)序列對應(yīng)的頭部相空間；

24、根據(jù)頭部相空間中包括各頭部向量之間的距離，生成頭部灰度圖像。

25、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，保證了計(jì)算得到的頭部運(yùn)動參數(shù)子序列之間的關(guān)聯(lián)積分以及自相關(guān)特性的準(zhǔn)確性。根據(jù)各頭部運(yùn)動參數(shù)子序列之間的自相關(guān)特性，確定頭部運(yùn)動參數(shù)序列對應(yīng)的延遲時(shí)間和嵌入維數(shù)?；谘舆t時(shí)間和嵌入維數(shù)，生成頭部運(yùn)動參數(shù)序列對應(yīng)的頭部相空間。根據(jù)頭部相空間中包括各頭部向量之間的距離，生成頭部灰度圖像，保證了生成的頭部灰度圖像的準(zhǔn)確性。

26、在一種可選的實(shí)施方式中，頭部運(yùn)動參數(shù)序列分別包括頭部在x、y、z軸的線加速度運(yùn)動參數(shù)序列以及頭部在x、y、z軸的角加速度運(yùn)動參數(shù)序列；頭部灰度圖像包括頭部在x軸線加速度灰度圖像、頭部在y軸線加速度灰度圖像、頭部在z軸線加速度灰度圖像、頭部在x軸角加速度灰度圖像、頭部在y軸角加速度灰度圖像、頭部在z軸角加速度灰度圖像。

27、在一種可選的實(shí)施方式中，灰度圖像包括頭部灰度圖像和身體灰度圖像，基于灰度圖像，生成目標(biāo)彩色圖像，包括：

28、基于頭部灰度圖像，生成頭部彩色圖像；

29、基于身體灰度圖像，生成身體彩色圖像；

30、將頭部彩色圖像和身體彩色圖像進(jìn)行拼接，生成目標(biāo)彩色圖像。

31、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，基于頭部灰度圖像，生成頭部彩色圖像，保證了生成的頭部彩色圖像的準(zhǔn)確性?；谏眢w灰度圖像，生成身體彩色圖像，保證了生成的身體彩色圖像的準(zhǔn)確性。將頭部彩色圖像和身體彩色圖像進(jìn)行拼接，生成目標(biāo)彩色圖像，保證了生成的目標(biāo)彩色圖像的準(zhǔn)確性。

32、在一種可選的實(shí)施方式中，頭部灰度圖像包括頭部在x軸線加速度灰度圖像、頭部在y軸線加速度灰度圖像、頭部在z軸線加速度灰度圖像、頭部在x軸角加速度灰度圖像、頭部在y軸角加速度灰度圖像、頭部在z軸角加速度灰度圖像，頭部彩色圖像包括頭部線加速度彩色圖像和頭部角加速度彩色圖像；基于頭部灰度圖像，生成頭部彩色圖像，包括：

33、從頭部在x軸線加速度灰度圖像、頭部在y軸線加速度灰度圖像、頭部在z軸線加速度灰度圖像中確定第一紅色通道，從除第一紅色通道之外的兩張灰度圖像中確定第一綠色通道，將最后一個(gè)灰度圖像確定為第一藍(lán)色通道；

34、根據(jù)確定的第一紅色通道、第一綠色通道和第一藍(lán)色通道，生成頭部線加速度彩色圖像；

35、從頭部在x軸角加速度灰度圖像、頭部在y軸角加速度灰度圖像、頭部在z軸角加速度灰度圖像中確定第二紅色通道，從除第二紅色通道之外的兩張灰度圖像中確定第二綠色通道，將最后一個(gè)灰度圖像確定為第二藍(lán)色通道；

36、根據(jù)確定的第二紅色通道、第二綠色通道和第二藍(lán)色通道，生成頭部角加速度彩色圖像。

37、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，保證了生成的頭部線加速度彩色圖像可以表征頭部在x、y、z軸的線加速度運(yùn)動參數(shù)序列。保證了生成的頭部角加速度彩色圖像可以表征頭部在x、y、z軸的角加速度運(yùn)動參數(shù)序列。

38、在一種可選的實(shí)施方式中，基于預(yù)設(shè)類型識別模型，對目標(biāo)數(shù)據(jù)進(jìn)行識別，確定目標(biāo)數(shù)據(jù)對應(yīng)的目標(biāo)前庭錯(cuò)覺識別類型，包括：

39、將目標(biāo)彩色圖像輸入至預(yù)設(shè)類型識別模型；

40、預(yù)設(shè)類型識別模型對目標(biāo)彩色圖像進(jìn)行特征識別以及特征提取，基于提取的特征，輸出目標(biāo)前庭錯(cuò)覺識別類型。

41、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，將目標(biāo)彩色圖像輸入至預(yù)設(shè)類型識別模型；預(yù)設(shè)類型識別模型對目標(biāo)彩色圖像進(jìn)行特征識別以及特征提取，基于提取的特征，輸出目標(biāo)前庭錯(cuò)覺識別類型，保證了輸出的目標(biāo)前庭錯(cuò)覺識別類型的準(zhǔn)確性。

42、在一種可選的實(shí)施方式中，預(yù)設(shè)類型識別模型包括劃分層、swin?transformer層、池化層、全連接層和softmax層，預(yù)設(shè)類型識別模型對目標(biāo)彩色圖像進(jìn)行特征識別以及特征提取，基于提取的特征，輸出目標(biāo)前庭錯(cuò)覺識別類型，包括：

43、劃分層對目標(biāo)彩色圖像進(jìn)行劃分，生成多個(gè)目標(biāo)彩色圖像塊，并生成各目標(biāo)彩色圖像塊對應(yīng)的標(biāo)記信息；

44、swin?transformer層對各目標(biāo)彩色圖像塊對應(yīng)的特征信息進(jìn)行融合，生成融合特征，并對融合特征中的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成多維度特征；對多維度特征進(jìn)行特征提取，生成目標(biāo)特征；

45、池化層對目標(biāo)特征進(jìn)行壓縮，并進(jìn)行提取，生成局部特征；

46、全連接層對局部特征整合，生成全局特征，并將全局特征映射到輸出類別；

47、softmax層對全連接層輸出的輸出類別轉(zhuǎn)化為概率分布，并基于概率分布確定目標(biāo)前庭錯(cuò)覺識別類型。

48、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，劃分層對目標(biāo)彩色圖像進(jìn)行劃分，生成多個(gè)目標(biāo)彩色圖像塊，并生成各目標(biāo)彩色圖像塊對應(yīng)的標(biāo)記信息；swintransformer層對各目標(biāo)彩色圖像塊對應(yīng)的特征信息進(jìn)行融合，生成融合特征，并對融合特征中的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成多維度特征；對多維度特征進(jìn)行特征提取，生成目標(biāo)特征，保證了生成的目標(biāo)特征的準(zhǔn)確性。池化層對目標(biāo)特征進(jìn)行壓縮，并進(jìn)行提取，生成局部特征，保證了生成的局部特征的準(zhǔn)確性。全連接層對局部特征整合，生成全局特征，并將全局特征映射到輸出類別；softmax層對全連接層輸出的輸出類別轉(zhuǎn)化為概率分布，并基于概率分布確定目標(biāo)前庭錯(cuò)覺識別類型，保證了確定的目標(biāo)前庭錯(cuò)覺識別類型的準(zhǔn)確性。

49、在一種可選的實(shí)施方式中，swin?transformer層中包括四個(gè)階段，第一階段包括第一歸一化層和窗口多頭自注意層，第二階段包括第二歸一化層和第一多層感知器層，第三階段包括第三歸一化層和基于移位窗口的多頭自注意層，第四階段包括第四歸一化層和第二多層感知器層；swin?transformer層對各目標(biāo)彩色圖像塊對應(yīng)的特征信息進(jìn)行融合，生成融合特征，并對融合特征中的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成多維度特征；對多維度特征進(jìn)行特征提取，生成目標(biāo)特征，包括：

50、第一歸一化層對融合特征進(jìn)行歸一化處理，生成第一歸一化特征；

51、窗口多頭自注意層對第一歸一化特征進(jìn)行自注意力計(jì)算，并進(jìn)行殘差計(jì)算，生成第一注意力特征；

52、第二歸一化層對第一注意力特征進(jìn)行歸一化處理，生成第二歸一化特征；

53、第一多層感知器層對第二歸一化特征的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成多維度特征；

54、第三歸一化層對多維度特征進(jìn)行歸一化處理，生成第三歸一化特征；

55、基于移位窗口的多頭自注意層對第三歸一化特征進(jìn)行自注意力計(jì)算，生成第二注意力特征；

56、第四歸一化層對第二注意力特征歸一化處理，生成第四歸一化特征；

57、第二多層感知器層對第四歸一化特征進(jìn)行的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成目標(biāo)特征。

58、本技術(shù)實(shí)施例提供的前庭錯(cuò)覺訓(xùn)練類型校驗(yàn)方法，第一歸一化層對融合特征進(jìn)行歸一化處理，生成第一歸一化特征，使得預(yù)設(shè)類型識別模型對輸入的尺度變化具有更強(qiáng)的魯棒性。窗口多頭自注意層對第一歸一化特征進(jìn)行自注意力計(jì)算，并進(jìn)行殘差計(jì)算，生成第一注意力特征，從而可以實(shí)現(xiàn)利用多頭機(jī)制，可以同時(shí)關(guān)注多個(gè)不同的表示子空間，提高預(yù)設(shè)類型識別模型的學(xué)習(xí)能力和泛化性能。第二歸一化層對第一注意力特征進(jìn)行歸一化處理，生成第二歸一化特征；第一多層感知器層對第二歸一化特征的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成多維度特征，增加了預(yù)設(shè)類型識別模型的表達(dá)能力。第三歸一化層對多維度特征進(jìn)行歸一化處理，生成第三歸一化特征；基于移位窗口的多頭自注意層對第三歸一化特征進(jìn)行自注意力計(jì)算，生成第二注意力特征，有助于更好地建模長距離依賴關(guān)系，進(jìn)一步提升預(yù)設(shè)類型識別模型的特征表示能力。第四歸一化層對第二注意力特征歸一化處理，生成第四歸一化特征；第二多層感知器層對第四歸一化特征進(jìn)行的每個(gè)像素的通道數(shù)據(jù)執(zhí)行線性變換，生成目標(biāo)特征，保證了生成的目標(biāo)特征的準(zhǔn)確性。