首页  专利技术  医药医疗技术的改进;医疗器械制造及应用技术

基于虚拟仿真实训模拟系统的数据处理方法及系统与流程

437次浏览
基于虚拟仿真实训模拟系统的数据处理方法及系统与流程

本技术涉及数据智能处理领域,且更为具体地,涉及一种基于虚拟仿真实训模拟系统的数据处理方法及系统。


背景技术:

1、随着全球人口老龄化的加剧,对老年人健康状况的关注日益增加,特别是他们的运动能力和活动能力。监测评估老年人的运动状态和能力对于维护和提升他们的生活质量至关重要,这一过程可以及时发现潜在的健康问题,以采取适当的预防或干预措施来助于老年人享有更健康、更积极的晚年生活。

2、然而,实际运动测试可能使老年人面临受伤的风险,特别是在评估高强度或复杂运动时,并且传统评估可能需要专业的设备和人工监督,这在资源有限的情况下成本较高,评估的准确性准也会受到一定的限制。

3、因此,期望一种基于虚拟仿真实训模拟系统的数据处理方法。


技术实现思路

1、为了解决上述技术问题,提出了本技术。本技术的实施例提供了一种基于虚拟仿真实训模拟系统的数据处理方法及系统,其通过获取老年人运动状态监控视频,且计算所述老年人运动状态监控视频的方向光流直方图,并采用基于深度学习的图像分析和处理技术对所述方向光流直方图进行特征提取和语义分析,以此根据所述方向光流直方图在浅层的特征和深层的语义的多尺度融合特征来自动地来评估所述老年人的运动能力等级,并基于所述运动能力评估结果和所述老年人对象的真实运动能力等级标签来进行训练。通过这样的方式,可以实现对虚拟仿真实训模拟系统的数据智能化处理,从而更精确地捕捉老年人运动的动态特征,为评估提供准确的数据支持,提高评估的准确性和安全性。

2、根据本技术的一方面,提供了一种基于虚拟仿真实训模拟系统的数据处理方法,其包括:

3、获取老年人运动状态监控视频;

4、计算所述老年人运动状态监控视频的方向光流直方图;

5、使用所述基于深度神经网络的运动状态特征提取器对所述方向光流直方图分别进行运动状态多尺度特征提取以得到运动特征浅层表示图和运动特征语义表示图;

6、将所述运动特征语义表示图输入门控筛选自适应注意力模块以得到显著运动特征语义表示图;

7、将所述运动特征浅层表示图和所述显著运动特征语义表示图输入信息损失-补偿网络以得到老年人运动状态多尺度融合表示图作为老年人运动状态多尺度融合表示特征;

8、将所述老年人运动状态多尺度融合表示特征通过运动能力评估器以得到运动能力评估结果;

9、以所述运动能力评估结果和所述老年人对象的真实运动能力等级标签之间的交叉熵损失函数值作为损失函数值,对所述基于深度神经网络的运动状态特征提取器、所述门控筛选自适应注意力模块、所述信息损失-补偿网络和所述运动能力评估器进行训练。

10、在上述基于虚拟仿真实训模拟系统的数据处理方法中,所述基于深度神经网络的运动状态特征提取器为基于空洞金字塔网络的运动状态特征提取器。

11、在上述基于虚拟仿真实训模拟系统的数据处理方法中,将所述运动特征语义表示图输入门控筛选自适应注意力模块以得到显著运动特征语义表示图,包括:对所述运动特征语义表示图沿通道维度的各个特征矩阵分别进行多种方式池化处理以得到全局最大值运动特征语义池化特征向量、全局均值运动特征语义池化特征向量和全局随机值运动特征语义池化特征向量;将所述全局最大值运动特征语义池化特征向量、所述全局均值运动特征语义池化特征向量和所述全局随机值运动特征语义池化特征向量分别与相应的调整参数进行按位置相乘以得到加权全局最大值运动特征语义池化特征向量、加权全局均值运动特征语义池化特征向量和加权全局随机值运动特征语义池化特征向量;将所述加权全局最大值运动特征语义池化特征向量、所述加权全局均值运动特征语义池化特征向量和所述加权全局随机值运动特征语义池化特征向量进行按位置相加以得到全局运动特征语义表示向量;对所述全局运动特征语义表示向量进行基于全连接层的逐通道语义特征交互和特征激活以得到通道运动特征语义特征向量;响应于所述通道运动特征语义特征向量中的各个位置特征值大于或等于预定阈值,该位置特征值取原值,否则为零,以得到门控筛选通道运动特征语义特征向量;对所述门控筛选通道运动特征语义特征向量进行归一化处理以得到门控筛选通道运动特征语义权重特征向量;以及,以所述门控筛选通道运动特征语义权重特征向量作为权重特征向量,计算其与所述运动特征语义表示图的逐通道乘积以得到所述显著运动特征语义表示图。

12、在上述基于虚拟仿真实训模拟系统的数据处理方法中,对所述运动特征语义表示图沿通道维度的各个特征矩阵分别进行多种方式池化处理以得到全局最大值运动特征语义池化特征向量、全局均值运动特征语义池化特征向量和全局随机值运动特征语义池化特征向量,包括:对所述运动特征语义表示图沿通道维度的各个特征矩阵分别进行基于最大值的全局池化处理、基于平均值的全局池化处理和基于随机值的全局池化处理以得到所述全局最大值运动特征语义池化特征向量、所述全局均值运动特征语义池化特征向量和所述全局随机值运动特征语义池化特征向量。

13、在上述基于虚拟仿真实训模拟系统的数据处理方法中,对所述全局运动特征语义表示向量进行基于全连接层的逐通道语义特征交互和特征激活以得到通道运动特征语义特征向量,包括:计算所述全局运动特征语义表示向量和权重矩阵的矩阵乘法后再与偏置向量进行向量相加以得到偏置调整全局运动特征语义表示向量;以及,将所述偏置调整全局运动特征语义表示向量通过sigmoid激活函数进行激活处理以得到所述通道运动特征语义特征向量。

14、在上述基于虚拟仿真实训模拟系统的数据处理方法中,将所述运动特征浅层表示图和所述显著运动特征语义表示图输入信息损失-补偿网络以得到老年人运动状态多尺度融合表示图作为老年人运动状态多尺度融合表示特征,包括:计算所述运动特征浅层表示图和所述显著运动特征语义表示图之间的补偿损失信息以得到运动状态信息损失补偿特征图;以及,基于所述运动状态信息损失补偿特征图对所述运动特征浅层表示图进行补偿以得到所述老年人运动状态多尺度融合表示图。

15、在上述基于虚拟仿真实训模拟系统的数据处理方法中,计算所述运动特征浅层表示图和所述显著运动特征语义表示图之间的补偿损失信息以得到运动状态信息损失补偿特征图,包括:对所述运动特征浅层表示图进行下采样处理以得到下采样运动特征浅层表示图;将所述下采样运动特征浅层表示图进行点卷积后得到的特征图与所述显著运动特征语义表示图进行按位置相减以得到运动状态差异特征图;将所述运动状态差异特征图输入tanh函数以得到激活运动状态差异特征图;以及,对所述激活运动状态差异特征图进行上采样处理以得到所述运动状态信息损失补偿特征图。

16、在上述基于虚拟仿真实训模拟系统的数据处理方法中,基于所述运动状态信息损失补偿特征图对所述运动特征浅层表示图进行补偿以得到所述老年人运动状态多尺度融合表示图,包括:计算所述运动特征浅层表示图与第一可训练超参数的按位置乘积后,将得到的加权运动特征浅层表示图与所述运动状态信息损失补偿特征图进行按位置点乘以得到第一补偿运动状态特征图;计算所述显著运动特征语义表示图与第二可训练超参数的按位置乘积以得到第二补偿运动状态特征图;以及,将所述第一补偿运动状态特征图和所述第二补偿运动状态特征图进行按位置相加以得到所述老年人运动状态多尺度融合表示图。

17、在上述基于虚拟仿真实训模拟系统的数据处理方法中,将所述老年人运动状态多尺度融合表示特征通过运动能力评估器以得到运动能力评估结果,包括:将所述老年人运动状态多尺度融合表示图通过基于分类器的运动能力评估器以得到运动能力评估结果,所述运动能力评估结果用于表示运动能力等级标签。

18、根据本技术的另一方面,提供了一种基于虚拟仿真实训模拟系统的数据处理系统,其包括:

19、运动状态监控视频获取模块,用于获取老年人运动状态监控视频;

20、方向光流直方图计算模块,用于计算所述老年人运动状态监控视频的方向光流直方图;

21、运动状态多尺度特征提取模块,用于使用所述基于深度神经网络的运动状态特征提取器对所述方向光流直方图分别进行运动状态多尺度特征提取以得到运动特征浅层表示图和运动特征语义表示图;

22、显著运动特征提取模块,用于将所述运动特征语义表示图输入门控筛选自适应注意力模块以得到显著运动特征语义表示图;

23、多尺度特征融合模块,用于将所述运动特征浅层表示图和所述显著运动特征语义表示图输入信息损失-补偿网络以得到老年人运动状态多尺度融合表示图作为老年人运动状态多尺度融合表示特征;

24、运动能力评估结果生成模块,用于将所述老年人运动状态多尺度融合表示特征通过运动能力评估器以得到运动能力评估结果;

25、训练模块,用于以所述运动能力评估结果和所述老年人对象的真实运动能力等级标签之间的交叉熵损失函数值作为损失函数值,对所述基于深度神经网络的运动状态特征提取器、所述门控筛选自适应注意力模块、所述信息损失-补偿网络和所述运动能力评估器进行训练。

26、本技术至少具有如下技术效果:与现有技术相比,本技术提供的基于虚拟仿真实训模拟系统的数据处理方法及系统,其通过获取老年人运动状态监控视频,且计算所述老年人运动状态监控视频的方向光流直方图,并采用基于深度学习的图像分析和处理技术对所述方向光流直方图进行特征提取和语义分析,以此根据所述方向光流直方图在浅层的特征和深层的语义的多尺度融合特征来自动地来评估所述老年人的运动能力等级,并基于所述运动能力评估结果和所述老年人对象的真实运动能力等级标签来进行训练。通过这样的方式,可以实现对虚拟仿真实训模拟系统的数据智能化处理,从而更精确地捕捉老年人运动的动态特征,为评估提供准确的数据支持,提高评估的准确性和安全性。

文档序号 : 【 39999400 】

技术研发人员:李霞梅,田正大
技术所有人:北京天猿科技有限公司

备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
李霞梅田正大北京天猿科技有限公司
草乌在制备抗癫痫药物中的应用及作用机制分析方法 基于胸部CT影像的多模态人工智能辅助肺炎鉴别诊断系统及终端
相关内容