1.本发明涉及情景仿真训练技术领域,具体涉及抗眩晕训练平台及方法。
背景技术:
2.公布号为cn115741646a的现有发明专利申请文献《具备360度转向基座的通用仿真装备六自由度运动平台》,该平台包括360度转向基座(1)、多个电动缸(3)和六自由度运动平台(2),多个所述电动缸(3)分组设置在360度转向基座(1)和六自由度运动平台(2)之间,且每组电动缸(3)的两端分别与360度转向基座(1)和六自由度运动平台(2)铰接,360度转向基座(1)中还设置有用于气、液和电传输的传输机构。前述现有技术未充分分析受训者的心理生理参数,其考虑参数不够全面,导致训练效果受到制约。以及公布号为cn114768184a的现有发明专利申请文献《一种基于海洋抗眩晕运动平台的训练方法》,该方法应用海洋抗眩晕运动平台、上位机、姿态角度传感器、风速风向传感器和信息输出单元,海洋抗眩晕运动平台布置于海面,姿态角度传感器布置于海洋抗眩晕运动平台上,风速风向传感器布置于海洋抗眩晕运动平台所处环境中,上位机分别电性连接姿态角度传感器、风速风向传感器和信息输出单元;所述方法包括如下步骤:训练人员在海洋抗眩晕运动平台上按照设定的训练方式进行前庭习服训练;在训练过程中,由姿态角度传感器实时采集海洋抗眩晕运动平台的三维运动姿态信息并将三维运动姿态信息上传至上位机,由风速风向传感器实时采集海洋抗眩晕运动平台所处环境的风速及风向信息并将风速及风向信息上传至上位机,上位机将三维运动姿态信息、风速及风向信息传递至信息输出单元,或利用上位机将三维运动姿态信息、风速及风向信息换算为训练强度信息并将训练强度信息传递至信息输出单元。前述现有技术未考虑受训者的心理生理因素,无法分析受训者的心理生理等指标,无法精准地根据受训者心理心理状态调节眩晕训练设备,同时该现有技术的设备集成度较低,导致训练精度较低且设备成本较高。
3.综上,现有技术存在训练效果差、训练成本高的技术问题。
技术实现要素:
4.本发明所要解决的技术问题在于如何解决现有技术中训练效果差、训练成本高的技术问题。
5.本发明是采用以下技术方案解决上述技术问题的:抗眩晕训练平台包括:
6.数据采集与分析模块,用于以非入侵式方式,采集并分析得到受训人员传感数据,标准化处理受训人员传感数据,以得到训练数据;发送训练数据至集中控制管理模块,供训练效果评估及训练内容调整操作;采集获取参训人员的头部运动参数,以生成姿态数据,发送姿态数据至视景仿真模块,将训练数据中的生理数据,传输至ai评估与智能干预模块;
7.ai评估与智能干预模块,用以根据生理数据,处理得到干预指令,据以进行眩晕度定量评估,根据干预指令进行ai智能干预操作,据以生成多样式训练报表,ai评估与智能干预模块与数据采集与分析模块连接;
8.集中控制管理模块,用以根据受训人员的受训信息,控制信息管理及登录,根据受训信息生成场景参数,发送场景参数至视景仿真模块,根据训练数据训练ai评估模型,以得到适用ai评估模型,根据多样式训练报表生成具体训练策略,根据适用ai评估模型及具体训练策略,对受训人员进行个性化训练,集中控制管理模块与数据采集与分析模块连接;
9.视景仿真模块,用以根据场景参数进行计算机图形渲染,以得到渲染数据,根据渲染数据进行流体力学仿真,以得到舰船姿态数据,根据渲染数据以及舰船姿态数据,进行vr交互操作,以对舰船海面航行视景进行仿真,接收并根据姿态数据,生成姿态指令,发送姿态指令至并联机器人伺服模块,视景仿真模块与集中控制管理模块及数据采集与分析模块连接;
10.并联机器人伺服控制模块,用以接收并根据姿态指令,生成伺服电机控制信号,以控制预置伺服电机的输出转速及转角,据以控制并联机器人六自由度平台动作,以模拟海面和船舶颠簸运动,并联机器人伺服控制模块与视景仿真模块连接。
11.本发明利用视景仿真模块、并联机器人伺服模块、数据采集与分析模块、集中控制管理模块以及ai评估与智能干预模块中的信息采集、数据处理及交互,将动作、表情与眼动捕捉设备、生理监测设备、压力分析设备、六自由度并联机器人、裸眼三维显示屏等设备集成为一体,通过集中控制管理后台进行统一调度与管理,形成一套集测试、评估、反馈一体的闭环训练平台,对于实战化环境打造、实战化训练与考核、实现低成本、高频次、可控、可重复、规模化适应性抗眩晕操演训练与定量评估,营造实战化训练环境,有利于提高基于实战的训练水平。
12.在更具体的技术方案中,数据采集与分析模块包括:
13.传感器单元,用以采集受训人员传感数据,其中,受训人员传感数据包括:经皮电活动数据(electroder-mal activity,eda)、重力感应数据、重心数据、头部姿态数据、身体姿态数据、呼吸数据、体温数据、胃电数据(electrogastrogram,egg)、脑电及心电数据(electrocardiogram,ecg);
14.传感数据分析单元,用以处理经皮电活动数据eda、呼吸数据、体温数据、胃电数据egg、脑电及心电数据ecg,据以得到受训体感数据;
15.姿态分析单元,用以根据重力感应数据、重心数据、头部姿态数据以及身体姿态数据,分析处理得到受训人员姿态数据;
16.标准化处理单元,用以标准化处理受训体感数据以及受训人员姿态数据,以得到训练数据。
17.本发明通过实时评估与智能干预,根据受训人员的特定状态,定量分析受训人员的行为动作数据、表情数据、眼动数据、生理数据、重心压力分布数据并个性化智能调整训练内容,更加高效、精准提高训练效果。
18.在更具体的技术方案中,数据采集与分析模块中,利用预置传感器及检测设备,对受训人员进行非入侵式采集,以得到受训人员传感数据,通过串口通信,将受训人员传感数据传输至数据采集与分析模块。
19.在更具体的技术方案中,集中控制管理模块中的模型包括:海貌模型以及舰艇模型。
20.在更具体的技术方案中,集中控制管理模块包括:根据预置的海貌模型以及舰艇
模型及训练数据,训练获取适用ai评估模型,并自定义海况等级,以针对不同的受训人员,生成具体训练策略。
21.本发明中,根据受训人员初次使用时录入个人信息,以及传感采集信息。组训人员通过集中控制管理模块选择海貌、舰艇模型及自定义海况等级,针对不同受训人员生成特定的训练内容,组织个性化训练。利用模拟设备代替实际出海进行模拟训练,既可在保证受训人员人身安全的情况下,按照培训要求,选择不同难度的航行训练条件,进行多次重复训练,提高训练安全系数及受训人员心理、生理体验。
22.在更具体的技术方案中,集中控制管理模块利用预置表格,对受训人员的运动病易感性mssq、快速晕动病等级fms以及模拟器病参数ssq进行评分,以得到模型训练参数,据以训练ai评估模型,其中,ai评估模型包括但不限于:随机森林、支持向量机以及k近邻的机器学习模型。
23.在更具体的技术方案中,利用支持向量机训练ai评估模型的操作,包括:
24.s341、利用支持向量机,对受训人员的晕动家族史数据进行划分操作,得到晕动家族史分类数据;
25.s342、选取适用核函数,将晕动家族史分类数据映射到预置高维空间;
26.s343、利用svm算法在预置高维空间中寻找超平面,以使得晕动家族史分类数据不同类别之间的距离最大化,据以得到决策边界;
27.s344、利用决策边界,将存在晕动家族史和没有家族史的受训人员分开,据以构建适用的ai评估模型。
28.在更具体的技术方案中,利用随机森林训练ai评估模型的操作,包括:
29.s341’、根据晕动人群危险因素建立数据集,通过有放回抽样,得到等量的晕动样本;
30.s342’、随机选取晕动样本的部分指标进行训练,以选取不少于2个特征;
31.s343’、根据等量的晕动样本以及特征,训练不少于2棵决策树,据以构建随机森林,据以训练ai评估模型。
32.本发明在某棵树训练过程中,也不是将晕动样本的所有指标都用来训练,而是会随机选择一部分指标用来训练。能够让不同的树重点关注不同的特征。
33.本发明采用的随机森林的随机性主要体现在两个方面:晕动数据集的随机选取、每棵树所使用特征的随机选取。以上两个随机性使得随机森林中的决策树都能够彼此不同,提升系统的多样性,从而提升分类性能。
34.在更具体的技术方案中,利用k近邻的机器学习模型训练ai评估模型的操作,包括:
35.s341”、计算受训人员对应的训练样本和测试样本中,每个样本点的距离;
36.s342”、根据距离值,对样本点进行排序;
37.s343”、选前k个最小距离样本;
38.s344”、根据最小距离样本的标签进行投票,以得到分类类别,据以训练ai评估模型。
39.在更具体的技术方案中,利用多层感知机的人工神经网络包括:输入层、不少于2个隐藏层以及输出层,其中:
40.输入层的样本相关参数包括:eda、重力感应数据、重心数据、头部姿态数据、身体姿态数据、呼吸数据、体温数据、胃电数据egg、脑电及心电数据ecg;
41.隐藏层包括:中间神经元,用以处理样本相关指标参数与预置晕动指标的关系,以得到晕动严重程度数据;
42.输出层,用以输出晕动严重程度数据。
43.本发明采用多层感知机进行ai评估模型训练,在单层感知机的输出层和输出层之间增加多个隐藏层,能够解决更复杂的分类问题。本发明针对传统技术中的人工神经网络结构复杂导致理解难度大的缺陷,将人工神经网络看作一个系统,利用多层感知机,从系统的结构和功能的角度进行分析,更有利于理解人工神经网络的思想和方法,优化了模型训练效果。
44.在更具体的技术方案中,视景仿真模块中,根据场景参数生成待渲染3d场景,并返回待渲染3d场景至可视化渲染服务器,利用可视化渲染服务器进行可视化渲染,并根据舰船姿态数据处理得到姿态信号,发送姿态信号至并联机器人伺服模块。
45.在更具体的技术方案中,视景仿真模块利用可视化渲染服务器将待渲染3d场景处理为帧画面,据以利用预置显示装置显示仿真视景。
46.在更具体的技术方案中,并联机器人伺服控制模块处理姿态指令,以得到驱动指令,利用驱动指令控制并联机器人六自由度运动平台的运行状态,并联机器人六自由度平台根据驱动指令动作,以对参训人员施加力反馈。
47.本发明利用并联机器人伺服模块接收视景仿真模块的姿态指令,通过控制伺服电机的输入,对伺服电机的输出转速和转角进行控制,达到控制电动缸活塞杆出速度和行程的目的,实现海面和船舶颠簸运动的模拟。
48.在更具体的技术方案中,抗眩晕训练方法包括:
49.s1、以非入侵式方式,采集并分析得到受训人员传感数据,标准化处理所述受训人员传感数据,以得到训练数据,发送所述训练数据至集中控制管理模块,供训练效果评估及训练内容调整操作,采集获取参训人员的头部运动参数,以生成姿态数据,发送所述姿态数据至视景仿真模块,将所述训练数据中的生理数据,传输至ai评估与智能干预模块;
50.s2、利用所述ai评估与智能干预模块,根据所述生理数据,处理得到干预指令,据以进行眩晕度定量评估,根据所述干预指令进行ai智能干预操作,据以生成多样式训练报表;
51.s3、利用所述所述集中控制管理模块,根据所述受训人员的受训信息,控制信息管理及登录,根据所述受训信息生成场景参数,发送所述场景参数至视景仿真模块,根据所述训练数据训练ai评估模型,以得到适用ai评估模型,根据所述多样式训练报表生成具体训练策略,根据所述适用ai评估模型及所述具体训练策略,对所述受训人员进行个性化训练;
52.s4、利用所述视景仿真模块,根据所述场景参数进行计算机图形渲染,以得到渲染数据,根据所述渲染数据进行流体力学仿真,以得到舰船姿态数据,根据所述渲染数据以及所述舰船姿态数据,进行vr交互操作,以对舰船海面航行视景进行仿真,接收并根据所述姿态数据,生成姿态指令,发送所述姿态指令至并联机器人伺服模块;
53.s5利用所述并联机器人伺服模块,接收并根据所述姿态指令,生成伺服电机控制信号,以控制预置伺服电机的输出转速及转角,控制并联机器人六自由度平台动作,以据以
模拟海面和船舶颠簸运动。
54.本发明相比现有技术具有以下优点:本发明利用视景仿真模块、并联机器人伺服模块、数据采集与分析模块、集中控制管理模块以及ai评估与智能干预模块中的信息采集、数据处理及交互,将动作、表情与眼动捕捉设备、生理监测设备、压力分析设备、六自由度并联机器人、裸眼三维显示屏等设备集成为一体,通过集中控制管理后台进行统一调度与管理,形成一套集测试、评估、反馈一体的闭环训练平台,对于实战化环境打造、实战化训练与考核、实现低成本、高频次、可控、可重复、规模化适应性抗眩晕操演训练与定量评估,营造实战化训练环境,有利于提高基于实战的训练水平。
55.本发明通过实时评估与智能干预,根据受训人员的特定状态,定量分析受训人员的行为动作数据、表情数据、眼动数据、生理数据、重心压力分布数据并个性化智能调整训练内容,更加高效、精准提高训练效果。
56.本发明中,根据受训人员初次使用时录入个人信息,以及传感采集信息。组训人员通过集中控制管理模块选择海貌、舰艇模型及自定义海况等级,针对不同受训人员生成特定的训练内容,组织个性化训练。利用模拟设备代替实际出海进行模拟训练,既可在保证受训人员人身安全的情况下,按照培训要求,选择不同难度的航行训练条件,进行多次重复训练,提高训练安全系数及受训人员心理、生理体验。
57.本发明在某棵树训练过程中,也不是将晕动样本的所有指标都用来训练,而是会随机选择一部分指标用来训练。能够让不同的树重点关注不同的特征。
58.本发明采用的随机森林的随机性主要体现在两个方面:晕动数据集的随机选取、每棵树所使用特征的随机选取。以上两个随机性使得随机森林中的决策树都能够彼此不同,提升系统的多样性,从而提升分类性能。
59.本发明采用多层感知机进行ai评估模型训练,在单层感知机的输出层和输出层之间增加多个隐藏层,能够解决更复杂的分类问题。本发明针对传统技术中的人工神经网络结构复杂导致理解难度大的缺陷,将人工神经网络看作一个系统,利用多层感知机,从系统的结构和功能的角度进行分析,更有利于理解人工神经网络的思想和方法,优化了模型训练效果。
60.本发明利用并联机器人伺服模块接收视景仿真模块的姿态指令,通过控制伺服电机的输入,对伺服电机的输出转速和转角进行控制,达到控制电动缸活塞杆出速度和行程的目的,实现海面和船舶颠簸运动的模拟。
61.本发明解决了现有技术中存在的训练效果差、训练成本高的技术问题。
附图说明
62.图1为本发明实施例1的抗眩晕训练平台模块连接及数据流处理示意图;
63.图2为本发明实施例1的抗眩晕训练平台基本模块架构示意图;
64.图3为本发明实施例2的抗眩晕训练方法训练流程示意图;
65.图4为本发明实施例2的受训人员数据采集具体步骤示意图;
66.图5为本发明实施例2的训练ai评估模型具体步骤示意图;
67.图6为本发明实施例2的采集数据处理具体步骤示意图;
68.图7为本发明实施例2的统计分析具体步骤示意图;
69.图8为本发明实施例2的利用svm算法进行机器学习的具体步骤示意图;
70.图9为本发明实施例2的晕动家族史数据处理原理图;
71.图10为本发明实施例2的利用随机森林算法进行机器学习的具体步骤示意图;
72.图11为本发明实施例2的利用k值近邻算法进行机器学习的具体步骤示意图;
73.图12为本发明实施例2的晕动者晕动家族史判定原理图;
74.图13a至图13d为本发明实施例2的受试者工作特征曲线图。
具体实施方式
75.为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
76.实施例1
77.如图1及图2所示,本发明提供抗眩晕训练平台包括软件系统1及硬件系统2:
78.在本实施例中,软件系统1包括:视景仿真模块11、并联机器人伺服模块12、数据采集与分析模块13、集中控制管理模块14、ai评估与智能干预模块15。
79.在本实施例中,视景仿真模块11利用计算机图形渲染技术、流体力学仿真及vr交互技术等实现舰船在海面航行的视景仿真功能,并由可视化渲染服务器22进行可视化渲染,同时将通过流体力学仿真计算得到的舰船姿态数据发送给并联机器人伺服模块12,控制并联机器人六自由度运动平台24进行相应动作。
80.在本实施例中,并联机器人伺服控制模块12接收视景仿真模块11的姿态指令,通过控制伺服电机的输入,对伺服电机的输出转速和转角进行控制,达到控制电动缸活塞杆出速度和行程的目的,实现海面和船舶颠簸运动的模拟。
81.在本实施例中,数据采集与分析模块13基于硬件传感器,以非入侵式进行受训人员行为动作数据、表情数据、眼动数据、生理数据、重心压力分布数据的采集,并将分析整合得到的数据发送给集中控制管理模块14,作为训练效果评估及训练内容调整的核心依据。
82.在本实施例中,集中控制管理模块14实现人员信息管理及登录功能、海貌、舰艇模型等资源管理及可控的个性化训练组织功能。在本实施例中,受训人员初次使用时录入姓名、学号、专业及年龄、性别等个人信息,同时采集面部、瞳距及虹膜信息等,后期登录采用面部或虹膜识别的方式。组训人员通过集中控制管理模块选择海貌、舰艇模型及自定义海况等级,针对不同受训人员生成特定的训练内容,组织个性化训练。
83.在本实施例中,ai评估与智能干预模块15实现眩晕度定量评估、ai智能干预与多样式训练报表生成等三部分功能,其中眩晕度定量评估是ai智能干预及报表生成功能的基础,基于眩晕度评估数据,实时对训练内容进行智能调整,形成测试、评估、反馈闭环系统,并将训练结果实时以报表形式进行呈现。
84.在本实施例中,硬件系统2包括:传感器及检测设备21、可视化渲染服务器22、裸眼3d显示屏23以及并联机器人六自由度运动平台24;
85.在本实施例中,软件系统1藕接硬件系统2;
86.在本实施例中,参训人员登陆集中控制管理模块14,集中控制管理模块14与视景
仿真模块11连接。在本实施例中,集中控制管理模块14根据登陆信息生成场景参数,发送场景参数至视景仿真模块11;
87.在本实施例中,视景仿真模块11与可视化渲染服务器22连接。在本实施例中,视景仿真模块11根据场景参数生成待渲染3d场景并返回至可视化渲染服务器22。在本实施例中,可视化渲染服务器22与裸眼3d显示屏连接,可视化渲染服务器22将待渲染3d场景处理为帧画面并显示于裸眼3d显示屏,3d显示屏显示仿真视景;
88.在本实施例中,传感器及检测设备21通过串口通信与数据采集与分析模块13连接。在本实施例中,传感器及检测设备21对参训人员进行非入侵式采集,通过串口通信,将采集的数据传输至数据采集与分析模块13;
89.在本实施例中,裸眼3d显示屏23与视景仿真模块11连接。在本实施例中,裸眼3d显示屏23采集获取参训人员的头部运动参数,以生成姿态数据,发送姿态数据至视景仿真模块11;
90.在本实施例中,数据采集与分析模块13与ai评估与智能干预模块15连接。在本实施例中,数据采集与分析模块13处理采集数据,得到参训人员的生理参数,传输生理参数至ai评估与智能干预模块15;
91.在本实施例中,ai评估与智能干预模块15与视景仿真模块11连接。在本实施例中,ai评估与智能干预模块15处理生理参数,得到干预指令,发送干预指令至视景仿真模块11;
92.在本实施例中,视景仿真模块11与并联机器人伺服模块12连接。在本实施例中,视景仿真模块11根据接收的姿态数据,生成姿态指令,发送姿态指令至并联机器人伺服模块12;
93.在本实施例中,并联机器人伺服模块12与并联机器人六自由度运动平台24连接。在本实施例中,并联机器人伺服模块12处理姿态指令,得到驱动指令,利用驱动指令控制并联机器人六自由度运动平台24的运行及动作。
94.在本实施例中,并联机器人六自由度平台24根据驱动指令动作,以对参训人员施加力反馈。
95.实施例2
96.如图3所示,在本实施例中,本发明提供的抗眩晕训练方法包括以下基本步骤:
97.s1、对受训人员的生理数据、行为数据、压力数据进行数据采集;
98.在本实施例中,生理数据包括但不限于:脑电数据、心电数据以及血压数据;行为数据包括但不限于:头部姿态、表情、眼动数据;压力数据包括但不限于:身体重心、手部压力以及足部压力;
99.在本实施例中,训练前对受训人员进行评估。训练前组训人员采用口头问询、观察、病例统计、填表的形式进行受训人员训练前的评估,具体评估内容和评估参照表如下所示。
100.在本实施例中,依据下述表格对受训人员的人种特征进行训练前评估:
[0101][0102]
在本实施例中,依据下述表格对受训人员的生理指标进行训练前评估:
[0103]
[0104][0105]
在本实施例中,依据下述表格对受训人员的遗传和生活习惯进行训练前评估:
[0106][0107]
在本实施例中,依据下述表格对受训人员的心理因素进行训练前评估:
[0108][0109]
在本实施例中,对受训人员完成前述训练前评估,以得到下述预测因素列表:下面表格是收集相关文献证据,供实际训练中进行参考,相当于标准数据库、
[0110]
[0111][0112]
[0113][0114]
在本实施例中,抗眩晕训练平台对受训人员以下生理指标进行检测和采集,并提供了数据处理方法。
[0115]
如图4所示,在本实施例中,受训人员数据采集的具体步骤还包括:
[0116]
s11、采集经皮电活动(eda)数据;
[0117]
在本实施例中,eda是评估皮肤汗腺活动的方法,反映了人体交感神经的活动。eda布置的位置位于手掌部位,也可以布置在受训人员前额的位置。
[0118]
在本实施例中,需要记录的参数包括但不限于:皮肤电异水平(skin conductance level,scl),皮肤电异反应(skin,conductance response,scr)的,记录的单位是us(micro siemens)。
[0119]
在本实施例中,皮肤电异水平主要分析对象包括但不限于:均值、最大值、最小值、标准差、方差,皮肤的scr开始反应时间(峰)值时间,上升时间,振幅。
[0120]
s12、分析得到受训人员的姿态稳定性数据;
[0121]
在本实施例中,依靠部署于脚下的重力感应设备,部署于周围的头部运动分析设器或者vr的位置传感数据,部署于四周的姿态稳定性摄像设备,部署于腿部腓肠肌的肌电设备,部署于胸部前方的加速度感应传感器等于受训人员姿态稳定性进行分析。
[0122]
在本实施例中,姿态稳定性相关的参数包括但不限于:平衡分数、倾角、功率谱密度、头部运动分析。
[0123]
在本实施例中,利用下述公式得到平衡分数:
[0124][0125]
其中,q代表前倾-后倾的角度;
[0126]
在本实施例中,利用下述公式得到倾角:
[0127][0128]
其中,y=前后倾轴,h=受训人员身高,cog(central of gravity)重心中心;
[0129]
在本实施例中,功率谱密度(power spectral density,psd)肌电图指定频段的功率谱密度。
[0130]
在本实施例中,以下述逻辑进行头部运动分析;
[0131]
[0132][0133]
pitch(φ)=-arcsin(forwardy)
[0134][0135]
其中,头部运动分析方式为yaw,pitch,roll,采用右手坐标系统,yaw围绕y轴旋转,pitch围绕x轴旋转,roll围绕z轴旋转。使用传感器中上up,前forward,右right向量建设4x4矩阵的计算头部方向的偏移。
[0136]
s13、采集并分析得到呼吸参数;
[0137]
在本实施例中,呼吸频率,记录为次/分钟,监测呼吸装置的部署不仅位于胸部还应当部署在腹部,从而分析呼吸的类型,腹部呼吸,胸式呼吸,胸腹式呼吸,以及腹式-胸式呼吸相互之间的关系。同时记录呼吸频率与时间关系,分析呼吸异常的分类。同时还需要记录潮气量(tidal volume,tv),分钟通气量(minute volume,mv)的指标。
[0138]
在本实施例中,利用下述公式得到分钟通气量指标:
[0139]
mv=tu
×
呼吸频率
[0140]
s14、采集获取面部皮肤温度、体表温度、面部颜色以及核心体温;采集血压、血氧饱和度;
[0141]
在本实施例中,面部皮肤温度与晕动症的严重程度呈负相关。晕动症受训人员体温可以出现上升。在本实施例中,采用红外热像仪非接触测量面部皮肤的温度,也可以使用接触式传感器测量面部皮肤的温度,体表体温,核心体温。同时对面补颜色进行记录和分析。
[0142]
s15、采集获取胃电(egg)数据;
[0143]
胃电图是晕动症的指标之一。在本实施例中,胃电图可以记录下主频、主幅。在晕动症发生期间可以分析胃电活动的特征,每分钟0.5-2循环的分类为缓慢的胃电活动(brady-gastric activity brady),每分钟2-4分钟循环的分类为正常的胃电活动(normal-gastric activity),每分钟4-9循环的分类为快速的胃电活动(trachy-gastric activity)。brady和trachy均认为异常胃电活动。相关的时相,主频、主幅均被提取出来进行分析,并且分析异常胃电活动占比。胃电电极部署于腹部等位置。
[0144]
s16、采集得到脑电图(ecg),分析脑电图的综合指标;
[0145]
在本实施例中,脑电图是记录脑部神经元电活动的仪器。脑电图的电极放置依据检查设备的差异而不同,既有国际电极放置法,又有简易放置法。
[0146]
在本实施例中的在脑电图中,惦记的位置是需要提取分析的第一个因素,因为提示不同,区域的脑电波产生异常。
[0147]
在本实施例中,位置包括但不限于:左/右额极(frontal pole,fp1/fp2),左/右额部(frontal,f3/f4),左/右中央部(central,f3/f4),左/右顶部(partetal,p3/p4),左/右枕部(occipital,o1/o2)。
[0148]
在本实施例中的脑电图中,脑电波的分类和相应的功率,两波之间的相应关系应该被提取分析,包括慢波(<4hz)δ分波,(4-7hz)θ波,快波(14-17hz)中间快波,(18-34hz)β波,(>35hz)r波,以及(8-13hz)d波。
[0149]
在本实施例中,为了进一步研究脑电图和晕动症之间的关系,还应对一些脑电图的综合指标进行记录分析,包括但不限于以下指标:脑电图功率谱密度、重心频率、脑电图功率谱熵以及脑电图柯氏复杂性。
[0150]
在本实施例中,利用下述公式确定功率谱密度(power spectral density,psd)和重心频率(gravity frequency,gf)的关系:
[0151][0152]
其中,f代表脑电图泼频率,f1代表指定频段的最低频率,f2代表指定频段的最高频率,psd代表指定频段的能量功率谱密度。
[0153]
在本实施例中,利用下述公式求取功率谱熵(power spectral entropy,pse):
[0154][0155][0156]
其中,p是指定频段功率发生的概率。
[0157]
在本实施例中,柯氏复杂性(kolmogorov complexity,kc)是同来描述脑电图复杂性的量化指标。
[0158]
在本实施例中,用二进指制对脑电波进行转换:
[0159][0160]
在本实施例中,二进制语句x的长度为n;
[0161][0162]
在本实施例中,以下述公式求取压缩率,其中压缩率即为柯氏复杂性:
[0163][0164]
其中,c(n)是二进制语句序列的最短长度(压缩后长度),b(n)是压缩前长度。
[0165]
s17、采集心电图(ecg),分析心电图的主要指标;
[0166]
在本实施例中,心电图反应了晕动症中的心理、生理应激的过程。心电图极部署于销骨下,心前区等位置。
[0167]
在本实施例中,心电图中主要分析的指标包括单不小于:心率变异性(heart rate variability,hrv),hrv可以作为反应心脏交感神经和迷走神经活动的指标。
[0168]
在本实施例中,反应心脏交感神经和迷走神经活动的指标,主要包括但不限于以下指标:rr间期(rr interval)相邻两个r波之间的时间、均值、正常窦性心率rr间期的标准差。
[0169]
在本实施例中,以下述公式求取均值(mean),反应rr间期的平均水平:
[0170][0171]
在本实施例中,以下述公式求取正常窦性心率rr间期的标准差(standard deviation of all normal to normal rr intervals,sdnn):
[0172][0173]
在本实施例中,也可以计算5分钟内所有rr间期平均值的标准差,以及24小时全程记录中每5分钟间期标准差的平均值等。
[0174]
在本实施例中,以下述公式求取相邻rr间期差异大于50毫秒(millisecond,ms)的心搏占总心搏数的百分比(percentage of differences exceeding 50ms between adjacent normal number of intervals,pnn50):
[0175][0176]
在本实施例中,利用下述公式求取连续差值的均方根(root mean square of successive difference,r-mssd):
[0177][0178]
s2、标准化处理采集的数据,得到训练数据;
[0179]
s3、根据训练数据训练ai评估模型;
[0180]
如图5所示,在本实施例中,训练ai评估模型的具体步骤包括:
[0181]
s31、利用表格获取受训人员的各项评分;
[0182]
如图6所示,在本实施例中,获取训练评分的具体步骤包括:
[0183]
s311、利用表格对受训人员的运动病易感性mssq进行评分;
[0184]
在本实施例中,下述晕动病易感性评分表mssq(motion sickness susceptibility questionnaire)在测试前使用,用于预测晕动症发生的可能性。
[0185]
表格1
[0186][0187][0188]
表格2儿童(12岁以下)乘坐交通工具的次数
[0189]
工具种类乘坐工具次数私家汽车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)
公共汽车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)火车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)飞机
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)河运
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)海运
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)秋千
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)旋转木马
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)过山车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)
[0190]
表格3儿童(12岁以下)旋晕和恶心发生的频率
[0191]
工具种类恶心发生频率私家汽车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)公共汽车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)火车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)飞机
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)河运
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)海运
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)秋千
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)旋转木马
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)过山车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)
[0192]
表格4儿童(12岁以下)呕吐的次数
[0193][0194][0195]
表格5过去10年成人乘坐交通工具次数
[0196]
工具种类乘坐工具次数私家汽车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)公共汽车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)
火车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)飞机
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)河运
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)海运
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)秋千
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)旋转木马
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)过山车
○
从不(0)
ꢀ○
1-4次(1)
ꢀ○
5-10次(2)
ꢀ○
11次以上(3)
[0197]
表格6过去10年成人眩晕和恶心发生频率
[0198]
工具种类恶心发生频率私家汽车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)公共汽车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)火车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)飞机
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)河运
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)海运
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)秋千
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)旋转木马
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)过山车
○
从不(0)
ꢀ○
很少(1)
ꢀ○
偶尔(2)
ꢀ○
频繁(3)
ꢀ○
总是(4)
[0199]
表格7成人呕吐次数
[0200][0201][0202]
在本实施例中,利用下述公式计算受训人员的运动病易感性,受训人员包括但不限于:儿童以及成人:
[0203]
[0204][0205]
mssq开始评分=mssq儿童 mssq成人
[0206]
s312、对受训人员的快速晕动病等级fms进行评分;
[0207]
在本实施例中,fms(fast motion sickness scale)在测试中使用,可以在测试过程中每一分钟检查一次,也可以根据测试内容灵活调整。
[0208]
在本实施例的测试过程中,每分钟对受训人员进行询问,受训人员口头评分(0-20分),0分代表无症状,20分代表明显症状。
[0209]
s313、对受训人员的模拟器病参数ssq进行评分;
[0210]
在本实施例中,ssq(simulator sickness questionnaire)在测试前,测试后使用,也可以根据测试内容,在测试过程中使用。
[0211]
[0212][0213]
在本实施例中,分类参数包括:
[0214]
0=无1=轻2=中3=重;
[0215]
n=[1]x9.54;0=[2]x7.58;d=[3]x13.92;
[0216]
总分=[1] [2] [3]x3.74。
[0217]
s32、处理受训人员的采集数据;
[0218]
如图6所示,在本实施例中,采集数据处理具体步骤包括:
[0219]
s321、进行因素相关分析以及特征选择操作,以设定合适的采样样本;
[0220]
在本实施例中,原始生理信号以相应的赫兹的采集速率进行采样,并采用例如:biopac的acqknowledge软件(5.0.5版)进行预处理。所有的测量指标首先被检查其分布的正常性(shapiro-wilk检验)。
[0221]
在本实施例中,根据研究指标的性质,设定合适的采样率,例如体温,经皮电传导,心电图,心率变异指标可以用2000hz或1000hz的采样率。眼球震颤的采样率可以用30hz。
[0222]
s322、采用插值法替换异常值,以填补缺失的项目;
[0223]
在本实施例的研究指标中,过大或过小的异带值采用插值法进行替换。例如数据偏离均值至少3倍于4分位数的值可以被认为是异常值,可以采用插值法进行替换。
[0224]
在本实施例中,对于每个信号,原始信号中被认为是异常值的大型伪影通过内插值来校正,以取代各自通道中的伪影。在本实施例中,异常值为数据点偏离中位数至少三倍于各自测量值的四分位数范围。在本实施例中,大型伪影包括但不限于:噪音尖峰、设备故障。
[0225]
s323、采用滤波器滤除干扰杂波;
[0226]
在本实施例中,采同滤波器可以滤除异常杂波,对于低频指标可以采用低通滤波器。对于高频指标可以采用高通滤波器,对于其它指标可以采用带通滤波器的。
[0227]
在本实施例中,通过对低频指标通道应用一个截止频率为1赫兹的低通数字滤波器来去除高频噪音。在本实施例中,为了平滑噪音并纠正基线漂移和信号的移动,分别应用了设置为60赫兹的梳状带停止滤波器和截止到1赫兹的高通滤波器。在本实施例中,为了帮助评估比正常情况下变化更快的指标,对样本进行带通滤波,低频截止频率可设为例如:0.005hz,高频截止频率可设为例如:0.2hz,以消除原始信号中的任何高频噪音。对每个通道分别进行分析,提取所有通道的平均值和标准差,以观察样本内随时间的变化。
[0228]
s33、根据受训人员各项指标进行统计分析;
[0229]
在本实施例中,统计分析的目的是分析数据属性,使用多元线性回归等分析各项指标的权重,增强预测的准确性。在本实施例的该项工作中,统计分析的方法包括但不限于:t检验,方差分析以及多元线性回归。
[0230]
如图7所示,在本实施例中,统计分析具体步骤包括:
[0231]
s331、所有的指标先进行正态分布检验;
[0232]
在本实施例中,经预处理的指标进行了定量统计分析,以调查指标和晕动发生发展的关系。在本实施例中,前述分析包括但不限于:配对样本t检验、重复测量方差分析(rmanovas)以及线性回归和非参数的曼-惠特尼u检验。使用了统计软件包spss和r软件。检验的显著性水平被设定为到α=0.05,并在适当的地方进行了校正。
[0233]
s332、求取正态分布指标、非正态分布指标以及研究指标;
[0234]
在本实施例中,正态分布的指标可以采用配对t检验、方差分析得到正态分布的指标,非正态分布的指标可以采用曼-惠特尼mam-whitney u检验。研究指标使用均值和标准差表示。
[0235]
在本实施例中的配对样本t检验中,方差分析、线性回归主要是对服从正态分布的指标进行检验,而曼-惠特尼mam-whitney u检验主要是对非正态分布的非参数检验。
[0236]
s333、进行线性回归分析;
[0237]
在本实施例中,使用多元线性回归分析其回归系数,并对指标依据相关系数进行
排名。根据该目的,所有的生理心理指标被分为正态分布指标,和非正态分布指标,进行相应的检验。
[0238]
s34、通过机器学习训练ai评估模型;
[0239]
在本实施例中,使用的模型包括但不限于:随机森林、支持向量机、k近邻的机器学习模型,利用前述模型进行学习,评估晕动症的易感性、程度。
[0240]
在本实施例中,支持向量机算法support vector machine(svm),用于解决模式识别领域中的数据分类问题,属于有监督学习算法的一种。
[0241]
支持向量机算法是一种分类算法,其基本思想是将数据映射到高维空间中,并在该空间中找到一个超平面,使得各类数据点到该超平面的距离最大。svm算法在分类、回归等领域都有广泛的应用。
[0242]
在本实施例中,本发明采用的svm算法,包括:
[0243]
数据预处理:包括相关参数指标数据清洗、特征提取和特征缩放等步骤。
[0244]
特征映射:使用核函数将数据映射到高维空间中,在svm算法中核函数的选择非常重要,因为近视眼的数据是二维的,我们可以使用径向基函数核(radial basis function,rbf)将数据映射到高维空间中。
[0245]
计算超平面:在高维空间中寻找一个超平面,使得各类数据点到该超平面的距离最大。
[0246]
预测:使用学习到的模型对新的样本进行分类。
[0247]
如图8及图9所示,在本实施例中,晕动家族史包括:晕动家族史以及无晕动家族史。其中,晕动家族史用黑色圆圈实心圆圈表示,无晕动家族史用空心圆圈表示。
[0248]
s341、通过svm将晕动家族史对应的数据点划分为两个不同的类别;
[0249]
s342、选取一个合适的核函数,将数据映射到高维空间。在本实施例中,可选择例如径向基函数(radial basis function,rbf)作为核函数;
[0250]
s343、使用svm算法,在高维空间中寻找一个超平面,使得两个类别之间的距离最大化;
[0251]
s344、得到一个决策边界,将家族史和无家族史分开,并且用这个模型对未来的数据进行预测。
[0252]
在本实施例中,随机森林算法random forest(rf),将多个决策树结合在一起,每次数据集是随机选出,同时随机选出部分特征作为输入,随机森林算法是以决策树为估计器的算法。
[0253]
如图10所示,在本实施例中,随机森林算法的流程主要包括:
[0254]
s341’、抽等量样本;
[0255]
在本实施例中,把晕动人群相应的危险因素建立数据集,随机森林训练每棵树之前,都会从训练集中随机抽出一部分样本来训练。所以说训练每棵树用到的样本其实都是有差别的,这样就保证了不同的树可以重点学习不同的样本。而为了达到抽等量样本的目的,抽样方式一般是有放回的抽样,也就是说,在训练某棵树的时候,这一次被抽到的样本会被放回数据集中,下一次还可能被抽到,因此,原训练集中有的样本会多次被抽出用来训练,而有的样本可能不会被使用到。
[0256]
s342’、随机选取分晕动样本的一部分指标进行训练,以选取多个特征;
[0257]
s343’、根据前述等量样本以及选取的特征,训练多棵晕动相关危险因素的决策树。以构成整个随机森林。
[0258]
在本实施例中,训练好的晕动危险因素随机森林模型预测的最终的结果由每棵决策树综合给出:如果是分类问题,那么对于每个测试集,决策树都会预测出一个类别进行投票,最终统计票数多的那个类别为最终类别。例如饮食习惯是否与晕动发生发展相关,就是模型决策树进行投票的结果;如果是回归问题,各个树得到的结果相加求得一个平均值为最终回归结果。
[0259]
在本实施例中,采用k值近邻算法k-nearest neighbor(knn),在监督学习过程中,knn模型需要有标签的训练数据,对于新样本的类别由与新样本距离最近的k个训练样本点按照分类决策规则决定。
[0260]
如图11所示,在本实施例中,k值近邻算法的流程包括:
[0261]
s341”、计算训练样本和测试样本中每个样本点的距离;
[0262]
s342”、对上面所有的距离值进行排序;
[0263]
s343”、选前k个最小距离的样本;
[0264]
s344”、根据这k个样本的标签进行投票,得到最后的分类类别;
[0265]
如图12所示,在本实施例中,晕动家族史包括:晕动家族史,无晕动家族史,其中,晕动家族史用黑色圆圈表示,无晕动家族史用空心圆圈表示,而图正中间的那个所标识的数据则是待分类的数据,即晕动的患者是否有家族史。也就是说,目前不知道中间那个数据是从属于哪一类。
[0266]
如果k=3,待分类数据的最近的3个邻居是2个黑色圆圈和1个空心圆圈,少数从属于多数,基于统计的方法,判定这个待分类点属于黑色圆圈一类。即晕动的人有晕动家族史。
[0267]
如果k=5,待分类数据的最近的3个邻居是3个黑色圆圈和2个空心圆圈,少数从属于多数,基于统计的方法,判定这个待分类点属于黑色圆圈一类。即晕动的人有晕动家族史。
[0268]
如果k=7,待分类数据的最近的3个邻居是3个黑色圆圈和5个空心圆圈,少数从属于多数,基于统计的方法,判定这个待分类点属于空心圆圈一类。即晕动的人无晕动家族史。
[0269]
在本实施例中,多层感知机multilayer perceptron(mlp),由感知机推广而来,多层感知机包括:不少于2个神经元层,因此也叫深度神经网络(dnn:deep neural networks)算法。
[0270]
在本实施例中,感知机是用于分类的神经网络模型。单层感知机包括:输入层和输出层,仅适用于线性可分的模式。为了能解决更复杂的分类问题,在单层感知机的输出层和输出层之间增加多个隐藏层,便成为多层的感知机。
[0271]
在本实施例中,感知机处理问题的方法是,建立一个网络模型,根据已知的大量样本,通过电脑试算反复的调整参数,确定这个模型,当有新样本需要分类时,代入该模型中去,通过计算得到的结果,即可分出属于哪一类。多层的感知机如果仅是相邻层的节点互相连接,一般称为人工神经网络的前馈神经网络。
[0272]
在本实施例中,晕动风险因素分析中,可以建立这样的人工神经网络,
[0273]
输入层的参数包括:eda、重力感应数据、重心数据、头部姿态数据、身体姿态数据、呼吸数据、体温数据、胃电数据egg、脑电及心电数据ecg。
[0274]
隐藏层包括:中间神经元,隐藏层通过运算处理样本相关参数和指标之间的关系。
[0275]
输出层:输出相关参数与晕动严重程度之间的关系。
[0276]
在本实施例中,使用roc对算法的准确性进行评估:roc(receiver operating characteristic curve):简称接受者操作特征曲线,用于检测机器学习结果准确率。
[0277]
在本实施例中,用受训人员工作特征曲线评价模型的性能,选择评价性最好的模型进行分折。
[0278]
在本实施例中,受试者工作特征曲线(receiver operating characteristic curve,简称roc曲线),又称为感受性曲线(sensitivity curve)。得此名的原因在于曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应,只不过是在两种不同的判定标准下所得的结果而已。受试者工作特征曲线就是以假阳性概率(false positive rate)为横轴,真阳性(true positive rate)为纵轴所组成的坐标图,和受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。
[0279]
在本实施例中,对角线将roc空间划分为左上/右下两个区域,在这条线的以上的点代表了一个好的分类结果(胜过随机分类),而在这条线以下的点代表了差的分类结果(劣于随机分类)。
[0280]
在本实施例中,完美的预测是一个在左上角的点,在roc空间座标(0,1)点,x=0代表着没有伪阳性,y=1代表着没有伪阴性(所有的阳性都是真阳性);也就是说,不管分类器输出结果是阳性或阴性,都是100%正确。一个随机的预测会得到位于从(0,0)到(1,1)对角线(也叫无识别率线)上的一个点。
[0281]
如图13a至图13d所示,在本实施例中,选用roc曲线对模型预测的准确度进行分析,以下是前期研究中对模型评估的roc曲线,从图中可以看出图1k值近邻算法在小样本的情况下预测准确度不高,因此在该样本量的情况下不应该采用k值近邻算法。
[0282]
s4、利用ai评估模型生成具体训练策略;
[0283]
s5、根据具体训练策略进行视景仿真。
[0284]
在本实施例中,视景仿真包括:视觉仿真、听觉仿真以及本体与触觉仿真。在本实施例中,视觉仿真包括但不限于:视场仿真以及景深仿真;听觉仿真包括但不限于:频率仿真以及响度仿真;本体与触觉仿真包括但不限于:速度仿真以及加速度仿真。
[0285]
综上,本发明利用视景仿真模块、并联机器人伺服模块、数据采集与分析模块、集中控制管理模块以及ai评估与智能干预模块中的信息采集、数据处理及交互,将动作、表情与眼动捕捉设备、生理监测设备、压力分析设备、六自由度并联机器人、裸眼三维显示屏等设备集成为一体,通过集中控制管理后台进行统一调度与管理,形成一套集测试、评估、反馈一体的闭环训练平台,对于实战化环境打造、实战化训练与考核、实现低成本、高频次、可控、可重复、规模化适应性抗眩晕操演训练与定量评估,营造实战化训练环境,有利于提高基于实战的训练水平。
[0286]
本发明通过实时评估与智能干预,根据受训人员的特定状态,定量分析受训人员的行为动作数据、表情数据、眼动数据、生理数据、重心压力分布数据并个性化智能调整训练内容,更加高效、精准提高训练效果。
[0287]
本发明中,根据受训人员初次使用时录入个人信息,以及传感采集信息。组训人员通过集中控制管理模块选择海貌、舰艇模型及自定义海况等级,针对不同受训人员生成特定的训练内容,组织个性化训练。利用模拟设备代替实际出海进行模拟训练,既可在保证受训人员人身安全的情况下,按照培训要求,选择不同难度的航行训练条件,进行多次重复训练,提高训练安全系数及受训人员心理、生理体验。
[0288]
本发明在某棵树训练过程中,也不是将晕动样本的所有指标都用来训练,而是会随机选择一部分指标用来训练。能够让不同的树重点关注不同的特征。
[0289]
本发明采用的随机森林的随机性主要体现在两个方面:晕动数据集的随机选取、每棵树所使用特征的随机选取。以上两个随机性使得随机森林中的决策树都能够彼此不同,提升系统的多样性,从而提升分类性能。
[0290]
本发明采用多层感知机进行ai评估模型训练,在单层感知机的输出层和输出层之间增加多个隐藏层,能够解决更复杂的分类问题。本发明针对传统技术中的人工神经网络结构复杂导致理解难度大的缺陷,将人工神经网络看作一个系统,利用多层感知机,从系统的结构和功能的角度进行分析,更有利于理解人工神经网络的思想和方法,优化了模型训练效果。
[0291]
本发明利用并联机器人伺服模块接收视景仿真模块的姿态指令,通过控制伺服电机的输入,对伺服电机的输出转速和转角进行控制,达到控制电动缸活塞杆出速度和行程的目的,实现海面和船舶颠簸运动的模拟。
[0292]
综上所述,本发明解决了现有技术中存在的训练效果差、训练成本高的技术问题。
[0293]
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。