一种基于多维泰勒网的VR眩晕状态检测分类方法

本发明涉及vr眩晕状态检测分类领域，尤其涉及一种基于多维泰勒网的vr眩晕状态检测分类方法。

背景技术：

1、虚拟现实(virtual reality,vr)技术是20世纪发展起来的一项全新的实用技术，广泛应用于医疗、教育、军事、影视等行业，随着社会的进步和科学技术的不断发展，各行各业对vr技术的需求日益增长。但在vr体验过程中，用户常出现眩晕症状，而主观评定容易受个体差异、环境等因素影响，不能准确地反应出用户的眩晕水平。

2、实现对vr眩晕水平的检测分类能够有力促进vr产业发展。脑电信号分析是解析大脑皮质神经电活动信号的有效方法，能够客观反映人体疲劳、压力等生理症状。将脑电信号分析与机器学习相结合对眩晕状态进行分类，对眩晕水平的检测具有一定的研究意义与应用价值。常用的机器学习分类器有k最近邻(knn)、支持向量机(svm)、随机森林，但每种分类方法都有自己的局限性，例如knn计算量大，尤其是特征数非常多的时候计算量也会激增，svm对大规模训练样本难以实施，且解决多分类问题存在困难，随机森林由于其本身的复杂性，比其他类似的算法需要更多的时间来训练，另外，在某些噪音较大的分类或回归问题上会过拟合。

技术实现思路

1、发明目的

2、本发明的目的在于提出一种计算复杂度低、训练时间短、能够在不降低分类准确率的同时提高检测速度的vr眩晕状态检测分类方法。

3、技术方案

4、一种基于多维泰勒网的vr眩晕状态检测分类方法，包括以下步骤：

5、s1.取代表不同脑区的典型电极作为分类特征，依据分类特征的选取，得到相对应的数据集，根据实际测量表确定标识数据集中每组数据对应的眩晕状态的标签，并将数据集分为训练集和测试集。

6、s2.建立多维泰勒网模型，多维泰勒网模型包括输入层、中间层、全连接层、softmax层和输出层；

7、输入层接收外部的输入变量，输入变量表示为

8、x(k)＝{x1(k),x2(k),…xi(k)…,xn(k)}t(k＝1,2,3...l)；

9、其中，xi(k)代表包含第i个脑区典型电极信号的所有数据，l代表包含全部脑区典型电极信号的数据的总人次数，n代表输入变量包含的不同脑区典型电极信号的种类数；

10、将输入层所获取的输入变量做归一化处理，然后传递给中间层，并进行m次项展开，各输入变量在中间层实现各幂次的乘积项单元的加权求和，对中间层节点赋值，所对应的权值向量矩阵w表示为

11、

12、其中，w代表权值向量元素，n(n,m)代表逼近展开式中乘积项的总项数；

13、中间层节点yi(i＝1,2,3...n)表示为

14、

15、其中，λj,i代表逼近展开式第j个乘积项中变量xi的幂次；

16、使用激活函数对中间层节点进行处理，得到中间层向量α，中间层向量α表示为

17、

18、全连接层的节点数与数据的种类数相同，全连接层节点获取中间层向量α进行加权求和，对全连接层节点赋值，所对应的权值向量σ表示为

19、

20、其中，s代表数据分类的种类数；

21、全连接层节点ti(i＝1,2,…,s)表示为

22、

23、使用激活函数处理全连接层的节点，得到softmax层的输入向量β，softmax层的输入向量表示为

24、

25、softmax层利用输入向量β计算获得种类概率值pi(i＝1,2,...,s)，种类概率值pi的计算公式为

26、

27、输出层获取种类概率值pi并进行输出。

28、s3.将训练集中的数据输入网络，执行训练，获得种类概率值输出结果，使用交叉熵损失函数对多维泰勒网模型的数据处理效果进行评价，交叉熵损失函数的表达式为

29、

30、其中，yi为l·s结构的基于one-hot编码技术的标签矩阵，标签矩阵的每一行有且仅有一个元素为1，其余元素均为0，交叉熵损失函数的计算结果越小表明训练效果愈佳；

31、训练集中的全部数据完成处理后训练结束。

32、本发明所提出的多维泰勒网模型的网络结构简单，因而可以降低网络训练的难度，有效减少计算复杂度。

33、s4.利用经过步骤s3训练的多维泰勒网模型对测试集中的数据进行测试，得到预测的vr眩晕状态的分类标签，由此实现vr眩晕状态的分类识别。

34、进一步地，实际测量表所考察的情况包括肠胃不适情况n、眼部不适情况o、方向障碍情况d，肠胃不适情况n考察的具体情况包括一般不适、唾液增加、出汗、恶心、精神不集中、胃部不适、打嗝，眼部不适情况o考察的具体情况包括一般不适、疲劳、头痛、眼睛疲劳、聚焦困难、精神不集中、视力模糊，方向障碍d考察的具体情况包括聚焦困难、恶心、头胀、视力模糊、头晕(睁眼)、头晕(闭眼)、眩晕，具体情况的取值均为0或1，取值为1代表存在特定的不适状态，取值为0则代表不存在特定的不适状态，n、o、d的值为相应各个具体情况取值的和，总分值的t的计算公式为

35、t＝n+o+d×0.34；

36、当样本的总分值高于平均分时认为其存在眩晕状态，并为其建立标签1；当样本的总分值低于平均分时认为其不存在眩晕状态，并为其建立标签0。

37、本发明所提出的实际测量表包含了系统而丰富的生理特征，为数据的分析提供了可靠的基础。

38、进一步地，激活函数为relu函数，函数形式为

39、本发明使用relu函数，方便模型将复杂的非线性函数用多项式函数表示，可以进一步简化网络结构，降低训练难度。

40、有益效果

41、本发明提出的一种基于多维泰勒网的vr眩晕状态检测分类方法，基于系统而丰富生理特征实际测量表，网络模型本身结构科学简洁，计算复杂度低、训练时间短、能够在不降低分类准确率的同时提高检测速度的vr眩晕状态检测分类方法。

技术特征：

1.一种基于多维泰勒网的vr眩晕状态检测分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多维泰勒网的vr眩晕状态检测分类方法，其特征在于：所述实际测量表所考察的情况包括肠胃不适情况n、眼部不适情况o、方向障碍情况d，肠胃不适情况n考察的具体情况包括一般不适、唾液增加、出汗、恶心、精神不集中、胃部不适、打嗝，眼部不适情况o考察的具体情况包括一般不适、疲劳、头痛、眼睛疲劳、聚焦困难、精神不集中、视力模糊，方向障碍d考察的具体情况包括聚焦困难、恶心、头胀、视力模糊、头晕(睁眼)、头晕(闭眼)、眩晕，具体情况的取值均为0或1，取值为1代表存在特定的不适状态，取值为0则代表不存在特定的不适状态，n、o、d的值为相应各个具体情况取值的和，总分值的t的计算公式为

3.根据权利要求1所述的一种基于多维泰勒网的vr眩晕状态检测分类方法，其特征在于：所述激活函数为relu函数，函数形式为

技术总结
本发明提出了一种基于多维泰勒网的VR眩晕状态检测分类方法，包括以下步骤：S1.取代表不同脑区的典型电极作为分类特征，得到相对应的数据集并分为训练集和测试集；S2.建立多维泰勒网模型，多维泰勒网模型包括输入层、中间层、全连接层、softmax层和输出层；S3.将训练集中的数据输入网络执行训练，使用交叉熵损失函数对多维泰勒网模型的数据处理效果进行评价；S4.利用经过步骤S3训练的多维泰勒网模型对测试集中的数据进行测试，得到预测的VR眩晕状态的分类标签，由此实现VR眩晕状态的分类识别。本发明可以有效降低计算复杂度和训练时间，在不降低分类准确率的同时提高了VR眩晕状态的检测速度。

技术研发人员：王紫妍,严颖,化成城,周占峰,柴立宁
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/12