1.一种面向多任务的大鼠机器人行为分析方法，其特征在于，包括行为识别任务模块、运动质量评估任务模块，其中行为识别任务基于transformer编码模块实现，包括输入层、transformer编码模块、基础网络模块、全连接层、输出层，基于姿态估计方法得到的关键点序列，通过在基础网络模块前置transformer编码模块来提升行为识别的性能，其中运动质量评估任务基于全局和局部的融合特征实现，包括低维映射度量、基于quasi-gw距离的姿态差异度量、身体抖动程度度量，通过融合特征度量得到运动流畅度分数。
2.根据权利要求1所述的一种面向多任务的大鼠机器人行为分析方法，其特征在于，基于transformer编码模块的行为识别模型具有串行结构，模块的顺序从先到后依次为输入层、transformer编码模块、基础网络模块、全连接层、输出层，所述基础网络模块采用多种神经网络结构，选用一维卷积神经网络、多层感知机、循环神经网络、长短时记忆网络、门控循环单元、双向长短时记忆网络或双向门控循环单元中的一种方法。
3.根据权利要求1所述的一种面向多任务的大鼠机器人行为分析方法，其特征在于，用于行为识别任务的整体数据处理流程包括：首先将连续帧数据输入到输入层，经过transformer编码模块提取特征，然后送入基础网络模块，随后经全连接层进行特征筛选，最终由输出层生成分类结果；所述输入层用于接收原始数据，所述原始数据为大鼠机器人的坐标点信息，其可为一维x/y/z坐标点信息，也可为二维x,y/y,z/x,z坐标点信息，或三维x,y,z坐标点信息。所述transformer编码模块用于接收和处理输入层传递来的数据，通过特征编码提取原始数据中的时空特征，并可被神经网络高效学习。所述基础网络模块是模型架构的学习部分，能够对transformer编码模块处理后的特征进行学习，进一步提取更高层次的抽象特征，以更好地支持行为识别任务的完成；所述全连接层的作用是将基础网络模块输出的每一个结点都与上一层的所有结点相连，用来把基础网络模块提取到的特征进行综合，并将学到的“分布式特征表示”映射到样本标记空间。所述输出层是对全连接层输出的特征数据进行最后的分类，以得到最终的行为分类结果。
4.根据权利要求1所述的一种面向多任务的大鼠机器人行为分析方法，其特征在于，基于全局和局部特征融合的运动质量评估模型包括：输入层，低维映射度量、基于quasi-gw距离的姿态差异度量、身体抖动程度度量，输出层；其中，所述输入层用于接收大鼠机器人的坐标点信息，所述低维映射度量得到全局特征，利用降维技术将高维采样数据映射到低维空间，计算流畅运动范围之外待测试序列的可能性；所述基于quasi-gw距离的姿态差异度量得到局部特征，通过建立大鼠机器人全部关键点姿态数据的差异矩阵，用于衡量相邻姿态之间的差异；所述身体抖动程度度量得到局部特征，利用频谱分析方法计算频率成分，将难以在时域用数学方法描述的抖动变化映射在频谱曲线上，通过能量分布特征判断是否产生异常运动；所述输出层输出大鼠机器人的运动流畅度分数。
5.根据权利要求1所述的一种面向多任务的大鼠机器人行为分析方法，其特征在于，创建全局特征场和局部特征场的描述符，通过同时度量大鼠机器人关键点信息的高级语义信息和内部时间结构，以准确判断运动流畅度，用于动作质量评估任务的全局特征和局部特征具有互补性，分别给对每一维特征“打分”、归一化和赋予权重后，将特征线性融合可以得到运动流畅度分数，并以此有效判断运动序列是否异常。
6.权利要求1所述大鼠机器人行为分析方法在大鼠机器人的行为分类和运动质量评估中应用。