一种新型视觉运动追踪训练系统技术方案

本发明专利技术属于视觉训练技术领域，公开了一种新型视觉运动追踪训练系统设置有用于对检测数据和训练设备进行控制的主控模块；用于通过眼动仪捕捉眼部动作数据信息的眼部动作捕捉模块；用于通过视力仪获取使用者的视力度数的视力检查模块；用于将眼部动作捕捉模块、视力检查模块获取的数据信息显示出来的显示模块；用于通过手眼脑训练设备进行对手眼脑进行协调训练的手眼脑训练模块。通过手眼脑训练模块可以对使用者的手、眼、脑进行协调训练，增强训练效果；同时通过视力检查模块可以对使用者的视力进行检查，并根据视力来制定训练方案，具有针对性，可以快速提升训练效果。

A new type of visual motion tracking training system

The invention belongs to the field of visual training technology. A new visual motion tracking training system is set up with a master control module for controlling the detection data and training equipment; an eye movement capture module is used to capture eye movement data information through an eye movement instrument; it is used to obtain the user's visual acuity through an eyesight instrument. The visual inspection module is used to display the data information obtained by the eye movement capture module and the visual inspection module, and the hand eye brain training module is used for the coordination training of the eye brain through the hand eye training equipment. Through the hand eye brain training module, the user's hand, eye and brain can be trained to improve the training effect. At the same time, the visual acuity test module can be used to check the user's eyesight, and the training program can be formulated according to the vision. It is pertinent and can improve the training effect quickly.

【技术实现步骤摘要】
一种新型视觉运动追踪训练系统
本专利技术属于视觉训练
，尤其涉及一种新型视觉运动追踪训练系统。
技术介绍
视觉是人类认知世界的重要途径之一，人类获取外部信息的80％来自视觉系统。计算视觉就是在了解人类视觉基础上，用成像系统代替人类视觉器官，用计算级代替人脑完成对输入图像的处理与理解。同时，随着信息技术与智能科学的发展，计算机视觉是人工智能领域热门学科之一和物联网感知层重要技术之一。然而，现有的视觉运动训练系统，训练单一只对视觉训练，不能与手脑进行协调训练，训练整体效果差；同时不具有对使用者的视力度数进行检测，导致视力强和视力差的训练方案相同，不具有针对性，训练效果差。综上所述，现有技术存在的问题是：现有的视觉运动训练系统，训练单一只对视觉训练，不能与手脑进行协调训练，训练整体效果差；同时不具有对使用者的视力度数进行检测，导致视力强和视力差的训练方案相同，不具有针对性，训练效果差。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种新型视觉运动追踪训练系统。本专利技术是这样实现的，一种新型视觉运动追踪训练系统，所述新型视觉运动追踪训练系统设置有用于对检测数据和训练设备进行控制的主控模块；所述主控模块对跳频混合信号时频域矩阵进行预处理，具体包括如下两步：第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；第二步，找出p时刻(p＝0，1，2，…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p，q)＝[b1(p，q)，b2(p，q)，…，bM(p，q)]T，其中所述主控模块对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：第一步，估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即vc＝3×108米/秒；第二步，判断第l(l＝2，3，...)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：其中mn(l)表示第l跳估计的第mn(l)个信号与第一跳估计的第n个信号属于同一个源信号；第三步，将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Yn(p，q)表示第n个源信号在时频点(p，q)上的时频域估计值，p＝0，1，2，....，P，q＝0，1，2，...，Nfft-1：所述主控模块对接收到的LFM信号做线性正则域的短时傅里叶变换，得到线性正则域的短时傅里叶变换谱；接收LFM信号的线性正则域的短时傅里叶变换按以下进行：1.1)LFM信号模型表示为：其中，A0为幅度，t为时间；f0为初始频率，k为调频率，j是虚数单位；1.2)LFM信号f(t)的线性正则域的短时傅里叶变换定义如下：LA(t，f)＝∫f(t+τ)h*(τ)KA(f，τ)dτ；其中，(t，f)为时频域上的点，为线性正则变换的参数，且ad-bc＝1，h(t)是窗函数，本专利技术中使用高斯窗，h*(t)是h(t)的共轭，τ是变量代换；另外，还有：1.3)定义高斯窗函数h(t)如下：其中，α是控制窗宽度的参数，窗函数代入得：则：可得：从而得到信号的线性正则域的短时傅里叶变换谱：对得到的LFM信号的线性正则域的短时傅里叶变换谱做Hough变换，得到Hough变换矩阵；对信号的线性正则域的短时傅里叶变换谱做Hough变换按以下进行：首先，极坐标方程为ρ＝tcosθ+fsinθ，其中，(t，f)为时频域上的点，ρ为该点到原点距离，θ为过该点和原点直线与x轴的夹角，将极坐标空间(ρ，θ)量化为(ρu，θv)，u＝1，...，M，v＝1，...，N，得到M×N的二维矩阵M(ρ，θ)，M(ρ，θ)是一个累加器，初始值为0；然后对应时频域上的每个点(t，f)，其谱幅度为|LA(t，f)|2，为提高计算速度，设定当某个点的谱幅度大于所有点的谱幅度的最大值的时则进行Hough变换，否则忽略掉该点；最后对满足谱幅度大于所有点的谱幅度的最大值的点(t，f)，将θ的所有量化值代入极坐标方程，求出相应的ρ，并将累加器加上|LA(t，f)|2，即M(ρ，θ)＝M(ρ，θ)+|LA(t，f)|2，得到Hough变换矩阵M(ρ，θ)；利用二维滑动窗对Hough变换后的矩阵进行遍历，并在窗内做能量累积，从而得到检验统计量；用二维滑动窗对Hough变换后的矩阵进行遍历，并在窗内做能量累积按以下进行：首先设置二维滑动窗P(m，n)的长度为L，宽度为K，其中，m和n分别表示二维滑动窗的横坐标和纵坐标；设置步骤S2中得到的Hough变换矩阵为M(ρ，θ)的长度为M，宽度为N，则Hough变换矩阵被分为块，其中表示向下取整；然后分别计算Hough变换矩阵点数为（L，K)，(2L，K)，…，(pL，K)，（L，2K)，(2L，2K)，…，（pL，2K)，…，(pL，qK)处窗口P(m，n)的能量和，得到p×q的检验统计量Q(m，n)，其计算方法如下：m＝1，2，...，p，n＝1，2，...，q；根据接受者操作特性曲线(ROC)得到最优的判决门限，通过将最优的判决门限与得到的检验统计量进行比较，对LFM信号进行检测；与主控模块电连接，用于通过眼动仪捕捉眼部动作数据信息的眼部动作捕捉模块；所述眼部动作捕捉模块利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：第一步，在p(p＝0，1，2，...P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；第二步，对每一采样时刻p(p＝0，1，2，...P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；第三步，对所有求均值并取整，得到源信号个数的估计即第四步，找出的时刻，用ph表示，对每一段连续取值的ph求中值，用表示第l段相连ph的中值，则表示第l个频率跳变时刻的估计；第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：这里表示第l跳对应的个混合矩阵列向量估计值；第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：与主控模块电连接，用于通过视力仪获取使用者的视力度数的视力检查模块；与主控模块电连接，用于将眼部动作捕捉模块、视力检查模块获取的数据信息显示出来的显示模块；所述显示模块估计得到的归一化混合矩阵列向量估计时频域跳频源信号，具体步骤如下：第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；第二步，对第l(l＝1，2，…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：与主控模块电连接，用于通过手眼脑训练设备进行对手眼脑进行协调训练的手眼脑训练模块。进一步，所述新型视觉运动追踪训练系统还设置有平台，所述平台的左侧焊接安装有摄像装置，所述摄像装置的右侧设置有控制器；所述平台的中部设置有滑轨，所述滑轨上活动安装有调节板；所述平台的右端焊接安装有支架，所述支本文档来自技高网...

【技术保护点】
一种新型视觉运动追踪训练系统，其特征在于，所述新型视觉运动追踪训练系统设置有用于对检测数据和训练设备进行控制的主控模块；所述主控模块对跳频混合信号时频域矩阵

【技术特征摘要】
1.一种新型视觉运动追踪训练系统，其特征在于，所述新型视觉运动追踪训练系统设置有用于对检测数据和训练设备进行控制的主控模块；所述主控模块对跳频混合信号时频域矩阵进行预处理，具体包括如下两步：第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；第二步，找出p时刻(p＝0，1，2，…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中所述主控模块对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：第一步，估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即vc＝3×108米/秒；第二步，判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：其中mn(l)表示第l跳估计的第mn(l)个信号与第一跳估计的第n个信号属于同一个源信号；第三步，将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Yn(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,Nfft-1：所述主控模块对接收到的LFM信号做线性正则域的短时傅里叶变换，得到线性正则域的短时傅里叶变换谱；接收LFM信号的线性正则域的短时傅里叶变换按以下进行：1.1)LFM信号模型表示为：其中，A0为幅度，t为时间；f0为初始频率，k为调频率，j是虚数单位；1.2)LFM信号f(t)的线性正则域的短时傅里叶变换定义如下：LA(t,f)＝∫f(t+τ)h*(τ)KA(f,τ)dτ；其中，(t,f)为时频域上的点，为线性正则变换的参数，且ad-bc＝1，h(t)是窗函数，本发明中使用高斯窗，h*(t)是h(t)的共轭，τ是变量代换；另外，还有：1.3)定义高斯窗函数h(t)如下：其中，α是控制窗宽度的参数，窗函数代入得：则：可得：从而得到信号的线性正则域的短时傅里叶变换谱：对得到的LFM信号的线性正则域的短时傅里叶变换谱做Hough变换，得到Hough变换矩阵；对信号的线性正则域的短时傅里叶变换谱做Hough变换按以下进行：首先，极坐标方程为ρ＝tcosθ+fsinθ，其中，(t,f)为时频域上的点，ρ为该点到原点距离，θ为过该点和原点直线与x轴的夹角，将极坐标空间(ρ,θ)量化为(ρu,θv)，u＝1,...,M,v＝1,...,N,得到M×N的二维矩阵M(ρ,θ)，M(ρ,θ)是一个累加器，初始值为0；然后对应时频域上的每个点(t,f)，其谱幅度为|LA(t,f)|2，为提高计算速度，设定当某个点的谱幅度大于所有点的谱幅度的最大值的时则进行Hough变换，否则忽略掉该点；最后对满足谱幅度大于所有点的谱幅度的最大值的点(t,f)，将θ的所有量化值代入极坐标方程，求出相应的ρ，并将累加器加上|LA(t,f)|2，即M(ρ,θ)＝M(ρ,θ)+|LA(t,f)|2，得到Hough变换矩阵M(ρ,θ)；利用二维滑动窗对Hough变换后的矩阵进行遍历，并在窗内做能量累积，从而得到检验统计量；用二维滑动窗对Hough变换后的矩阵进行遍历，并在窗内做能量累积按以下进行：首先设置二维滑动窗P(m,n)的长度为L，宽度为K，其中，m和n分别表示二维滑动窗的横坐标和纵坐标；设置步骤S2中得到的Hough变换矩阵为M(ρ,θ)的长度为M，宽度为N，则Hough变换矩阵被分为块，其中表示向下取整；然后分别计算Hough变换矩阵点数为(L,K),(2L,K),…,(pL,K),(L,2K),(2L,2K),…,(pL,2K),…,(pL,qK)处窗口P(m,n)的能量和，得到p×q的检验统计量Q(m,n)，其计算方法如下：根据接...

【专利技术属性】
技术研发人员：王欣，
申请(专利权)人：齐鲁师范学院，
类型：发明
国别省市：山东,37