基于注意力驱动和数据分割的眼动事件检测方法及系统技术方案

本公开提供了基于注意力驱动和数据分割的眼动事件检测方法及系统，涉及眼动事件检测技术领域，获取设定时间段内的待检测目标人物的眼动数据，并预处理；将眼动数据转换为时间序列数据，输入至混合网络模型AttSeqNet中，输出眼动事件检测结果；其中，当时间序列数据输入至混合网络模型后，首先经过卷积神经网络模块，通过移动窗口在序列数据上滑动，提取眼动数据的空间特征信息；之后，再经过双向长短期记忆BLSTM模块，提取眼动数据的时间特征信息，再将提取的空间和时间特征输入到注意力机制模块中，生成新的空间语境信息特征向量，最后通过softmax输出最终的概率分布，实现眼动事件的检测。

【技术实现步骤摘要】

本公开涉及眼动事件检测，具体涉及基于注意力驱动和数据分割的眼动事件检测方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。

2、帕金森病(pd)是一种流行的神经退行性疾病，眼动已被确定为帕金森病的潜在生物标志物，研究揭示，与健康人相比，帕金森病患者的眼动模式不同。这些研究的重点是提取和分析眼动特征，以帮助辅助识别帕金森病。特别的，平滑追踪(sp)眼动异常在帕金森病中很常见，这促使人们对帕金森病患者的sp任务异常进行更多的研究。

3、眼睛和神经系统之间的联系是复杂的。研究人员可以通过眼球运动捕捉神经信息，使用各种算法来检测眼球运动事件。利用眼球运动特征调查帕金森病患者的视觉搜索障碍，如扫视频率和幅度。此外，有研究用高级滤波器增强了传统的速度阈值算法，重点捕捉指示认知负荷变化的眼动特征；有研究根据注视和扫视眼球运动来预测阅读障碍的严重程度。

4、选择有效的眼动事件检测方法至关重要。现有算法主要依赖于手动设置阈值，如速度阈值(i-vt)和离散阈值(i-dt)算法，用于事件分类。然本文档来自技高网...

【技术保护点】

1.基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，包括：

2.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，所述眼动数据为眼动数据样本点，为眼球的视点坐标，对视点坐标数据进行线性插值，然后对线性插值后的数据进行滤波，去除噪声。

3.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，在卷积神经网络模块中，包括1D-CNN卷积层，所述1D-CNN的卷积核通过在每个数据点与相应的输入符进行卷积运算来滑动，卷运算的结果用卷积核参数和偏置求和，并由ReLU函数激活，得到眼动数据的空间特征。p>

4.如权利...

【技术特征摘要】

1.基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，包括：

2.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，所述眼动数据为眼动数据样本点，为眼球的视点坐标，对视点坐标数据进行线性插值，然后对线性插值后的数据进行滤波，去除噪声。

3.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，在卷积神经网络模块中，包括1d-cnn卷积层，所述1d-cnn的卷积核通过在每个数据点与相应的输入符进行卷积运算来滑动，卷运算的结果用卷积核参数和偏置求和，并由relu函数激活，得到眼动数据的空间特征。

4.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，将眼动数据再输入至双向长短期记忆网络模块中，双向长短期记忆网络模块包括两个不同的lstm，分别以正向和反向的方式处理输入数据，提取眼动数据的时间特征信息。

5.如权利要求1所述的基于注意力驱动和数据分割的眼动事件检测方法，其特征在于，在双向长短期记忆网络模块和全连接输出层之间引入注意力机制，自适应学习具有不同特征的上下文向量的权值大小，将空间和时间特征输入至注意力模块中，生成注意矩阵，并计算相似度得分，生成...

【专利技术属性】
技术研发人员：马昕，王鑫，江文静，魏子重，
申请(专利权)人：山东大学，
类型：发明
国别省市：