【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。然而，不断增加的人工阈值设置引入了主观性。
5、在sp检测领域，现有的一种自适应速度阈值算法(nh)仍需要人工调整参数；remodnav算法扩展了nh算法，但需要大量的手动参数调优。随着阈值的增加和后处理步骤的增加，眼动事件检测的复杂性也随之增加。为了简化这些复杂性，人们开始转向使用机器学习模型来进行全面的眼动事件检测。从随机森林算法到卷积神经网络(cnn)，再到将c
技术实现思路
1、本公开为了解决上述问题，提出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，使用注意力增强的一维卷积神经网络和双向长短期记忆网络混合网络模型(attseqnet)进行眼动事件检测，该架构在1dcnn-blstm结构中引入注意力模块，自动学习上下文特征向量的合适权值，进一步提高眼动事件检测。
2、根据一些实施例，本公开采用如下技术方案：
3、基于注意力驱动和数据分割的眼动事件检测方法，包括：
4、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；
5、将预处理后的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；
6、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。
7、根据一些实施例，本公开采用如下技术方案：
8、基于注意力驱动和数据分割的眼动事件检测系统，包括：
9、数据获取模块，用于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；
10、检测模块，用于将预处理后的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；
11、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。
12、根据一些实施例，本公开采用如下技术方案：
13、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的注意力驱动和数据分割的眼动事件检测方法。
14、根据一些实施例，本公开采用如下技术方案：
15、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的注意力驱动和数据分割的眼动事件检测方法。
16、与现有技术相比，本公开的有益效果为：
17、本公开的基于注意力驱动和数据分割的眼动事件检测方法，弥补了现有基于阈值的眼动事件检测算法的主观性强的缺陷，能够实现眼动事件的自动识别，端到端检测。
18、本公开提出的架构得到的平滑追踪检测效果优于目前已有其他算法。引入注意力机制进一步提高了模型的检测性能，自动为上下文特征向量分配合适的权重，提高了平滑追踪事件的检测准确性。引入基于时间的数据分割策略能够缓解由于数据集的高度不平衡带来的过拟合，合理的分割训练集与测试集，用新划分的数据集来训练模型，进一步提高了眼动事件的检测效果。
19、本公开可用于检测帕金森患者的异常眼动模式，根据模型输出的眼动事件计算眼动特征，能够较好的从注视和扫视事件中识别出平滑追踪事件，研究帕金森患者的眼睛在追逐移动目标时和健康人的眼动模式差异。
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。
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
6.如权利要求5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，通过softmax将原始分数归一化为所有特征权值之和为1的概率分布，对原始特征向量进行加权和，得到关注值，关注值表示特征的最终概率分布。
7.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，混合网络模型AttSeqNet进行训练时，采用事件分割方法，将训练集和验证集进行划分，从同一时间段对应的数据组成验证集，数据窗口大小保持设定时间不变，比例保持不变。
8.基于注意力驱动和数据分割的眼动事件检测系统，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-7任一项所述的注意力驱动和数据分割的眼动事件检测方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-7任一项所述的注意力驱动和数据分割的眼动事件检测方法。
...【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。