[發明專利]一種新型視覺運動追蹤訓練系統

在審

• 申請號: 201710879402.7
• 申請日: 2017-09-26
• 公開（公告）號: CN107951491A
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 王欣
• 申請（專利權）人: 齊魯師范學院
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B3/113;A61B3/032;A61H5/00
• 代理公司: 上海精晟知識產權代理有限公司31253
• 代理人: 馮子玲

1.一種新型視覺運動追蹤訓練系統，其特征在于，所述新型視覺運動追蹤訓練系統設置有用于對檢測數據和訓練設備進行控制的主控模塊；

所述主控模塊對跳頻混合信號時頻域矩陣進行預處理，具體包括如下兩步：

第一步，對進行去低能量預處理，即在每一采樣時刻p，將幅值小于門限ε的值置0，得到門限ε的設定可根據接收信號的平均能量來確定；

第二步，找出p時刻(p＝0，1，2，…P-1)非零的時頻域數據，用表示，其中表示p時刻時頻響應非0時對應的頻率索引，對這些非零數據歸一化預處理，得到預處理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),…,b_M(p,q)]^T，其中

所述主控模塊對不同跳頻點之間的時頻域跳頻源信號進行拼接，具體步驟如下：

第一步，估計第l跳對應的個入射角度，用表示第l跳第n個源信號對應的入射角度，的計算公式如下：

θ^n(l)=1M-1Σm=2Msin-1[angle(a^n,m(l)/a^n,m-1(l))*c2πf^c,n(l)d],n=1,2.,N^;]]>

表示第l跳估計得到的第n個混合矩陣列向量的第m個元素，c表示光速，即v_c＝3×10⁸米/秒；

第二步，判斷第l(l＝2，3，…)跳估計的源信號與第一跳估計的源信號之間的對應關系，判斷公式如下：

mn(l)=argminm|θ^m(l)-θ^m(1)|,n=1,2,...,N^]]>

其中m_n^(l)表示第l跳估計的第m_n^(l)個信號與第一跳估計的第n個信號屬于同一個源信號；

第三步，將不同跳頻點估計到的屬于同一個源信號的信號拼接在一起，作為最終的時頻域源信號估計，用Y_n(p,q)表示第n個源信號在時頻點(p,q)上的時頻域估計值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1：

所述主控模塊對接收到的LFM信號做線性正則域的短時傅里葉變換，得到線性正則域的短時傅里葉變換譜；

接收LFM信號的線性正則域的短時傅里葉變換按以下進行：

1.1)LFM信號模型表示為：

f(t)=A0exp(j(f0t+12kt2));]]>

其中，A₀為幅度，t為時間；f₀為初始頻率，k為調頻率，j是虛數單位；

1.2)LFM信號f(t)的線性正則域的短時傅里葉變換定義如下：

L_A(t,f)＝∫f(t+τ)h*(τ)K_A(f,τ)dτ；

其中，(t,f)為時頻域上的點，為線性正則變換的參數，且ad-bc＝1，h(t)是窗函數，本發明中使用高斯窗，h*(t)是h(t)的共軛，τ是變量代換；另外，還有：

KA(f,τ)=1j2πbexp[j(d2bf2-1bfτ+a2bτ2)],b≠0;]]>

1.3)定義高斯窗函數h(t)如下：

h(t)=(απ)14exp(-αt22),α>0;]]>

其中，α是控制窗寬度的參數，窗函數代入得：

LA(t,f)=A0j2πb(απ)14∫exp{jf0(t+τ)+j12k(t+τ)2+ατ22+jd2bf2-jfτb+jaτ22b}dτ=A0j2πb(απ)14∫exp{τ2(jk2+α2+ja2b)+τ(jf0+jkt-jfb)+jkt22+jf0t+jd2bf2}dτ;]]>

則：

|LA(t,f)|=|A0j2πb(απ)14∫exp{τ2(j12k+α2+ja2b)+τ(jf0+jkt-jfb)}dτ|;]]>

可得：

|LA(t,f)|=|A0b(k+ab-jα)(απ)14exp-(jf0+jkt-jfb)2j2k+2α+j2ab|;]]>

從而得到信號的線性正則域的短時傅里葉變換譜：

|LA(t,f)|2=αA02πb|k+ab-jα||exp-(jf0+jkt-jfb)2(2α-j2(k+ab))4α2+4(k+ab)2|2=αA02πbα2+(k+ab)2exp-4α(f0+kt-fb)24α2+4(k+ab)2=A02πb·1α+1α(k+ab)2exp-(f0+kt-fb)2α+1α(k+ab)2;]]>

對得到的LFM信號的線性正則域的短時傅里葉變換譜做Hough變換，得到Hough變換矩陣；對信號的線性正則域的短時傅里葉變換譜做Hough變換按以下進行：

首先，極坐標方程為ρ＝tcosθ+fsinθ，其中，(t,f)為時頻域上的點，ρ為該點到原點距離，θ為過該點和原點直線與x軸的夾角，將極坐標空間(ρ,θ)量化為(ρ_u,θ_v)，u＝1,...,M,v＝1,...,N,得到M×N的二維矩陣M(ρ,θ)，M(ρ,θ)是一個累加器，初始值為0；

然后對應時頻域上的每個點(t,f)，其譜幅度為|L_A(t,f)|²，為提高計算速度，設定當某個點的譜幅度大于所有點的譜幅度的最大值的時則進行Hough變換，否則忽略掉該點；

最后對滿足譜幅度大于所有點的譜幅度的最大值的點(t,f)，將θ的所有量化值代入極坐標方程，求出相應的ρ，并將累加器加上|L_A(t,f)|²，即M(ρ,θ)＝M(ρ,θ)+|L_A(t,f)|²，得到Hough變換矩陣M(ρ,θ)；

利用二維滑動窗對Hough變換后的矩陣進行遍歷，并在窗內做能量累積，從而得到檢驗統計量；用二維滑動窗對Hough變換后的矩陣進行遍歷，并在窗內做能量累積按以下進行：

首先設置二維滑動窗P(m,n)的長度為L，寬度為K，其中，m和n分別表示二維滑動窗的橫坐標和縱坐標；設置步驟S2中得到的Hough變換矩陣為M(ρ,θ)的長度為M，寬度為N，則Hough變換矩陣被分為塊，其中表示向下取整；

然后分別計算Hough變換矩陣點數為(L,K),(2L,K),…,(pL,K),(L,2K),(2L,2K),…,(pL,2K),…,(pL,qK)處窗口P(m,n)的能量和，得到p×q的檢驗統計量Q(m,n)，其計算方法如下：

Q(m,n)=Σu=(m-1)L+1mLΣv=(n-1)K+1nKM(ρu,θv),m=1,2,...,p,n=1,2,...,q;]]>

根據接受者操作特性曲線(ROC)得到最優的判決門限，通過將最優的判決門限與得到的檢驗統計量進行比較，對LFM信號進行檢測；

與主控模塊電連接，用于通過眼動儀捕捉眼部動作數據信息的眼部動作捕捉模塊；

所述眼部動作捕捉模塊利用聚類算法估計每一跳的跳變時刻以及各跳對應的歸一化的混合矩陣列向量、跳頻頻率時，包括以下步驟：

第一步，在p(p＝0，1，2，…P-1)時刻，對表示的頻率值進行聚類，得到的聚類中心個數表示p時刻存在的載頻個數，個聚類中心則表示載頻的大小，分別用表示；

第二步，對每一采樣時刻p(p＝0，1，2，…P-1)，利用聚類算法對進行聚類，同樣可得到個聚類中心，用表示；

第三步，對所有求均值并取整，得到源信號個數的估計即

N^=round(1pΣp=0P-1N^p);]]>

第四步，找出的時刻，用p_h表示，對每一段連續取值的p_h求中值，用表示第l段相連p_h的中值，則表示第l個頻率跳變時刻的估計；

第五步，根據第二步中估計得到的以及第四步中估計得到的頻率跳變時刻估計出每一跳對應的個混合矩陣列向量具體公式為：

a^n(l)=1p‾h(1)·Σp=1,p≠php‾h(1)bn,p0l=1,1p‾h(l)-p‾h(l-1)·Σp=p‾h(l-1)+1,p≠php‾h(l)bn,p0l>1,,n=1,2,...,N^;]]>

這里表示第l跳對應的個混合矩陣列向量估計值；

第六步，估計每一跳對應的載頻頻率，用表示第l跳對應的個頻率估計值，計算公式如下：

f^c,n(l)=1p‾h(1)·Σp=1,p≠php‾h(1)fon(p)l=1,1p‾h(l)-p‾h(l-1)·Σp=p‾h(l-1)+1,p≠php‾h(l)fon(p)l>1,,n=1,2,...,N^;]]>

與主控模塊電連接，用于通過視力儀獲取使用者的視力度數的視力檢查模塊；

與主控模塊電連接，用于將眼部動作捕捉模塊、視力檢查模塊獲取的數據信息顯示出來的顯示模塊；

所述顯示模塊估計得到的歸一化混合矩陣列向量估計時頻域跳頻源信號，具體步驟如下：

第一步，對所有采樣時刻索引p判斷該時刻索引屬于哪一跳，具體方法為：如果則表示時刻p屬于第l跳；如果則表示時刻p屬于第1跳；

第二步，對第l(l＝1,2,…)跳的所有時刻p_l，估計該跳各跳頻源信號的時頻域數據，計算公式如下：

S~j(pl,q)=1||a^j(l)||2·a^jH(l)×X~1(pl,q)X~2(pl,q)...X~M(pl,q)j=argmaxj0=1,2,...,N^(|[X~1(pl,q),X~2(pl,q),...,X~M(pl,q)]H×a^j0(l)|)S~m(pl,q)=0m=1,2,...,M,m≠jq=0,1,2,...,Nfft-1;]]>

與主控模塊電連接，用于通過手眼腦訓練設備進行對手眼腦進行協調訓練的手眼腦訓練模塊。