【技術實現(xiàn)步驟摘要】
本專利技術屬于機器學習，具體涉及一種用于青少年視力訓練的近視視力預測方法。
技術介紹
1、近年來，青少年近視率持續(xù)攀升，已成為全球性的公共衛(wèi)生問題，高度近視不僅影響學習和生活質(zhì)量，還可能引發(fā)一系列嚴重的眼部疾病，如視網(wǎng)膜脫離、黃斑病變，早期干預和科學的視力訓練有助于控制近視的發(fā)展，然而，目前缺乏有效的預測方法來評估青少年的近視風險和訓練效果，使得視力訓練的實施和優(yōu)化面臨諸多挑戰(zhàn)，且家庭和學校在近視防控方面也存在一定的認知不足，無法提供充分的支持和指導。
2、視力訓練主要通過一系列眼部運動和視覺刺激，增強眼肌調(diào)節(jié)能力，改善眼部血液循環(huán)，從而達到預防和矯正近視的目的，但傳統(tǒng)的視力訓練方法缺乏科學的預測和個性化指導，效果有限，隨著科技的進步，利用先進的算法和模型對視力變化進行預測，進而制定個性化的視力訓練方案，成為解決這一問題的有效途徑。
3、目前，時間序列預測在多領域取得了顯著進展，然而在青少年視力訓練中的應用仍存在不足，傳統(tǒng)的時間序列預測方法，如rnn、cnn和lstm等，雖然能夠捕捉時間依賴性，但在處理多變量、復雜依賴關系的視力數(shù)據(jù)時，往往表現(xiàn)不佳，尤其是對于長時間跨度的視力變化預測，這些方法容易出現(xiàn)過擬合和預測不準確的問題，本專利技術針對此問題提出一種用于青少年視力訓練的近視視力預測方法。
技術實現(xiàn)思路
1、本專利技術提供一種用于青少年視力訓練的近視視力預測方法，針對近視視力預測任務，提出mtsformer預測模型，由mcam模塊、tkmm模塊和全連接層組
2、本專利技術為實現(xiàn)上述目的所采用的技術方法，具體包括以下步驟：
3、s1、收集青少年近視視力相關數(shù)據(jù)，包括特征和目標變量，對收集的數(shù)據(jù)進行預處理；
4、s2、使用方法對青少年近視視力數(shù)據(jù)進行歸一化，并按比例劃分數(shù)據(jù)集；
5、s3、構(gòu)建mcam模塊，用于處理青少年近視視力數(shù)據(jù)在特征維度和時間維度上的token張量之間關系，具體包括以下步驟：
6、s31、采用片段化方法將青少年近視視力數(shù)據(jù)作為時間序列數(shù)據(jù)分割為長度的片段，并轉(zhuǎn)化為token張量矩陣；
7、s32、通過全連接層獲得token張量矩陣的查詢、鍵和值，自適應地確定注意力模塊數(shù)量及注意力模塊維度，并按維度分割多個注意力模塊、、；
8、s33、在token張量矩陣和多個注意力模塊、、上分別進行注意力計算，使用移動平均操作對時間窗口內(nèi)的值進行平均，并計算注意力得分矩陣；
9、s4、構(gòu)建tkmm模塊，用于處理青少年近視視力數(shù)據(jù)在特征維度中不同特征之間的依賴關系，具體包括以下步驟：
10、s41、將步驟s32中，獲得的多個注意力模塊、、，按token張量維度進行切片獲得、、；
11、s42、提出平均自適應權重動態(tài)投影方法，對與進行降維和平滑，獲得降維后鍵與值的動態(tài)投影和平滑后鍵與值的動態(tài)投影，進行加權求和得到平均自適應權重鍵與值的動態(tài)投影；
12、s43、計算結(jié)合平均自適應權重動態(tài)投影后鍵與值的表示，并計算注意力得分矩陣；
13、s5、整合mcam模塊和tkmm模塊信息，并通過全連接層完成預測。
14、優(yōu)選地，所述步驟s1中，青少年近視視力相關數(shù)據(jù)包括青少年基本信息數(shù)據(jù)、左眼和右眼近視度數(shù)數(shù)據(jù)、左眼和右眼裸眼視力數(shù)據(jù)、矯正視力數(shù)據(jù)、學習環(huán)境數(shù)據(jù)、眼軸長度數(shù)據(jù)、角膜曲率數(shù)據(jù)、前房深度數(shù)據(jù)、眼壓數(shù)據(jù)，使用均值法填補數(shù)據(jù)缺失值，具體公式如下：
15、；
16、式中，為填補的均值，為缺失值數(shù)量，為非缺失值。
17、優(yōu)選地，所述步驟s2中，使用方法對青少年近視視力數(shù)據(jù)進行歸一化，并按比例劃分訓練集和測試集，具體公式如下：
18、；
19、式中，為青少年近視視力數(shù)據(jù)，為歸一化后的青少年近視視力數(shù)據(jù)，為青少年近視視力數(shù)據(jù)中的最大值，為青少年近視視力數(shù)據(jù)中的最小值。
20、優(yōu)選地，所述步驟s3，s31中定義為青少年近視視力數(shù)據(jù)，其中為特征數(shù)，為時刻，輸入模型的青少年近視視力數(shù)據(jù)矩陣為，其中，為青少年近視視力數(shù)據(jù)的特征數(shù)，為時間步長，將青少年近視視力數(shù)據(jù)矩陣分割為個時間步長數(shù)片段，具體公式如下：
21、；
22、式中，為步幅，為片段長度，將分割后的片段組合為初始token張量矩陣，并通過全連接層將初始token張量矩陣轉(zhuǎn)換為token張量矩陣，具體公式如下：
23、；
24、式中，為一個額外的token張量，用于聚合全局信息，為全連接層，為初始token張量矩陣，為位置嵌入矩陣，用于對每個token張量保留青少年近視視力時間序列數(shù)據(jù)的時間順序信息。
25、優(yōu)選地，通過將青少年近視視力數(shù)據(jù)片段化處理，將青少年近視視力時間序列數(shù)據(jù)分割為長度固定的片段，轉(zhuǎn)化為token張量矩陣，有助于將長時間序列數(shù)據(jù)變?yōu)槎鄠€短片段，保留時間順序信息，同時將數(shù)據(jù)轉(zhuǎn)換為適合模型處理的格式，且通過片段化處理和token張量矩陣，模型能夠更好地理解和捕捉青少年近視視力時間序列數(shù)據(jù)中的時間依賴性和動態(tài)變化特征，這種方法不僅提升了數(shù)據(jù)的表達能力，還使得模型能夠處理不同長度和時間步長的數(shù)據(jù)，提高了模型的靈活性和適應性，同時也簡化了數(shù)據(jù)處理流程，提高了整體計算效率。
26、優(yōu)選地，所述步驟s3，s32中通過全連接層獲得token張量矩陣的查詢、鍵和值，具體公式如下：
27、；
28、；
29、；
30、式中，、、為全連接層，為token張量矩陣，基于輸入的青少年近視視力數(shù)據(jù)特征，自適應地確定注意力模塊的數(shù)量和每個模塊的維度，具體公式如下：
31、；
32、；
33、式中，為輸入青少年近視視力數(shù)據(jù)的維度，為調(diào)整模塊數(shù)量與特征之間的關系的超參數(shù)，為注意力模塊的數(shù)量，為每個模塊的維度，將token張量矩陣的查詢、鍵和值切分成多個注意力模塊，具體公式如下：
34、；
35、；
36、；
37、式中，為第個注意力模塊，為每個模塊的維度，、、為每個注意力模塊的查詢、鍵和值，且。
38、優(yōu)選地，通過全連接層獲得token張量矩陣的查詢、鍵和值，并自適應地確定注意力模塊數(shù)量及其維度，自適應多頭注意力機制能夠根據(jù)輸入數(shù)據(jù)的特征動態(tài)調(diào)整注意力模塊的數(shù)量和維度，提高模型在處理不同類型數(shù)據(jù)時的靈活性和性能，具體地，通過全連接層將token張量矩陣切分成多個注意力模塊，每個模塊獨立處理一部分數(shù)據(jù)特征，增強了模型的適應性和魯棒性，能夠在處理復雜數(shù)據(jù)時表現(xiàn)出色，減少了過擬合和欠擬合的問題。
39、優(yōu)選地，所述步驟s3，s33中將、、在特征維度上進行切片，得到每個特征的子矩陣，具體公式如下：
40、;
41、;
42、;
43、式中，、、為第個注意力模塊的第個特征的查詢、鍵和值的子矩陣本文檔來自技高網(wǎng)...
【技術保護點】
1.一種用于青少年視力訓練的近視視力預測方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S3，S31中定義為青少年近視視力數(shù)據(jù)，其中為特征數(shù)，為時刻，輸入模型的青少年近視視力數(shù)據(jù)矩陣為，其中，為青少年近視視力數(shù)據(jù)的特征數(shù)，為時間步長，將青少年近視視力數(shù)據(jù)矩陣分割為個時間步長數(shù)片段，具體公式如下：
3.根據(jù)權利要求2所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S3，S32中通過全連接層獲得token張量矩陣的查詢、鍵和值，具體公式如下：
4.根據(jù)權利要求3所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S3，S33中將、、在特征維度上進行切片，得到每個特征的子矩陣，具體公式如下：
5.根據(jù)權利要求4所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S4，S41中將步驟S32中，獲得的token張量矩陣的查詢、鍵和值，按token張量維度進行切片，具體公式如下：
6.根據(jù)權利要求5所述的一種用
7.根據(jù)權利要求6所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S4，S43中計算結(jié)合平均自適應權重動態(tài)投影后鍵與值的表示，具體公式如下：
8.根據(jù)權利要求6所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟S5中，整合MCAM模塊和TKMM模塊的信息，并通過全連接層完成預測，具體公式如下：
...【技術特征摘要】
1.一種用于青少年視力訓練的近視視力預測方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟s3，s31中定義為青少年近視視力數(shù)據(jù)，其中為特征數(shù)，為時刻，輸入模型的青少年近視視力數(shù)據(jù)矩陣為，其中，為青少年近視視力數(shù)據(jù)的特征數(shù)，為時間步長，將青少年近視視力數(shù)據(jù)矩陣分割為個時間步長數(shù)片段，具體公式如下：
3.根據(jù)權利要求2所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟s3，s32中通過全連接層獲得token張量矩陣的查詢、鍵和值，具體公式如下：
4.根據(jù)權利要求3所述的一種用于青少年視力訓練的近視視力預測方法，其特征在于，所述步驟s3，s33中將、、在特征維度上進行切片，得到每個特征的子矩陣，具體公式如下：
<...【專利技術屬性】
技術研發(fā)人員：王建民，孟雪，王玉璽，
申請(專利權)人：山東黃海智能裝備有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。