[发明专利]一种运动员赛前综合状态评估方法及系统

权利要求书

1.一种运动员赛前综合状态评估方法，其特征在于，所述方法包括：

采集运动员赛前的答题数据、答题过程中的行为监测数据和生理监测数据并形成带时间轴的多模态数据；

构建隐式分布预演化模型，用于进行运动员赛前综合状态推演；

以时间轴上靠前的多模态数据为输入、以时间轴上靠后的多模态数据为监督信号，训练所述隐式分布预演化模型；

所述隐式分布预演化模型的推演过程为：

将输入的多模态数据转换成正向嵌入向量并扩增时间向量共同组成输入数据，通过编码器将输入数据编码到隐空间中，并通过语义融合得到输入数据的隐状态向量；

通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量；

将m步隐状态转移向量经过神经网络映射，得到隐空间中的高斯分布，对高斯分布进行抽样，得到m步转移的抽样结果；

融合时间向量、输入数据的隐状态向量和m步转移的抽样结果并输入解码器解码，得到多模态数据的反向嵌入层；

构建损失函数，通过优化编码器中的参数和解码器参数来优化损失函数；

重复以上推演过程，完成隐式分布预演化模型训练；

获取运动员赛前的实时多模态数据输入隐式分布预演化模型，抽取出其中高斯分布作为运动员心理状态度量的概率分布；

将高斯分布抽样结果与时间向量、实时多模态数据的隐状态向量特征融合后输入训练完成的解码器进行求解，得到运动员赛前综合状态评估结果。

2.根据权利要求1所述的运动员赛前综合状态评估方法，其特征在于，所述输入数据的表达式为：D＝(T_,X)

其中，D∈Rⁿ⁺²表示输入数据，T∈R²表示扩增的时间向量，T的两个分量分别是当前反馈的开始时间和结束时间；X＝(x₁,x₂,...,x_n)∈Rⁿ表示正向嵌入向量，其每个分量对应多模态数据中的每个题目、答题过程中被监测的每个行为或每个生理指标；

通过语义融合得到输入数据的隐状态向量的表达式为：

其中，S表示构建在隐空间中的隐状态向量，⊕表示拼接运算；

ENN_h(D)为多层神经网络编码器，其第h层的映射函数为：

ENN_h(D)＝σ(w_hENN_h-1(D)+b_h-1)

其中，ENN₁(D)＝σ(w₁·D+b₁)，ENN₁表示编码器的第一层的映射函数，ENN_h-1(D)表示编码器的第h-1层的映射函数，σ表示一个非线性激活函数，w₁、w_h分别表示第一层、第h层的参数矩阵，b₁、b_h-1分别表示第一层、第h-1层的线性变换中的偏置参数。

3.根据权利要求2所述的运动员赛前综合状态评估方法，其特征在于，所述通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量具体为：

根据切普曼-科尔莫戈诺夫方程，进行m步隐状态分量转移的表达式为：

其中，S(t)表示t时刻下的隐状态向量，S(t+m)表示t+m时刻下的隐状态向量；C表示一个隐状态分量转移矩阵，其第i行第j列元素c_ij表示1个时间单位后，隐状态向量第i分量的一部分转移到第j分量的概率；C^m为C矩阵的m次幂，表示m个时间单位后的隐状态分量转移矩阵；

将1个时间单位后的隐状态分量转移作为一步预演化，隐状态分量的一步预演化的表达式为：

则隐状态分量的m步预演化的表达式为：

其中，S(t)[i]表示t时刻下隐状态向量的第i分量，S(t)[j]表示t时刻下隐状态向量的第j分量，S(t+1)[j]、S(t+m)[j]分别表示t+1时刻下、t+m时刻下隐状态向量的第j分量；λ表示转移因子，用来调节每个时间单位内的转移比例，表示隐状态分量的m步预演化的转移概率。