CN108537704A - 课堂评测方法、装置及计算机可读存储介质 - Google Patents

课堂评测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN108537704A
CN108537704A CN201810345765.7A CN201810345765A CN108537704A CN 108537704 A CN108537704 A CN 108537704A CN 201810345765 A CN201810345765 A CN 201810345765A CN 108537704 A CN108537704 A CN 108537704A
Authority
CN
China
Prior art keywords
attention
classroom
numerical value
state
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810345765.7A
Other languages
English (en)
Inventor
韩璧丞
阿迪斯
李昂
郑辉
杨钊祎
刘晨皓
孟木子
于翔
孙东胜
孙越
苗任凯
周承邦
邵真
郭西鹏
程翼
单思聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Heart Flow Technology Co Ltd
Original Assignee
Shenzhen Heart Flow Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Heart Flow Technology Co Ltd filed Critical Shenzhen Heart Flow Technology Co Ltd
Priority to CN201810345765.7A priority Critical patent/CN108537704A/zh
Publication of CN108537704A publication Critical patent/CN108537704A/zh
Priority to PCT/CN2019/082743 priority patent/WO2019201215A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种课堂评测方法，包括以下步骤：获取学生的脑电波数据；利用预设算法获取所述脑电波数据对应的能量信息；提取所述能量信息的特征数据；基于所述特征数据计算目标注意力数值，分析注意力状态。本发明还公开了一种课堂评测装置及计算机可读存储介质。本发明实现了对注意力数值的计算与分析，从而客观、有效的对用户注意力水平进行评测，进而提高了课堂教学效率。

Description

课堂评测方法、装置及计算机可读存储介质
技术领域
本发明涉及教育信息化技术领域，尤其涉及一种课堂评测方法、装置及计算机可读存储介质。
背景技术
人类的心理活动变化与自身的脑电波变化存在一定的关联，例如，人在专心学习、注意力集中时，大脑频率处于α波，(频率范围8-13Hz)，此时脑波比较平稳，是人们学习与思考的最佳脑波状态。当学习兴奋，或精神紧张时，大脑频率处于β波(频率范围14Hz以上)，此时脑波频率变快，幅度加大，适当的β波对注意力提升以及认知行为的发展有积极作用，但持续时间较短，且易疲劳。当学习疲劳、精神松弛时，大脑频率处于θ波(频率范围4-8Hz)，此时脑波整体比较杂乱，且频率逐渐变慢，人的意识逐渐涣散，身体深沉放松，此时对触发深沉记忆、强化长期记忆等帮助极大。
目前，学校的课堂教学系统越来越多采用多媒体技术，但授课方式的效果测评方式仍然停留在主观观察和阶段性测试等较落后的方式，教师很难输入观察学生的注意力水平，而且，通过课后作业或者阶段性测试来评测课堂授课的效果，所以，目前的课堂教学系统缺少客观、有效的评测，无法深入对学生课堂的注意力水平进行评测分析，造成课堂教学效率低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种课堂评测方法、装置及计算机可读存储介质，旨在解决课堂教学系统缺少客观、有效的评测，无法深入对学生课堂的注意力水平进行评测分析，造成课堂教学效率低的技术问题。
为实现上述目的，本发明提供一种课堂评测方法，所述方法包括以下步骤：
获取学生的脑电波数据；
利用预设算法获取所述脑电波数据对应的能量信息；
提取所述能量信息的特征数据；
基于所述特征数据计算目标注意力数值，分析学生的注意力状态。
优选地，利用预设算法获取所述脑电波数据对应的能量信息的步骤包括：
对所述脑电波数据中进行数据清理及降噪，以得到目标脑电波数据；
基于所述目标脑电波数据利用傅里叶变换算法获取频谱数据；
基于所述频谱数据获取所述能量信息。
优选地，所述基于所述特征数据计算目标注意力数值的步骤包括：
基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值；
计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波；
计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值；
基于所述初始注意力数值计算所述目标注意力数值。
优选地，所述基于所述初始注意力数值计算所述目标注意力数值的步骤还包括：
利用机器学习训练模型计算预测注意力数值；
计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值。
优选地，所述分析学生的注意力状态的步骤包括：
获取注意力状态评测标准；
将所述目标注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级。
优选地，所述获取脑电波数据之后，所述课堂评测方法还包括：
检测佩戴设备的佩戴状态；
当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备。
优选地，所述检测用户佩戴状态的步骤包括：
检测佩戴设备中脑电波信号是否异常；
当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率；
基于所述概率确定所述佩戴设备的当前状态。
优选地，所述基于所述特征数据计算注意力数值，分析学生的注意力状态之后，所述课堂评测方法还包括：
分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果；
将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告。
此外，为实现上述目的，本发明还提供一种课堂评测装置，课堂评测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的课堂评测程序，所述课堂评测程序被所述处理器执行时实现上述任一项课堂评测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有课堂评测程序，所述课堂评测程序被处理器执行时实现上述任一项课堂评测方法的步骤。
本发明通过获取学生的脑电波数据，接着利用预设算法获取所述脑电波数据对应的能量信息，然后提取所述能量信息的特征数据，最后基于所述特征数据计算目标注意力数值，分析学生的注意力状态；由此实现了对注意力数值的计算与分析，从而客观、有效的对用户注意力水平进行评测，进而提高了课堂教学效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中课堂评测装置所属终端的结构示意图；
图2为本发明课堂评测方法第一实施例的流程示意图；
图3为本发明课堂评测方法第二实施例中所述利用预设算法获取所述脑电波数据对应的能量信息步骤的细化流程示意图；
图4为本发明课堂评测方法第三实施例中所述基于所述特征数据计算目标注意力数值步骤的细化流程示意图；
图5为本发明课堂评测方法第四实施例中所述基于所述初始注意力数值计算所述目标注意力数值步骤的细化流程示意图；
图6为本发明课堂评测方法第五实施例中所述分析注意力状态步骤的细化流程示意图；
图7为本发明课堂评测方法第六实施例的流程示意图；
图8为本发明课堂评测方法第七实施例中所述检测用户佩戴状态的细化流程示意图；
图9为本发明课堂评测方法第八实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中装置所属终端的结构示意图。
本发明实施例终端可以是PC。如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作服务器、网络通信模块、用户接口模块以及程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的程序。
在本实施例中，装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的程序，其中，处理器1001调用存储器1005中存储的程序时，执行以下操作：
获取脑电波数据；
利用预设算法获取所述脑电波数据对应的能量信息；
提取所述能量的特征数据；
基于所述特征数据计算目标注意力数值，分析注意力状态。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
对所述脑电波数据中进行数据清理及降噪，以得到目标脑电波数据；
基于所述目标脑电波数据利用傅里叶变换算法获取频谱数据；
基于所述频谱数据获取所述能量信息。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值；
计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波；
计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值；
基于所述初始注意力数值计算所述目标注意力数值。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
利用机器学习训练模型计算预测注意力数值；
计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
获取注意力状态评测标准；
将所述目标注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
检测佩戴设备的佩戴状态；
当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
检测佩戴设备中脑电波信号是否异常；
当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率；
基于所述概率确定所述佩戴设备的当前状态。
进一步地，处理器1001可以调用存储器1005中存储的课堂评测程序，还执行以下操作：
分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果；
将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告。
本发明进一步提供一种课堂评测方法。参照图2，图2为本发明课堂评测方法第一实施例的流程示意图。
在本实施例中，该课堂评测方法包括以下步骤：
步骤S10，获取学生的脑电波数据；
在本实施例中，该课堂评测方法应用于课堂评测系统，该课堂评测系统包括脑电采集终端、本地数据采集与处理系统、本地数据库、云服务器、脑电数据库、注意力报告系统。
该脑电采集终端包括采集EEG(electroencephalo-graph脑电波)的头环，该头环能够实时采集学生的脑电波数据，根据数据采集频率将采集到的脑电波数据发送至本地数据采集与处理系统，例如，当数据采集频率设置为160HZ，每0.5秒将80个原始脑电数据作为一个数据包发送给本地数据采集与处理系统。本地数据采集与处理系统包括本地数据采集终端，本地数据采集终端可以通过UDP(User Datagram Protoco用户报文协议)广播自动扫描识别所有网内头环并通过TCP/IP建立连接，实现通信，从脑电采集终端读取数据。采集终端包括脑电采集电极、微处理器模块、WIFI模块、注意力指示灯，微处理器模块通过脑电采集电极获取被采集学生的脑电波数据，经WIFI模块从无线局域网送至地数据采集与处理系统，还可以通过蓝牙等实现各个设备间的通信。
步骤S20，利用预设算法获取所述脑电波数据对应的能量信息；
步骤S30，提取所述能量信息的特征数据；
在本实施例中，该能量信息包括alpha波能量、beta波能量、theta波能量对应的能量值，该预设算法包括傅里叶变换算法，表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)，或者该三角函数的积分的线性组合。在获取到脑电采集终端采集到的脑电波数据时，对脑电波数据进行数据清理及降噪，经过多个带通或者带阻滤波，过滤多种噪声，然后采用傅里叶变换获得各个频率波段上的能量，并提取脑电波数据中不同波段上能量的特征数据，例如，整体能量分布态势、能量峰值对应的频率、用户状态变化是对应的频谱变化，从而存储进本地数据库。该特征数据包括alpha波能量、beta波能量、theta波能量、各频率能量在时域上的均值，标准差，各频段能量的比值、乘积等，储存的数据可以用于生成学生注意力数值报告、分析学生注意力提升水平及分析学生爱好特长等。
步骤S40，基于所述特征数据计算目标注意力数值，分析学生的注意力状态。
在本实施例中，本地数据采集与处理系统对每个学生的注意力数值进行分析与课堂检测。根据各个特征数据，本地数据采集与处理系统通过注意力数值的计算方法、机器学习辅助注意力计算、以及智能配到检测算法计算最终的注意力数值，其中，注意力数值的计算方法计算初始注意力数值，机器学习辅助注意力算法计算预测注意力数值，目标注意力数值为初始注意力数值及预测注意力数值之和。智能佩戴检测算法通过计算佩戴设备的已佩戴状态与未佩戴状态的概率来判断用户是否佩戴设备，防止录入非佩戴状态或佩戴但接触不良状态的数据，在用户没有佩戴设备时，提醒用户调整佩戴设备。
本实施例提出的课堂评测方法，通过获取学生的脑电波数据，接着利用预设算法获取所述脑电波数据对应的能量，然后提取所述能量信息的特征数据，最后基于所述特征数据计算目标注意力数值，分析学生的注意力状态；实现了对注意力数值的计算与分析，从而客观、有效的对用户注意力水平进行评测，进而提高了课堂教学效率。
基于第一实施例，提出本发明课堂评测方法的第二实施例，参照图3，本实施例中，步骤S20包括：
步骤S21，对所述脑电波数据中进行数据清理及降噪，以得到目标脑电波数据；
在本实施例中，脑电收集系统采集到的数据中包含多种噪音，主要包括因眨眼等造成的肌电信号干扰、因头环与皮肤摩擦造成的电势变化。这些噪音的主要特征为：在时域信号以及分频信号上的特殊峰值。数据预处理模块的主要功能是检测这些噪声并对这些噪声进行剔除。该数据清理包含三个部分，IMU动作处理，眨眼检测，波峰压缩，具体地，IMU数据是头环内置模块采集的头环物理运动数据，该数据包括头环在该时间点在三维空间三个坐标轴上的加速度，当加速度大于一定阈值，则判断该时间的数据不可信，对于不可信的数据段，直接丢弃，并在时域上进行线性插值，例如，V＝V_{0}+(t-t_{0})*(V_{1}-V_{0})/(t_{1}-t{0})，其中，V为在时刻t进行的插值，V_{0}和V_{1}分别是丢弃数据段的起始和结束时刻，V_{0}和V_{1}是相应时刻的电压值。
在经过IMU处理和眨眼检测之后，信号中仍可能受到不同的噪声影响，从而造成电压过高，则通过波峰压缩对噪声进行进一步处理，具体地，对于任何原始电压值过高的波段，认为该波段是电压异常，电压值超过预设阈值时，则认为电压值过高，对于超过预设阈值的异常波段，按照下列公式对电压值进行压缩：V＝U_avgNormal/avdygArtifact其中，U是原始电压值，avgNormal是正常波段的电压均值，avdygArtifact是异常波段的电压均值，V是异常波段压缩后的数值。
进一步地，将采集到的脑电波数据进行清理及降噪后得到的数据再次进行滤波操作，首先通过带通滤波，然后再进行带阻滤波，最后将带阻滤波后的数据作为目标脑电波数据。
步骤S22，基于所述目标脑电波数据利用傅里叶变换算法获取频谱数据；
步骤S23，基于所述频谱数据获取所述能量信息。
在本实施例中，采用傅里叶变换获取频谱数据，生成频谱，频谱就是频率的分布曲线，复杂振荡分解为振幅不同和频率不同的谐振荡，这些谐振荡的幅值按频率排列的的图形叫做频谱。用户状态变化能够从频谱的变化中体现，根据频谱数据能够自动获取到对应的能量信息，该能量信息包括alpha波能量、beta波能量、theta波能量对应的能量值。根据傅里叶变换获得的频谱数据及采集到的脑电波数据能够提取不同波段上能量的特征数据，例如，整体能量分布态势、能量峰值对应的频率、用户状态变化对应的频谱变化，将这些特征数据及脑电波数据存储至本地数据库，该特征数据包括特征数据包括delta，theta，alpha，beta，high-beta，gamma各频率能量值，各频率能量在时域上的均值，标准差，各频段能量的比值、乘积等。
基于第二实施例，提出本发明课堂评测方法的第三实施例，参照图4，本实施例中，步骤S40包括：
步骤S41，基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值；
步骤S42，计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波；
步骤S43，计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值；
步骤S44，基于所述初始注意力数值计算所述目标注意力数值。
在本实施例中，在计算注意力数值时，首先通过注意力数值计算方法计算初始注意力数值，然后通过机器学习训练模型计算预测注意力数值，其中，在计算初始注意力数值时，先对Beta段能量进行标准化，可以根据Beta段能量实时最大值和最小值进行标准化，Norm＝(Beta–min)/(max-min)，其中Norm是标准化后的结果，Beta是实时的Beta段能量，min和max分别是实时的Beta能量最小值及最大值。
进一步地，对Beta段能量进行标准化得到标注化能量值时，计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波，其中，Beta段平均波峰距离是在以当前时间向前的一个时间窗口内波峰与波峰之间的距离。计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波这三个数值的加权总和。
本实施例提出的课堂评测方法，通过基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值，然后计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波，接着计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值，最后基于所述初始注意力数值计算所述目标注意力数值；实现了根据Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波计算初始注意力数值，从而能够计算目标注意力数值，进一步提高了课堂评测及分析的效率，同时，初始注意力数值也能体现用户当前注意力水平。
基于第三实施例，提出本发明课堂评测方法的第四实施例，参照图5，本实施例中，步骤S44包括：
步骤S441，利用机器学习训练模型计算预测注意力数值；
步骤S442，计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值。
在本实施例中，采用整体学习算法，使用事后剪枝及十折交叉验证，根据数据样本进行学习，将训练出的模型用于预测注意力数值。机器学习训练模型的输入包括原始电压值、alpha、beta、theta三个频率上各自的能量，三个能量的能量值的两两比值，三个能量的能量值的两两乘积，三个能量在时域上的统计特征共十六个数值，每个数值在进入训练模型前，都在临近十个数据点上进行了平均，并用均值进行预测。通过模型的运算能够得到预测注意力数值，然后计算初始注意力数值与预测注意力数值之和得到目标注意力数值。
本实施例提出的课堂评测方法，通过利用机器学习训练模型计算预测注意力数值，然后计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值；实现了通过机器学习训练模型计算预测注意力数值，从而计算目标注意力数值，进而提高了课堂评测的效率。
基于第四实施例，提出本发明课堂评测方法的第五实施例，参照图6，本实施例中，步骤S40还包括：
步骤S45，获取注意力状态评测标准；
步骤S46，将所述注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级。
在本实施例中，该注意力评测标准包括由技术人员预设的上限值及下限值来确定对应的注意力水平等级，将目标注意力数值与注意力状态标准进行比较，例如，当被采集学生的注意力数值小于预设的下限值，判定为注意力不集中，当被采集学生的注意数值大于设定上限值，判定为该学生注意力高度集中，当注意力数值等于预设的下限值或者上限值、在上限值与下限值中间的数值时，则判定注意力居中，检测终端可以通过代表学生的图标颜色变化来显示该学生注意力状态，还可以通过注意力意力指示灯的颜色变化实时反映注意力水平，例如，红色代表注意力集中，蓝色表示注意力不集中，黄色表示注意力居中。当然，注意力状态评测标准中可以设定多个等级，不同等级对应各个注意力数值区间，只要将目标注意力数值与注意力状态评测标准进行比较，则能确定用户当前注意力水平等级。或者，通过Equal Bining的方法将注意力数值映射为0-100之间的数值，则该数值可以表示注意力水平评分，然而，根据该评分在注意力评测标准中找到该评分对应的水平等级，例如，将目标注意力数值转化后得到的数值为80，通过注意力状态评测标准判定评分为优秀，代表高度集中。
进一步地，也可以实时测量全班整体注意力水平。当全班平均注意力数值低于设定的下限值时，判定学生整体过于散漫，当全班平均注意力水平高于设定上限值时，则判定为学生整体高度集中，检测终端可通过代表实时曲线颜色变化来显示全班整体注意力状态。
本实施例提出的课堂评测方法，通过获取注意力状态评测标准，然后将所述目标注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级；实现了根据目标注意力数值确定对应的注意力水平等级，从而能够清楚了解用户的注意力水平，反应课堂教学质量，从而提高课堂教学效率。
基于第五实施例，提出本发明课堂评测方法的第六实施例，参照图7，本实施例中，步骤S10之后，还包括：
步骤S50，检测佩戴设备的佩戴状态；
步骤S60，当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备。
在本实施例中，该评测系统能够自主完成佩戴状态的检测，从而防止录入非佩戴状态或佩戴但接触不良状态的数据，并提示用户调整佩戴设备。当检测到电压大于预设阈值时，则认为设备中脑电波信号异常，判断为一个佩戴或者取下的动作，当前状态可以是佩戴状态或者未佩戴状态，通过计算佩戴状态与未佩戴状态对应的概率来确定当前所处的状态，若当前检测用户的设备的佩戴状态为未佩戴时，将提示用户调整佩戴设备，提示方法可以是语音提示，或者将提示消息发送至终端显示界面，或者通过提示灯灯提示元件进行提示。
本实施例提出的课堂评测方法，通过检测佩戴设备的佩戴状态，然后当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备；实现了避免在录入非佩戴状态或佩戴但接触不良状态的数据。
基于第六实施例，提出本发明课堂评测方法的第七实施例，参照图8，本实施例中，步骤S50包括：
步骤S51，检测佩戴设备中脑电波信号是否异常；
步骤S52，当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率；
步骤S53，基于所述概率确定所述佩戴设备的当前状态。
在本实施例中，当检测到电压大于预设阈值时，则认为设备中脑电波信号异常，首先将时间分成多个时段，认为一个时段内都是同一状态(已佩戴或未佩戴)。分割的依据是EEG数据中出现的电压大于某一预设值时，(例如，大于10000V)，其中，当前检测到设备中脑电波信号异常(电压值大于预设阈值)，则判断为一个佩戴或者取下的动作，并重新判断当前状态为已佩戴状态还是未佩戴状态，判断方法如下：首先计算一个基础概率(Prior)，该基础概率只跟前一状态有关，若前一状态判断为已佩戴状态，则转换后的非佩戴状态基础概率略高于已佩戴状态的概率，然后根据各频段能量的特征，各数据点对当前状态进行投票，如果某频段的最大能量值大于其他各频段能量中最大能量值的两倍，则投票为已佩戴状态，否则为未佩戴状态，并统计两个状态分别的票数(Votes)，以及总票数(TotalVotes)，最后计算两个状态的概率为：
P＝priori×Votes÷TotalVotes
选择P较大的状态作为当前状态。
本实施例提出的课堂评测方法，通过检测佩戴设备中脑电波信号是否异常，然后当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率，最后基于所述概率确定所述佩戴设备的当前状态；实现了正确确定佩戴设备的当前状态，避免在录入非佩戴状态或佩戴但接触不良状态的数据。
基于第七实施例，提出本发明课堂评测方法的第八实施例，参照图9，本实施例中，步骤S40之后，还包括：
步骤S70，分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果；
步骤S80，将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告。
在本实施例中，本地数据采集与处理系统在采集并处理原始脑电数据后，将原始数据、特征数据，以及注意力水平等级等发送至云服务器，云服务器将数据根据用户、数据采集的环境等标签进行分类与存储，将数据压缩加密后存入脑电数据库，并生成注意力分析报告，将生成的注意力数值报告通过电子邮件发至学生老师家长和教务处所在终端，其中，该注意力分析报告包括注意力水平等级、注意力数值阶段性的变化曲线及脑电波数据、特征数据的曲线图分析等。当然，云服务可通过重新设计API(Application ProgrammingInterface应用程序编程接口)替代。
进一步地，还支持学生成绩的录入和导入，通过对学生上课情况的历史数据与学生的学习成果的进行分析，分析数据，横向对比不同学生、不同班级、不同课程、不同老师的注意力水平，纵向对比学生或班级一段时间内的注意力波动，给出提高学生学习效率的方法与建议。教师可以根据课堂实际情况在检测终端上根据班级人数，学生虚伪情况个性化设置座位布局并连接和显示相应设备终端的连接情况，
进一步地，还可以在教室安装摄像机，对学生上课情况的多角度录像与注意力水平数据同步记录，可以通过人脸识别等技术，提供辅助的反馈，授课内容的视频录像和录音与注意力水平数据同步记录，帮助教师课后能有针对性地分析授课内容。
本实施例提出的课堂评测方法，通过分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果，然后将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告；实现了生成注意力分析报告，方便用户了解课堂评测结果。
此外，本发明实施例还提出一种计算机可读存储介质。本发明计算机可读存储介质上存储有课堂评测程序，所述课堂评测程序被处理器执行时实现如下步骤：
获取学生的脑电波数据；
利用预设算法获取所述脑电波数据对应的能量信息；
提取所述能量信息的特征数据；
基于所述特征数据计算目标注意力数值，分析学生的注意力状态。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
对所述脑电波数据中进行数据清理及降噪，以得到目标脑电波数据；
基于所述目标脑电波数据利用傅里叶变换算法获取频谱数据；
基于所述频谱数据获取所述能量信息。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值；
计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波；
计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值；
基于所述初始注意力数值计算所述目标注意力数值。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
利用机器学习训练模型计算预测注意力数值；
计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
获取注意力状态评测标准；
将所述目标注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
检测佩戴设备的佩戴状态；
当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
检测佩戴设备中脑电波信号是否异常；
当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率；
基于所述概率确定所述佩戴设备的当前状态。
进一步地，该课堂评测程序被所述处理器执行时，还实现如下步骤：
分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果；
将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种课堂评测方法，其特征在于，所述课堂评测方法包括以下步骤：
获取学生的脑电波数据；
利用预设算法获取所述脑电波数据对应的能量信息；
提取所述能量信息的特征数据；
基于所述特征数据计算目标注意力数值，分析学生的注意力状态。
2.如权利要求1所述的课堂评测方法，其特征在于，所述利用预设算法获取所述脑电波数据对应的能量信息的步骤包括：
对所述脑电波数据进行数据清理及降噪，以得到目标脑电波数据；
基于所述目标脑电波数据利用傅里叶变换算法获取频谱数据；
基于所述频谱数据获取所述能量信息。
3.如权利要求2所述的课堂评测方法，其特征在于，所述基于所述特征数据计算目标注意力数值的步骤包括：
基于所述特征数据将能量的最大值及最小值进行标准化，以得到标准化能量值；
计算Beta段能量与Alpha段能量的能量值的比值、Beta段的平均波峰距离及Beta段能量的最值滤波；
计算所述比值、所述平均波峰距离及所述最值滤波的加权总和，将所述加权平方和作为初始注意力数值；
基于所述初始注意力数值计算所述目标注意力数值。
4.如权利要求3所述的课堂评测方法，其特征在于，所述基于所述初始注意力数值计算所述目标注意力数值的步骤还包括：
利用机器学习训练模型计算预测注意力数值；
计算所述注意力数值为初始注意力数值与所述预测注意力数值之和，将所述注意力数值为初始注意力数值与所述预测注意力数值之和作为目标注意力数值。
5.如权利要求4所述的课堂评测方法，其特征在于，所述分析学生的注意力状态的步骤包括：
获取注意力状态评测标准；
将所述目标注意力数值与所述注意力状态评测标准进行比较，确定所述注意力数值对应的水平等级。
6.如权利要求1所述的课堂评测方法，其特征在于，所述获取脑电波数据之后，所述课堂评测方法还包括：
检测佩戴设备的佩戴状态；
当检测所述佩戴状态为未佩戴时，提示用户调整佩戴设备。
7.如权利要求6所述的课堂评测方法，其特征在于，所述检测用户佩戴状态的步骤包括：
检测佩戴设备中脑电波信号是否异常；
当检测到所述佩戴设备中脑电波信号异常时，计算已佩戴状态及未佩戴状态的概率；
基于所述概率确定所述佩戴设备的当前状态。
8.如权利要求1所述的课堂评测方法，其特征在于，所述基于所述特征数据计算目标注意力数值，分析学生的注意力状态之后，所述课堂评测方法还包括：
分类存储所述脑电波数据、所述特征数据及注意力状态分析时的分析结果；
将所述脑电波数据、特征数据及注意力状态分析时的分析结果进行压缩加密，并生成注意力分析报告。
9.一种课堂评测装置，其特征在于，所述课堂评测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的课堂评测程序，所述课堂评测程序被所述处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有课堂评测程序，所述课堂评测程序被处理器执行时实现如权利要求1至8中任一项所述的课堂评测方法步骤。
CN201810345765.7A 2018-04-17 2018-04-17 课堂评测方法、装置及计算机可读存储介质 Pending CN108537704A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810345765.7A CN108537704A (zh) 2018-04-17 2018-04-17 课堂评测方法、装置及计算机可读存储介质
PCT/CN2019/082743 WO2019201215A1 (zh) 2018-04-17 2019-04-15 课堂评测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810345765.7A CN108537704A (zh) 2018-04-17 2018-04-17 课堂评测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN108537704A true CN108537704A (zh) 2018-09-14

Family

ID=63481316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810345765.7A Pending CN108537704A (zh) 2018-04-17 2018-04-17 课堂评测方法、装置及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108537704A (zh)
WO (1) WO2019201215A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932511A (zh) * 2018-10-09 2018-12-04 南京邮电大学 一种基于脑机交互的购物决策方法
CN109635725A (zh) * 2018-12-11 2019-04-16 深圳先进技术研究院 检测学生专注度的方法、计算机存储介质及计算机设备
CN110084508A (zh) * 2019-04-25 2019-08-02 清华大学 一种课堂教学效果评测方法及装置
WO2019201215A1 (zh) * 2018-04-17 2019-10-24 深圳市心流科技有限公司 课堂评测方法、装置及计算机可读存储介质
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN110956407A (zh) * 2019-12-09 2020-04-03 探客柏瑞科技（北京）有限公司 应用于神经教育学领域的教学调整方法及装置
CN110991249A (zh) * 2019-11-04 2020-04-10 支付宝(杭州)信息技术有限公司 人脸检测方法、装置、电子设备及介质
CN111223566A (zh) * 2019-12-30 2020-06-02 浙江强脑科技有限公司 注意力测评和训练方法、装置、设备及可读存储介质
CN111402643A (zh) * 2020-04-07 2020-07-10 符智博 基于脑电教育系统的教学方法、教育系统、设备及介质
CN111781656A (zh) * 2020-07-30 2020-10-16 广州市南方人力资源评价中心有限公司 头戴式显示设备的佩戴状态检测方法、装置、设备和介质
CN113208632A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于卷积神经网络的注意力检测方法、系统
CN113641241A (zh) * 2021-08-10 2021-11-12 西安领跑网络传媒科技股份有限公司 一种基于专注度的课堂辅助教学系统、设备及方法
CN113925509A (zh) * 2021-09-09 2022-01-14 杭州回车电子科技有限公司 基于脑电信号的注意力值计算方法、装置和电子装置
CN113974657A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 基于脑电信号的训练方法、装置、设备及存储介质
CN114224364A (zh) * 2022-02-21 2022-03-25 深圳市心流科技有限公司 用于专注力训练的脑电波信号处理方法、装置及存储介质
CN116671938A (zh) * 2023-07-27 2023-09-01 之江实验室 一种任务执行方法、装置、存储介质及电子设备
CN116687411A (zh) * 2023-08-09 2023-09-05 深圳市心流科技有限公司 一种游戏综合分数获取方法、装置、智能终端和存储介质
CN117563104A (zh) * 2023-11-07 2024-02-20 好心情健康产业集团有限公司 一种用于训练注意力的设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507555B (zh) * 2019-11-05 2023-11-14 浙江大华技术股份有限公司 人体状态检测方法、课堂教学质量的评价方法及相关装置
CN112086196B (zh) * 2020-09-16 2023-11-28 中国科学院自动化研究所 多选择性注意力评估与训练的方法及系统
CN113689147A (zh) * 2021-09-15 2021-11-23 武汉乐知科技有限公司 一种教学质量评估的机器学习算法
CN116138780B (zh) * 2022-12-30 2023-08-08 北京视友科技有限责任公司 一种学生注意力评价方法、终端及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040152060A1 (en) * 2003-01-31 2004-08-05 Haru Ando Learning condition judging program and user condition judging system
US20080275358A1 (en) * 2007-05-04 2008-11-06 Freer Logic, Llc Training method and apparatus employing brainwave monitoring
CN103815902A (zh) * 2013-11-22 2014-05-28 刘志勇 基于脑电频域特征指标化算法的课堂教学评估系统及方法
CN105139695A (zh) * 2015-09-28 2015-12-09 南通大学 一种基于脑电波采集的课堂教学监测方法及系统
CN107657868A (zh) * 2017-10-19 2018-02-02 重庆邮电大学 一种基于脑电波的教学跟踪辅助系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106175799A (zh) * 2015-04-30 2016-12-07 深圳市前海览岳科技有限公司 基于脑电波评估人体情绪和疲劳状态的方法及系统
KR101868490B1 (ko) * 2016-06-28 2018-06-19 주식회사 소소 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
CN107024987B (zh) * 2017-03-20 2020-04-14 南京邮电大学 一种基于eeg的实时人脑注意力测试和训练系统
CN108537704A (zh) * 2018-04-17 2018-09-14 深圳市心流科技有限公司 课堂评测方法、装置及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040152060A1 (en) * 2003-01-31 2004-08-05 Haru Ando Learning condition judging program and user condition judging system
US20080275358A1 (en) * 2007-05-04 2008-11-06 Freer Logic, Llc Training method and apparatus employing brainwave monitoring
CN103815902A (zh) * 2013-11-22 2014-05-28 刘志勇 基于脑电频域特征指标化算法的课堂教学评估系统及方法
CN105139695A (zh) * 2015-09-28 2015-12-09 南通大学 一种基于脑电波采集的课堂教学监测方法及系统
CN107657868A (zh) * 2017-10-19 2018-02-02 重庆邮电大学 一种基于脑电波的教学跟踪辅助系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019201215A1 (zh) * 2018-04-17 2019-10-24 深圳市心流科技有限公司 课堂评测方法、装置及计算机可读存储介质
CN108932511B (zh) * 2018-10-09 2022-09-13 南京邮电大学 一种基于脑机交互的购物决策方法
CN108932511A (zh) * 2018-10-09 2018-12-04 南京邮电大学 一种基于脑机交互的购物决策方法
WO2020118669A1 (zh) * 2018-12-11 2020-06-18 深圳先进技术研究院 检测学生专注度的方法、计算机存储介质及计算机设备
CN109635725B (zh) * 2018-12-11 2023-09-12 深圳先进技术研究院 检测学生专注度的方法、计算机存储介质及计算机设备
CN109635725A (zh) * 2018-12-11 2019-04-16 深圳先进技术研究院 检测学生专注度的方法、计算机存储介质及计算机设备
CN110084508A (zh) * 2019-04-25 2019-08-02 清华大学 一种课堂教学效果评测方法及装置
CN110991249A (zh) * 2019-11-04 2020-04-10 支付宝(杭州)信息技术有限公司 人脸检测方法、装置、电子设备及介质
CN110956407A (zh) * 2019-12-09 2020-04-03 探客柏瑞科技（北京）有限公司 应用于神经教育学领域的教学调整方法及装置
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN110916631B (zh) * 2019-12-13 2022-04-22 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN111223566A (zh) * 2019-12-30 2020-06-02 浙江强脑科技有限公司 注意力测评和训练方法、装置、设备及可读存储介质
CN111402643A (zh) * 2020-04-07 2020-07-10 符智博 基于脑电教育系统的教学方法、教育系统、设备及介质
CN111781656A (zh) * 2020-07-30 2020-10-16 广州市南方人力资源评价中心有限公司 头戴式显示设备的佩戴状态检测方法、装置、设备和介质
CN111781656B (zh) * 2020-07-30 2023-09-15 广州市南方人力资源评价中心有限公司 头戴式显示设备的佩戴状态检测方法、装置、设备和介质
CN113208632A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于卷积神经网络的注意力检测方法、系统
CN113641241A (zh) * 2021-08-10 2021-11-12 西安领跑网络传媒科技股份有限公司 一种基于专注度的课堂辅助教学系统、设备及方法
CN113925509A (zh) * 2021-09-09 2022-01-14 杭州回车电子科技有限公司 基于脑电信号的注意力值计算方法、装置和电子装置
CN113925509B (zh) * 2021-09-09 2024-01-23 杭州回车电子科技有限公司 基于脑电信号的注意力值计算方法、装置和电子装置
CN113974657A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 基于脑电信号的训练方法、装置、设备及存储介质
CN114224364A (zh) * 2022-02-21 2022-03-25 深圳市心流科技有限公司 用于专注力训练的脑电波信号处理方法、装置及存储介质
CN116671938A (zh) * 2023-07-27 2023-09-01 之江实验室 一种任务执行方法、装置、存储介质及电子设备
CN116687411A (zh) * 2023-08-09 2023-09-05 深圳市心流科技有限公司 一种游戏综合分数获取方法、装置、智能终端和存储介质
CN116687411B (zh) * 2023-08-09 2023-11-17 深圳市心流科技有限公司 一种游戏综合分数获取方法、装置、智能终端和存储介质
CN117563104A (zh) * 2023-11-07 2024-02-20 好心情健康产业集团有限公司 一种用于训练注意力的设备
CN117563104B (zh) * 2023-11-07 2024-05-14 好心情健康产业集团有限公司 一种用于训练注意力的设备

Also Published As

Publication number Publication date
WO2019201215A1 (zh) 2019-10-24

Similar Documents

Publication Publication Date Title
CN108537704A (zh) 课堂评测方法、装置及计算机可读存储介质
Bogomolov et al. Daily stress recognition from mobile phone data, weather conditions and individual traits
Bianchi et al. IoT wearable sensor and deep learning: An integrated approach for personalized human activity recognition in a smart home environment
CN110245213B (zh) 调查问卷生成方法、装置、设备和存储介质
Wang et al. SmartGPA: how smartphones can assess and predict academic performance of college students
Ferdous et al. Smartphone app usage as a predictor of perceived stress levels at workplace
US10621685B2 (en) Cognitive education advisor
US20190227096A1 (en) Context awareness of a smart device through sensing transient and continuous events
JP2016529606A (ja) 習慣を用いた診断装置及び診断管理装置及び方法
Marques et al. A real-time noise monitoring system based on internet of things for enhanced acoustic comfort and occupational health
CN105139317B (zh) 兴趣取向值测验的认知指标分析方法
JP2014186289A (ja) 知的生産性分析装置、プログラム
US20160148109A1 (en) System for Motion Analytics and Method for Analyzing Motion
US20160007165A1 (en) Method and system for identifying exceptions of people behavior
WO2019169795A1 (zh) 网络教学关注度评估方法以及装置
US9652996B2 (en) Measuring cognitive load
CN109947037A (zh) 一种生活环境监控及预警方法
Maxhuni et al. Unobtrusive stress assessment using smartphones
Arnrich A survey on measuring happiness with smart phones
CN108830461A (zh) 教学分析方法、服务器及计算机可读存储介质
US11324426B1 (en) System, method, and computer program product for real-time evaluation of psychological and physiological states using embedded sensors of a mobile device
Alavi et al. Predictive Models of Indoor Carbon Dioxide Concentration to Prevent Daily Decay of Productivity and Well-Being in Shared Offices.
Thompson et al. Report-back for geo-referenced environmental data: a case study on personal monitoring of temperature in outdoor workers
Vanitha et al. Automation of noise detection using internet of things
CN112669966A (zh) 一种基于监控数据的行为分析系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Han Bicheng

Inventor after: Sun Yue

Inventor after: Miao Renkai

Inventor after: Zhou Chengbang

Inventor after: Shao Zhen

Inventor after: Guo Xipeng

Inventor after: Cheng Yi

Inventor after: Dan Sicong

Inventor after: A Disi

Inventor after: Li Ang

Inventor after: Zheng Hui

Inventor after: Yang Zhaodai

Inventor after: Liu Chenhao

Inventor after: Meng Muzi

Inventor after: Yu Xiang

Inventor after: Sun Dongsheng

Inventor before: Han Bicheng

Inventor before: Sun Yue

Inventor before: Miao Renkai

Inventor before: Zhou Chengbang

Inventor before: Shao Zhen

Inventor before: Guo Xipeng

Inventor before: Cheng Yi

Inventor before: Dan Sicong

Inventor before: A Disi

Inventor before: Li Ang

Inventor before: Zheng Hui

Inventor before: Yang Zhaodai

Inventor before: Liu Chenhao

Inventor before: Meng Muzi

Inventor before: Yu Xiang

Inventor before: Sun Dongsheng

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180914

RJ01 Rejection of invention patent application after publication