CN109754091A - 一种基于脑波技术的自适应学习引擎训练系统及其应用 - Google Patents

Abstract

本发明涉及一种基于脑波技术的自适应学习引擎训练系统及其应用，所述训练系统包括：脑波数据采集模块，用于采集脑波数据；预处理模块，用于对所采集的脑波数据进行预处理，所述预处理包括干扰信号过滤、格式化处理和协议打包处理；脑波数据集提取模块，用于接收经预处理后的脑波数据，计算获得脑波状态值，形成脑波数据集；引擎优化模块，用于根据脑波数据集对自适应学习引擎进行训练优化。与现有技术相比，本发明具有可极大提升了自适应算法引擎的准确度、省略复杂计算等优点。

Description

一种基于脑波技术的自适应学习引擎训练系统及其应用

技术领域

本发明涉及人工智能技术领域，尤其是涉及一种基于脑波技术的自适应学习引擎训练系统及其应用。

背景技术

随着人工智能技术的发展，如何在教育中发挥技术的作用，从而让教育的效率和效果最大化，成为教育领域的一个重要的研究方向，而由此产生的自适应学习系统是目前在教育领域有实际应用的一种技术。

自适应学习系统的核心是其学习引擎系统，它通过分析来自于用户的信息，结合用户的历史学习情况，经过特定的算法得到用户应该学习的内容，并通过用户的反馈持续不断调整模型持续的为用户推送适合用户的学习内容。目前这种自适应系统引擎已经在一些商业系统中被应用。但目前的自适应学习引擎基本的分析来源参数基于用户界面的交互，与用户本身的生物特性并没有直接的关系，因此存在以下可以提升的方面：

1)用户的模型的区分度偏小。对于同样操作习惯的用户，引擎输入参数就趋于雷同，因此学生的区分度不明显，而实际学生情况并不能真实反应，从而造成引擎的误差。

2)分析对象偏差。由于引擎输入的参数是经过用户通过交互界面进行二次思考或加工，因此不可避免的有操作失误和猜测成分，同时也可能由他人代替操作，种种原因都会导致引擎输出的结果与所分析对象的实际情况有偏差。

3)分析效率的损失。由于引擎系统通过大量数据的计算来预测用户的行为，而部分行为是对用户思维方向的预估，而预估这些维度需要较大量的计算，从而造成引擎效率的降低。

作为直接反应人体思维的脑电波，已经在医疗等领域有了很广泛的应用。脑电波可以直接反应人体的思维状态，这些特征可以实时准确的反映人体在学习场景下的状态，目前研究机构已经尝试将脑电波技术与教育教学结合，但一般都是直接与教学场景或监控类系统结合，作为判断用户学习状态的依据，但还未有在加强自适应学习引擎上的应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于脑波技术的自适应学习引擎训练系统及其应用。

本发明的目的可以通过以下技术方案来实现：

一种基于脑波技术的自适应学习引擎训练系统，包括：

脑波数据采集模块，用于采集脑波数据；

预处理模块，用于对所采集的脑波数据进行预处理，所述预处理包括干扰信号过滤、格式化处理和协议打包处理；

脑波数据集提取模块，用于接收经预处理后的脑波数据，计算获得脑波状态值，形成脑波数据集；

引擎优化模块，用于根据脑波数据集对自适应学习引擎进行训练优化。

进一步地，所述格式化处理具体为：

所述脑波数据包括δ波、α波、β波和θ波，每15秒计算各类型波的平均值，对该15秒内的脑波数据进行格式化处理，格式化后的脑波数据值表示为：脑波数据值＝δ波平均值×1000000+α波平均值×10000+β波平均值×100+θ波平均值。

进一步地，所述协议打包处理具体为：在脑波数据值中检验值和时间序列值形成专用数据包。

进一步地，所述脑波状态值的计算公式为：

进一步地，所述脑波数据集提取模块包括：

校验单元，用于对接收到的脑波数据进行正确性校验。

进一步地，所述引擎优化模块中，将所述脑波状态值作为用户注意力和精力程度值对自适应学习引擎进行训练优化。

进一步地，所述脑波数据采集模块包括脑环设备。

进一步地，所述脑波数据采集模块通过蓝牙方式与预处理模块连接。

本发明还提供一种自适应学习方法，该方法利用一自适应学习引擎获得需要学习的知识点，所述自适应学习引擎由如所述的基于脑波技术的自适应学习引擎训练系统训练获得。

与现有技术相比，本发明具有以如下有益效果：

一、本发明首次将脑波技术与自适应引擎深度结合，可极大提升了自适应算法引擎的准确度，并与用户实际生理趋势进行了关联，因此学习效率也会显著提高。

二、本发明对采集的脑波数据进行了简化处理，且并未降低脑波数据的趋势性，从而简化了脑波在自适应系统中的应用，使整个训练优化过程更加简单。

三、原有自适应引擎中一般用通用模型或精力曲线等去计算用户的注意力和精力程度，本发明采用脑波状态值作为训练参数，可以省略复杂计算，可以提升算法引擎的效率。

四、由于脑波数据的实时性和趋势性，本发明可以更好的描述用户当前状态，从而提升算法模型的预测能力。

附图说明

图1为本发明原理示意图；

图2为本发明应用流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种基于脑波技术的自适应学习引擎训练系统，包括脑波数据采集模块、预处理模块、脑波数据集提取模块和引擎优化模块，其中，脑波数据采集模块用于采集脑波数据；预处理模块用于对所采集的脑波数据进行预处理，所述预处理包括干扰信号过滤、格式化处理和协议打包处理；脑波数据集提取模块用于接收经预处理后的脑波数据，计算获得脑波状态值，形成脑波数据集；引擎优化模块用于根据脑波数据集对自适应学习引擎进行训练优化。经训练优化后的自适应学习引擎可对自适应学习过程提供更有效的输出结果。

预处理模块可由一客户端实现，提高拓展性和兼容性。脑波数据集提取模块和引擎优化模块可由一服务端实现。

1、获得脑波数据

脑波数据可通过佩戴脑波监控和采集设备获取。本实施例中，脑波数据采集模块采用Umind的脑环设备。脑波设备每秒将采集到的数据以字符串的形式传送给接收端程序。

2、脑波数据处理

预处理模块通过蓝牙方式获取脑波数据。本实施例中，脑环设备通过蓝牙4.0传输协议传输脑波数据。

为了简化与引擎的交互，脑波数据需要进行格式化处理，而格式化处理的目标：一是压缩数据结构，提高运算速率，二是丰富数据信息，能够为引擎提供足够的信息，保证引擎模型的信息含量。

得到蓝牙传输过来的数据后，预处理模块中的处理程序会将15秒的数据进行汇总平均，其中最主要是将数据包中的波信号转化为算法所需要用到的参数格式。从设备传输过来的脑波数据信号格式如表1所示。

表1

字符段	数据位	说明
			TG_DATA_DELTA	5	δ波
TG_DATA_ALPHA	6	α波
			TG_DATA_BETA	7	β波
TG_DATA_THETA	8	θ波

这些信号值按照自定义的位数形成一个8位的字串，每两位代表了相应波的一个15秒平均值，即：脑波数据值＝δ波平均值×1000000+α波平均值×10000+β波平均值×100+θ波平均值。

除了数据内容本身，预处理模块还对数据的一致性进行校验，在脑波数据值中md5加密检验值和时间序列值形成专用数据包，保证数据的安全性，并通过网络传送给服务端。

3、服务端接收和处理脑波数据

服务端接收到数据包后，首先对传输过来的数据经行校验，如果是正确的数据，然后将数据包按照脑波数据值格式进行拆解。本发明仅选择α波、β波和θ波，根据各波所对应的意义，形成以下参数，定义为脑波状态值：

此脑波状态值如果大则说明用户的状态好，反之则状态差。

4、优化引擎算法模型

引擎优化模块中，将所述脑波状态值作为用户注意力和精力程度值对自适应学习引擎进行训练优化。自适应学习引擎一般包括薄弱知识点计算和此知识点能力值计算，对于薄弱知识点的计算，脑波数据将作为参数模型的额外参数输入，其特征是影响薄弱知识点预测的概率结果，而此参数不会造成模型的崩溃；对于能力值的计算，脑波数据成为能力值属性的一部分，其权重和其它属性的关联性将会影响能力值的趋势。

整个自适应学习引擎算法模型主要应用的是贝叶斯理论，

式中：对于一个数据集下面的所有数据，P(x)，恒定不变。所以可以认为P(x)为常数，得到：P(c|x)∝P(x|c)*P(c)。我们往往不用知道P(c|x)的具体的值，而是知道例如P(c1|x)、P(c2|x)值的大小关系，将这些关系结合就得到了对此知识点掌握程度的概率。而脑波状态值作为其中一个影响因素，从而影响最终概率值。

由于脑波直接反应了被分析个体的思维状态，包括其注意力状态，精力状态，情绪状态等，因此算法引擎中量化计算这些维度的计算步骤将被直接简化，从而提高算法计算效率。

5、基于优化结果获取相应学习内容

将脑波状态值作为参数用于算法引擎，算法将脑波状态值以及校准参数作为输入参数，同时需要输入用户当前正在学习的知识点编码，经过算法运算后，会得到此用户在此知识点的能力值和需要进一步学习的知识点。

本发明还可将算法引擎的结果和脑维数据进行回归聚合，形成用户的脑维和学习模型。

与相同的学习目标的未采集脑波数据的学员相比较，学生掌握学习目标需要的时间缩短了10％，同时学员所学习的题目难度范围增加了1倍左右，显著拓展了学习范围，因此明显提高了学习效率。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种基于脑波技术的自适应学习引擎训练系统，其特征在于，包括：

脑波数据采集模块，用于采集脑波数据；

预处理模块，用于对所采集的脑波数据进行预处理，所述预处理包括干扰信号过滤、格式化处理和协议打包处理；

脑波数据集提取模块，用于接收经预处理后的脑波数据，计算获得脑波状态值，形成脑波数据集；

引擎优化模块，用于根据脑波数据集对自适应学习引擎进行训练优化。

2.根据权利要求1所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述格式化处理具体为：

所述脑波数据包括δ波、α波、β波和θ波，每15秒计算各类型波的平均值，对该15秒内的脑波数据进行格式化处理，格式化后的脑波数据值表示为：脑波数据值＝δ波平均值×1000000+α波平均值×10000+β波平均值×100+θ波平均值。

3.根据权利要求2所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述协议打包处理具体为：在脑波数据值中检验值和时间序列值形成专用数据包。

4.根据权利要求2所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述脑波状态值的计算公式为：

5.根据权利要求1所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述脑波数据集提取模块包括：

校验单元，用于对接收到的脑波数据进行正确性校验。

6.根据权利要求1所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述引擎优化模块中，将所述脑波状态值作为用户注意力和精力程度值对自适应学习引擎进行训练优化。

7.根据权利要求1所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述脑波数据采集模块包括脑环设备。

8.根据权利要求1所述的基于脑波技术的自适应学习引擎训练系统，其特征在于，所述脑波数据采集模块通过蓝牙方式与预处理模块连接。

9.一种自适应学习方法，其特征在于，该方法利用一自适应学习引擎获得需要学习的知识点，所述自适应学习引擎由如权利要求1所述的基于脑波技术的自适应学习引擎训练系统训练获得。