CN111345800A - 一种mooc环境下的学习注意力检测方法及系统 - Google Patents
一种mooc环境下的学习注意力检测方法及系统 Download PDFInfo
- Publication number
- CN111345800A CN111345800A CN202010182325.1A CN202010182325A CN111345800A CN 111345800 A CN111345800 A CN 111345800A CN 202010182325 A CN202010182325 A CN 202010182325A CN 111345800 A CN111345800 A CN 111345800A
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- attention
- signal sample
- sequence
- mooc
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 22
- 238000013523 data management Methods 0.000 claims description 15
- 238000013079 data visualisation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开了一种MOOC环境下的学习注意力检测方法及系统，其通过获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；利用样本集进行机器学习得到训练好的决策树模型；获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入所述训练好的随机森林决策树模型，使得训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果，从而解决当前MOOC课堂无法确定学习者的学习效果的技术问题。
Description
技术领域
本发明属于学习注意力检测领域，具体涉及一种MOOC环境下的学习注意力检测方法及系统。
背景技术
注意力是决定个人学习成果的关键因素，传统的注意力检测方式如自我报告，进行实验测试和直接观察等，由于教学规模和学习模式的限制，存在着耗时、主观并且无法应用于一大批学生等问题。随着传感器和机器学习技术的飞速发展，各种传感设备和传感器辅助应用在教育领域越来越多地被使用。
目前利用传感器测量注意力的技术大部分是基于脑电信号(EEG)的采集处理和分析，但这种方法存在着侵入性较强的问题。光电容积脉搏波信号(PPG)是人类最早应用于临床医学研究的生物电信号之一，它比其他生物电信号更容易检测，并且具有良好的无侵入性和便携性。目前已经证实，心率变异性(HRV)是反映持续注意变化的良好指标，而HRV可以通过使用PPG的连续脉冲周期间隔的变化来计算。
随着基于互联网技术的飞速发展，随时随地(泛在)的学习变得越来越流行。大规模开放在线课程(MOOC)具有以低成本实现大规模高质量知识传播的潜力的优势，扩大了泛在学习的影响。尽管潜力巨大，但当今的MOOC还存在着参与度低，学习效果不确定，及很少个性化等问题，导致教师无法更好地了解课堂学习质量以改进教学内容，学生无法更好地了解他们的学习过程并适应他们的学习策略。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种MOOC环境下的学习注意力检测方法及系统，旨在解决当前MOOC课堂无法确定学习者的学习效果的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种MOOC环境下的学习注意力检测方法，该方法包括如下步骤：
获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；
其中，输入特征矩阵具体为：对PPG信号样本序列进行预处理得到多个PPG信号样本子序列，利用PPG信号样本子序列的时域特征、频域特征和非线性特征构建PPG信号样本子序列的特征向量，利用多个PPG信号样本子序列的特征向量构成PPG信号样本序列的输入特征矩阵；输出特征矩阵包括与PPG信号样本子序列一一对应的注意力真实值；
利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；构建随机森林决策树模型，随机森林决策树模型的输入为输入特征矩阵，随机森林决策树模型的输出为注意力预测值，利用样本集进行机器学习得到训练好的决策树模型；
获取待测学习者的PPG信号序列，获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入所述训练好的随机森林决策树模型，所述训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果。
作为本发明的进一步改进，PPG信号样本子序列的时域特征包括波峰间期的标准差、相邻波峰间期差值的均方根、波峰间期大于第一预设阈值的百分比、相邻波峰间期差值的标准差，波峰间期的中值、波峰间期的平均绝对偏差、相邻波峰间期差值的平均值和波峰间期的变异系数，其中，波峰间期为信号相邻波峰之间的间隔时间。
作为本发明的进一步改进，获取PPG信号样本子序列的频域特征具体为：
对PPG信号样本子序列进行快速傅里叶变换，计算傅里叶变化后的极低频功率、低频功率、高频功率和总功率。
作为本发明的进一步改进，PPG信号样本子序列的非线性特征包括所述PPG信号样本子序列的近似熵。
作为本发明的进一步改进，对PPG信号样本序列进行预处理得到多个PPG信号样本子序列具体为：
对PPG信号样本序列进行滤波，并利用滑动窗口和重叠窗口对滤波后的PPG信号样本序列进行切割得到多个PPG信号样本子序列。
作为本发明的进一步改进，获取与待测学习者的PPG信号序列对应的输入特征矩阵具体为：
对PPG信号序列进行预处理得到多个PPG信号子序列，利用PPG信号子序列的时域特征、频域特征和非线性特征构建PPG信号子序列的特征向量，利用多个PPG信号子序列的特征向量构成PPG信号序列的输入特征矩阵。
为实现上述目的，按照本发明的一个方面，提供了一种MOOC环境下的学习注意力检测系统，该系统包括数据采集模块、数据处理模块、数据管理模块和数据可视化展示模块，
数据采集模块用于采集待测学习者的PPG信号序列，进行预处理后输出给数据处理模块；
数据处理模块用于获取与待测学习者的PPG信号序列对应的输入特征矩阵，利用训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果，并将注意力测评结果输出给数据管理模块；
数据管理模块包括存储模块和网络通信模块，存储模块用于存储MOOC的原始视频数据、整堂MOOC内容时间分布、学习者注意力数据、学生心率数据；网络通信模块用于接受数据可视化展示模块请求，将检测后的数据输出给数据可视化展示模块；
数据可视化展示模块用于展示MOOC视频区、功能模块和注意力评价报告。
作为本发明的进一步改进，数据可视化展示模块依据使用者的操作权限进行展示。
作为本发明的进一步改进，数据管理模块还用于获取教师课堂平均注意力，教师课堂平均注意力依据核心教学内容时长和所在班级所有学生的注意力测评结果得到。
作为本发明的进一步改进，数据管理模块还用于获取学生课堂平均注意力，学生课堂平均注意力依据核心教学内容时长和待测学生的注意力测评结果得到。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明的一种MOOC环境下的学习注意力检测方法及系统，其通过采集学习者的PPG信号序列，利用其时域特征、频域特征和非线性特征，并结合随机森林分类树算法，得到待测学习者的注意力测试结果，从而解决当前MOOC课堂无法确定学习者的学习效果的技术问题。
本发明的一种MOOC环境下的学习注意力检测方法及系统，其通过获取PPG信号波峰间期标准差等时域特征，通过类似连续脉冲周期间隔的变化来反映注意力的变化，从而能更加准确反映学生课堂注意力。
本发明的一种MOOC环境下的学习注意力检测方法及系统，其通过回顾显示班级学生课堂整体表现情况，并在课程教学结束后获取教师课堂平均注意力，可实现对学习与教学数据的收集与分析，帮助教师了解课堂学习质量、调整教学方式、改进教学内容。
本发明的一种MOOC环境下的学习注意力检测方法及系统，其通过回顾显示班级学生课堂整体表现情况，并在课程教学结束后获取学生课堂平均注意力，帮助学生更好地了解自己的课堂学习状态、调整自己的学习策略，更好地融入MOOC课堂。
附图说明
图1为本发明实施例的一种MOOC环境下的学习注意力检测方法的示意图；
图2为本发明实施例的一种MOOC环境下的学习注意力检测系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1为本发明实施例的一种MOOC环境下的学习注意力检测方法的示意图。如图1所示，一种基于PPG信号的MOOC课堂学习注意力检测方法，该方法包括如下步骤：
获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；
其中，输入特征矩阵样本具体为：对PPG信号样本序列进行预处理得到多个PPG信号样本子序列，利用PPG信号样本子序列的时域特征、频域特征和非线性特征构建PPG信号样本子序列的特征向量，利用多个PPG信号样本子序列的特征向量构成PPG信号样本序列的输入特征矩阵；输出特征矩阵包括与PPG信号样本子序列一一对应的注意力真实值；
利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；构建随机森林决策树模型，随机森林决策树模型的输入为输入特征矩阵，随机森林决策树模型的输出为注意力预测值，利用上述样本集进行机器学习得到训练好的决策树模型；
获取待测学习者的PPG信号序列，获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入训练好的随机森林决策树模型，训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果。
作为一个优选的方案，该时域特征包括波峰间期的标准差(SDNN)、相邻波峰间期差值的均方根(RMSSD)、波峰间期大于第一预设阈值的百分比(pNN50)、相邻波峰间期差值的标准差(SDSD)，波峰间期的中值(Median-RRI)、波峰间期的平均绝对偏差(MADRRI)、相邻波峰间期差值的平均值(Diff-RRI)和波峰间期的变异系数(CV-RRI)，其中，波峰间期为相邻波峰之间的间隔时间；
其中，波峰间期的标准差(SDNN)的计算公式为：
相邻波峰间期差值的均方根(RMSSD)的计算公式为：
相邻波峰间期差值的标准差(SDSD)的计算公式为：
波峰间期的平均绝对偏差(MADRRI)的计算公式为：
相邻波峰间期差值的平均值(Diff-RRI)的计算公式为：
波峰间期的变异系数(CV-RRI)的计算公式为：
其中，Ri为PPG信号样本子序列的第i个波峰间期，
为PPG信号样本子序列的波峰间期的平均值，n为波峰间期的数量。
获取PPG信号样本子序列的频域特征具体为：对PPG信号样本子序列进行快速傅里叶变换，计算傅里叶变化后的极低频功率(VLF)、低频功率(LF)、高频功率(HF)和总功率(TP)；具体为：使用快速傅里叶变换对时域信号进行分解，使之变为不同正弦波信号的叠加，通过分析正弦波的频率得到PPG信号的功率谱密度(PSD)，从而计算出以下频域特征：极低频功率(VLF)(0.0033–0.04Hz)，低频功率(LF)(0.04–0.15Hz)，高频功率(HF)(0.15–0.4Hz)，以及整个频率范围(TP)的总功率。当前心电信号测量注意力主要是基于心率变异性(HRV)，其考虑心跳周期差异的变化情况，而PPG信号由心脏的搏动(振动)沿动脉血管和血流向外周传播而形成的，在血压相对正常的时候，PPG的波动和心电图波动虽然波形不一样，但频率接近，因此，PPG信号的时域特征也可以采集此类特征。
该非线性特征包括PPG信号样本子序列的近似熵，该近似熵的计算方法为，将PPG信号序列以m个连续采样点为一个子序列进行划分，计算所有子序列的相似度；将PPG信号序列以m+1个连续采样点为一个子序列进行划分，计算所有子序列的相似度，比较两个相似度的差即为近似熵。
对PPG信号样本序列进行预处理得到多个PPG信号样本子序列具体为：
对PPG信号样本序列进行滤波，并利用滑动窗口和重叠窗口对滤波后的PPG信号样本序列进行切割得到多个PPG信号样本子序列。作为一个示例，具体实现方式为使用带阻滤波器去除50Hz工频干扰，使用10s滑动窗口和8s重叠窗口，将预处理后的PPG数据数据划分为多个片段。上述滤波方式、划分方式以及参数设置可依据需要进行相应的调整。
具体地，在模型的训练过程中，基于网格搜索的思想方法，使用第三方模块sklearn模块中的GridsearchCV函数确定分类器的超参数。它会根据给定的模型自动进行交叉验证并使用一个指标对模型进行评分，通过调节每一个参数来跟踪评分结果。超参数的种类主要是以下三个：1.决策树的数量(n_estimators)：随机森林中决策树的个数。理论上n_estimators数值越大效果越精确，但是随之而来的是计算时间的增长；2.最大特征数(max_features)：随机森林允许单个决策树使用特征的最大数量即每个决策树的随机选择的特征数目。每个决策树在随机选择的这max_features特征里找到某个“最佳”特征，使得模型在该特征的某个值上分裂之后得到的收益最大化。max_features越少，方差就会减少，但同时偏差就会增加；3.叶节点最少样本数(min_samples_leaf)：叶子节点上应有的最少样例数。更少的节点数使得模型更容易遭受噪声的影响。作为一个示例，可以选取性能最优的90-5-30作为模型的超参数。在网格搜索的过程中，利用十折交叉验证的方法，将数据集分为10个小数据集。每次使用其中1个小数据集作为测试集，剩余9个数据集训练随机森林，并用于预测测试集。具体的，可以将输出的注意力值设置为0-100，其中：0-25为注意力低等级；25-75为注意力中等级；75-100为注意力高等级，以Brainlink识别的三个注意力等级为样本标签进行随机森林模型的构建，构建的过程就是将样本标签与提取构建的特征矩阵相匹配关联的过程，每棵决策树选择部分样本与部分特征进行训练，最后由个别决策树输出的注意力类别进行投票，得票数最多的类别作为随机森林最终决定的类别，尤其地，当PPG信号序列频域特征中的SDNN、pNN50、Diff-RRI、CV-RRI，频域特征中的HF以及近似熵ApEn显著上升时，注意力集中度显著降低。随机森林存在有两个随机：首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。然后，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果了。另外还存在待选特征的随机选取，就是那些时域频域之类的特征，与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征，这样能够使得随机森林中的决策树都能够彼此不同，通过提升系统的多样性，从而提升分类性能。
可利用F1分数来验证上述方法的预测准确性，其中，F1是统计学中用来衡量二分类模型精确度的一种指标，其兼顾了分类模型的精确率和召回率，是二者的调和平均数，具体为：
本发明实施例的模型属于多分类模型，当数据集中存在多个类别时，通常需要计算将各个类别的F1分数结合起来的汇总度量，使用微F1分数作为验证的度量。通过先计算总体的TP(真阳性)，FN(假阴性)和FP(假阳性)的数量，再计算微F1分数，测得识别准确率、精确率、召回率和F1分数分别为0.69、0.62、0.66和0.57。
图2为本发明实施例的一种MOOC环境下的学习注意力检测系统的结构示意图。如图2所示，一种利用上述方法的基于PPG数据的MOOC课堂学习注意力检测系统，该系统包括：数据采集模块、数据处理模块、数据管理模块和数据可视化展示模块；其中，数据采集模块用于采集待测学习者的PPG信号序列，进行预处理后输出给数据处理模块；数据处理模块用于获取与待测学习者的PPG信号序列对应的输入特征矩阵，利用训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果，并将注意力测评结果输出给数据管理模块；数据管理模块包括存储模块和网络通信模块，存储模块用于存储MOOC的原始视频数据、整堂MOOC内容时间分布、学习者注意力数据、学生心率数据；网络通信模块用于接受数据可视化展示模块请求，将检测后的数据输出给数据可视化展示模块；数据可视化展示模块用于展示MOOC视频区、功能模块和注意力评价报告。
作为一个优选的方案，数据可视化展示模块可依据据使用者的操作权限进行展示，例如，以教师权限和学生权限为示例，两者均有MOOC视频区、功能模块和注意力评价报告，功能模块用于展示课堂注意力波动与变化，课堂的注意力分布图与比例图，注意力评价报告用于展示MOOC内容时间分布与课堂注意力契合度的匹配，并给出参考评分。教师端除了可以观察班级平均水平，也可以观察单个学生；
作为一个示例，数据采集模块使用MAXREFDES101#MAX86141采集课堂学生的PPG数据，并使用带阻滤波器去除50Hz工频干扰，然后将数据送入数据处理模块；使用10s滑动窗口和8s重叠窗口，将PPG数据划分为多个片段；
作为一个优选的方案，数据管理模块还用于获取教师课堂平均注意力，教师课堂平均注意力依据核心教学内容时长和所在班级所有学生的注意力测评结果得到。具体的，可通过课堂核心教学内容的注意力等级给出参考评分，参考评分计算方式为课堂核心教学内容时间段的注意力等级的均值，并按照均值分为PERFECT、GOOD、PASS、FAIL四个等级，通过建立课堂平均注意力参考打分的计算模型，输出为注意力平均指数，记为T，T＝n1/m，其中，m为核心教学内容时长，n1为核心教学内容时间段学生注意力为高等级的时长。
作为一个优选的方案，数据管理模块还用于获取学生课堂平均注意力，学生课堂平均注意力依据核心教学内容时长和待测学生的注意力测评结果得到。具体的，可通过课堂核心教学内容的注意力等级给出参考评分，参考评分计算方式为课堂核心教学内容时间段的注意力等级的均值，并按照均值分为PERFECT、GOOD、PASS、FAIL四个等级，通过建立学生个人注意力参考打分的计算模型，输出为注意力平均指数，记为S，S＝n2/m，其中，m为核心教学内容时长，n2为核心教学内容时间段该学生注意力为高等级的时长。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种MOOC环境下的学习注意力检测方法，其特征在于，所述方法包括如下步骤：
获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；
其中，所述输入特征矩阵具体为：对PPG信号样本序列进行预处理得到多个PPG信号样本子序列，利用PPG信号样本子序列的时域特征、频域特征和非线性特征构建PPG信号样本子序列的特征向量，利用多个PPG信号样本子序列的特征向量构成PPG信号样本序列的输入特征矩阵；所述输出特征矩阵包括与PPG信号样本子序列一一对应的注意力真实值；
利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；构建随机森林决策树模型，随机森林决策树模型的输入为输入特征矩阵，随机森林决策树模型的输出为注意力预测值，利用所述样本集进行机器学习得到训练好的决策树模型；
获取待测学习者的PPG信号序列，获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入所述训练好的随机森林决策树模型，所述训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果。
2.根据权利要求1所述的一种MOOC环境下的学习注意力检测方法，其特征在于，所述PPG信号样本子序列的时域特征包括波峰间期的标准差、相邻波峰间期差值的均方根、波峰间期大于第一预设阈值的百分比、相邻波峰间期差值的标准差，波峰间期的中值、波峰间期的平均绝对偏差、相邻波峰间期差值的平均值和波峰间期的变异系数，其中，波峰间期为信号相邻波峰之间的间隔时间。
3.根据权利要求1所述的一种MOOC环境下的学习注意力检测方法，其特征在于，获取所述PPG信号样本子序列的频域特征具体为：
对PPG信号样本子序列进行快速傅里叶变换，计算傅里叶变化后的极低频功率、低频功率、高频功率和总功率。
4.根据权利要求1所述的一种MOOC环境下的学习注意力检测方法，其特征在于，所述PPG信号样本子序列的非线性特征包括所述PPG信号样本子序列的近似熵。
5.根据权利要求1所述的一种MOOC环境下的学习注意力检测方法，其特征在于，对PPG信号样本序列进行预处理得到多个PPG信号样本子序列具体为：
对PPG信号样本序列进行滤波，并利用滑动窗口和重叠窗口对滤波后的PPG信号样本序列进行切割得到多个PPG信号样本子序列。
6.根据权利要求1-5中任一项所述的一种MOOC环境下的学习注意力检测方法，其特征在于，获取与待测学习者的PPG信号序列对应的输入特征矩阵具体为：
对PPG信号序列进行预处理得到多个PPG信号子序列，利用PPG信号子序列的时域特征、频域特征和非线性特征构建PPG信号子序列的特征向量，利用多个PPG信号子序列的特征向量构成PPG信号序列的输入特征矩阵。
7.一种利用权利要求1-6中任一项所述检测方法的一种MOOC环境下的学习注意力检测系统，所述系统包括数据采集模块、数据处理模块、数据管理模块和数据可视化展示模块，其特征在于，
所述数据采集模块用于采集待测学习者的PPG信号序列，进行预处理后输出给所述数据处理模块；
所述数据处理模块用于获取与待测学习者的PPG信号序列对应的输入特征矩阵，利用训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果，并将注意力测评结果输出给所述数据管理模块；
所述数据管理模块包括存储模块和网络通信模块，所述存储模块用于存储MOOC的原始视频数据、整堂MOOC内容时间分布、学习者注意力数据、学生心率数据；网络通信模块用于接受数据可视化展示模块请求，将检测后的数据输出给数据可视化展示模块；
所述数据可视化展示模块用于展示MOOC视频区、功能模块和注意力评价报告。
8.根据权利要求7所述的一种MOOC环境下的学习注意力检测系统，其特征在于，所述数据可视化展示模块依据使用者的操作权限进行展示。
9.根据权利要求7所述的一种MOOC环境下的学习注意力检测系统，其特征在于，所述数据管理模块还用于获取教师课堂平均注意力，所述教师课堂平均注意力依据核心教学内容时长和所在班级所有学生的注意力测评结果得到。
10.根据权利要求7所述的一种MOOC环境下的学习注意力检测系统，其特征在于，所述数据管理模块还用于获取学生课堂平均注意力，所述学生课堂平均注意力依据核心教学内容时长和待测学生的注意力测评结果得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182325.1A CN111345800B (zh) | 2020-03-16 | 2020-03-16 | 一种mooc环境下的学习注意力检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182325.1A CN111345800B (zh) | 2020-03-16 | 2020-03-16 | 一种mooc环境下的学习注意力检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111345800A true CN111345800A (zh) | 2020-06-30 |
| CN111345800B CN111345800B (zh) | 2022-11-01 |
Family
ID=71188884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010182325.1A Active CN111345800B (zh) | 2020-03-16 | 2020-03-16 | 一种mooc环境下的学习注意力检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111345800B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150223743A1 (en) * | 2014-02-12 | 2015-08-13 | Wipro Limited | Method for monitoring a health condition of a subject |
| CN105979859A (zh) * | 2014-02-24 | 2016-09-28 | 索尼公司 | 具有注意力水平和工作负荷感测的智能可穿戴设备和方法 |
| US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
| CN110279404A (zh) * | 2019-06-17 | 2019-09-27 | 清华大学 | 一种脉搏波采集装置及方法 |
| KR20190130925A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 원주산학협력단 | 뇌활동 반영 자율신경계 신호 기반 집중도 또는 피로도 또는 졸음 모니터링 시스템 |
| CN110648501A (zh) * | 2019-09-26 | 2020-01-03 | 泽一交通工程咨询（上海）有限公司 | 基于视频和手环的驾驶疲劳监测及报警装置及其运行方法 |
| CN209932735U (zh) * | 2018-12-26 | 2020-01-14 | 中国科学院深圳先进技术研究院 | 可穿戴式智能设备 |
| CN110772699A (zh) * | 2019-09-30 | 2020-02-11 | 浙江凡聚科技有限公司 | 基于虚拟现实的自主调节心率变异性的注意力训练系统 |
-
2020
- 2020-03-16 CN CN202010182325.1A patent/CN111345800B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150223743A1 (en) * | 2014-02-12 | 2015-08-13 | Wipro Limited | Method for monitoring a health condition of a subject |
| CN105979859A (zh) * | 2014-02-24 | 2016-09-28 | 索尼公司 | 具有注意力水平和工作负荷感测的智能可穿戴设备和方法 |
| US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
| KR20190130925A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 원주산학협력단 | 뇌활동 반영 자율신경계 신호 기반 집중도 또는 피로도 또는 졸음 모니터링 시스템 |
| CN209932735U (zh) * | 2018-12-26 | 2020-01-14 | 中国科学院深圳先进技术研究院 | 可穿戴式智能设备 |
| CN110279404A (zh) * | 2019-06-17 | 2019-09-27 | 清华大学 | 一种脉搏波采集装置及方法 |
| CN110648501A (zh) * | 2019-09-26 | 2020-01-03 | 泽一交通工程咨询（上海）有限公司 | 基于视频和手环的驾驶疲劳监测及报警装置及其运行方法 |
| CN110772699A (zh) * | 2019-09-30 | 2020-02-11 | 浙江凡聚科技有限公司 | 基于虚拟现实的自主调节心率变异性的注意力训练系统 |
Non-Patent Citations (2)
| Title |
|---|
| XIANG XIAO ET AL: "Context and Cognitive State Triggered Interventions for Mobile MOOC Learning", 《PROCEEDINGS OF THE 18TH ACM INTERNATIONAL CONFERENCE ON MULTIMODAL INTERACTION》 * |
| XIANG XIAO ET AL: "Understanding and Detecting Divided Attention in Mobile MOOC Learning", 《COMPUTER SCIENCE PROCEEDINGS OF THE 2017 CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111345800B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110916631B (zh) | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 | |
| US20210000426A1 (en) | Classification system of epileptic eeg signals based on non-linear dynamics features | |
| Flexer et al. | A reliable probabilistic sleep stager based on a single EEG signal | |
| CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
| CN105411565A (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
| TWI500411B (zh) | 脈波與體質健康風險評估系統與方法 | |
| CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
| CN103251417B (zh) | 创业潜质脑电信号表征与识别方法 | |
| CN111248928A (zh) | 压力识别方法及装置 | |
| CN110772235A (zh) | 基于云计算和移动平台的中医智能健康分析系统 | |
| CN112674779A (zh) | 一种基于ecg信号的睡眠自动分期方法 | |
| Wang et al. | Scientific creativity research based on generalizability theory and BP_Adaboost RT | |
| CN113558634A (zh) | 一种数据监测方法、装置、电子设备和存储介质 | |
| CN112617772B (zh) | 一种基于脉搏波信号的驾驶疲劳识别方法及系统 | |
| CN208677390U (zh) | 一种脑电波获取仪 | |
| CN110477932B (zh) | 一种基于互联网与云计算的学生心理压力评估方法及系统 | |
| CN111345800B (zh) | 一种mooc环境下的学习注意力检测方法及系统 | |
| Gómez-García et al. | Emulating the perceptual capabilities of a human evaluator to map the GRB scale for the assessment of voice disorders | |
| CN116616709A (zh) | 基于非静止状态下多通道视频的工作记忆负荷评估方法 | |
| Yu et al. | A LSTM network-based learners’ monitoring model for academic self-efficacy evaluation using EEG signal analysis | |
| Fan et al. | An electrocardiogram acquisition and analysis system for detection of human stress | |
| CN115798718A (zh) | 一种认知测试评估方法及系统 | |
| CN107157498B (zh) | 一种针对脑力疲劳的语音疲劳度检测方法 | |
| CN114169808A (zh) | 计算机实施的学习力评估方法、计算设备、介质和系统 | |
| CN109840667A (zh) | 一种基于脑电信号的二维心理坐标式过程性教学评价系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |