CN111696011B - 一种监测与调控学生自主学习系统及其方法 - Google Patents
一种监测与调控学生自主学习系统及其方法 Download PDFInfo
- Publication number
- CN111696011B CN111696011B CN202010499048.7A CN202010499048A CN111696011B CN 111696011 B CN111696011 B CN 111696011B CN 202010499048 A CN202010499048 A CN 202010499048A CN 111696011 B CN111696011 B CN 111696011B
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- autonomous learning
- data
- autonomous
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 230000001276 controlling effect Effects 0.000 title description 3
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 2
- 230000008451 emotion Effects 0.000 abstract description 14
- 230000007786 learning performance Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 4
- 230000035790 physiological processes and functions Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 12
- 208000019901 Anxiety disease Diseases 0.000 description 11
- 241000251468 Actinopterygii Species 0.000 description 10
- 230000036506 anxiety Effects 0.000 description 9
- 230000003542 behavioural effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002040 relaxant effect Effects 0.000 description 4
- 230000009182 swimming Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Operations Research (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种监测与调控学生自主学习系统及其方法，包括在线学习平台和可穿戴设备，在线学习平台与可穿戴设备通讯连接，可穿戴设备依据学习表现数据和生理状态数据判断学生的学习状态是否良好，可及时干预自主学习并播放轻松视频来缓解学生情绪，促进学生自主学习的参与度。本发明的优点为：简便易行，促进学生自主学习的学习效果。
Description
技术领域
本发明涉及技术领域，具体涉及一种监测与调控学生自主学习系统及其方法。
背景技术
越来越多的在线学习系统被用于大学和教育机构的自定进度学习中。研究人员认为，孤立学习(例如，自定进度的学习等)可能会引起负面情绪，例如焦虑情绪，这可能会大大削弱学生进行学习活动的动机。此外，许多文献表明，教师的监督和干预不足通常会导致学生参与度差；强调在学习中情感和行为参与的重要性，这里的情感参与是指在自定进度的学习中的情感和兴趣(例如，学习活动期间的情感反应以及对学习材料的态度反应等)，行为参与度被定义为参与学习活动和公开参与其中(例如，在线完成的练习等)，可以通过自我报告或观察来衡量。
行为模式可以轻松定义、跟踪和可视化。例如，击键记录可以详细记录行为参与度，包括学生在在线问题上花费的时间以及他们进行多少打字。这些记录是描述行为参与程度的适当指标，可以用来改善和个性化学生的学习体验。情感参与却难以测量和用于此目的，在情感感知计算技术领域，它是一个流行的研究主题。许多研究探索了影响学习的行为和生理因素。现代计算机和传感技术能够在学习活动中观察学习成绩，并在一定程度上观察其心理状态。生物传感器可用于简单的生理测量(例如心率)以及更复杂的神经心理学相关测量(例如脑电图等)，可以有效地跟踪学生的学习过程，但需要专门的设置。然而，那些高级的传感器通常是侵入性的，并且会分散学生对学习活动的注意力，并对学习过程产生负面影响。
因此，我们急需提供一种非侵入性的传感器装置，在学生进入自主学习时实时监测与调控其学习进度，使其在学习环境中积极投入并具有内在动力，从而达到既定的学习目标。
发明内容
本发明的目的是提供一种简便易行、促进学习效果的监测与调控学生自主学习系统及其方法。
为了达到上述目的，本发明通过以下技术方案来实现：
一种监测与调控学生自主学习系统，包括在线学习平台和可穿戴设备；
所述在线学习平台，为学生提供学习素材并收集学生的学习表现，学生的学习表现包括学生完成当前问题的分数Qc(t)和学生完成问题的累积分数Qa(t)；
所述可穿戴设备，通过账户登录与在线学习平台通讯连接，内置计时器，检测学生在自主学习中的心率并结合学习表现执行分析，当检测分析学生出现负面情绪时提醒学生放松休息并播放轻松视频。
进一步地，所述可穿戴设备的轻松视频为电子鱼游动的视频，电子鱼按照与学生心率变化成反比的节奏自由游动。
进一步地，所述可穿戴设备为Apple Watch或其他便于穿戴的可视设备。
进一步地，所述在线学习平台收集学生的学习表现包括：在一个问题上花费的时间；在一个练习上花费的时间；一个问题的正确率；一个练习的正确率；在一个答错问题上花费的时间；在一个表现不佳的练习上花费的时间；评价问题的难度；与问题相关的心率变化；与不佳表现的练习相关的心率。
一种监测与调控学生自主学习方法，包括如下步骤：
S1)准备工作
开启可穿戴设备，登录与在线学习平台关联的账户，与在线学习平台选择相应的课程进行自主学习；
S2)数据采集
可穿戴设备检测学生自主学习时的心率P(t)，接收在线学习平台收集的学生完成当前问题的分数Qc(t)和学生完成问题的累积分数Qa(t)；
S3)评估学生的学习状态
对于当前问题的分数Qc(t)和完成问题的累积分数，Qa(t)，
对于每个P(t)、Qc(t)和Qa(t)，采用高斯模型来描述先前的数据，其中，
为了检测离群值，使用LOF模型修正局部离群值因子，对于给定的一组数据[X1,…and Xk]，每个Xi由三段数据组成(P(t)，Qc(t)，Qa(t))，计算Xi与Xj两个数据的可达距离其中，kd(Xi)是数据点Xi的k距离；
简化LOF模型其中，Xk是Xi的第k个最近邻域，Xn穿过Xi的所有k个最近邻域，对给定数据集的局部特征的SLOF度量可以确定哪个Xn远离数据的其他部分，远离数据其他部分的Xn为异常值；
S4)干预自主学习
若存在异常值Xi，可穿戴设备提醒学生放松休息，并播放轻松视频，放松完毕继续进行自主学习；
若不存在异常值，则学生继续在自主学习平台进行自主学习；
S5)完成自主学习
循环步骤S2)至S4)，直到计时器计时达到预设学习时间T。
进一步地，可穿戴设备在检测前确定每个学生的休息基准心率，在自主学习时检测到的心率为基线校正的相对测量心率。
本发明与现有技术相比，具有以下优点：
本发明一种监测与调控学生自主学习系统及其方法，将在线学习平台与自主学习时的可穿戴设备通讯连接，通过可穿戴设备内置的程序接收学生学习状态数据和生理状态数据并判断学生是否出现负面情绪状态，及时干预自主学习，帮助学生缓解焦虑、紧张等负面情绪，有助于促进学生自主学习参与度。
本发明的可穿戴设备在干预自主学习时，播放电子鱼游动的视频，电子鱼的设计植根于中国的哲学和美学概念，鱼代表着安宁与内心的平静，可以很好地放松学生的情绪并减轻焦虑。
附图说明
图1是本发明一种监测与调控学生自主学习系统的架构示意图；
图2是本发明实施例在线学习平台的界面示意图；
图3是本发明实施例Apple Watch的界面示意图；
图4是本发明实施例中实验组和对照组学生总参与时间比对示意图。
具体实施方式
下面结合附图，对本发明的实施例作进一步详细的描述。
如图1所示，一种监测与调控学生自主学习系统，包括在线学习平台和可穿戴设备。在线学习平台为基于WEB的学习系统，包含多门可选的课程；本实施例中，可穿戴设备采用Apple Watch。如图1所示，所述在线学习平台，为学生提供学习素材并收集学生的学习表现，学生的学习表现包括以下指标：(1)在一个问题上花费的时间；(2)在一个练习上花费的时间；(3)一个问题的正确率；(4)一个练习的正确率；(5)在一个答错问题上花费的时间；(6)在一个表现不佳的练习上花费的时间；(7)评价问题的难度；(8)与问题相关的心率变化；(9)与不佳表现的练习相关的心率。所述可穿戴设备，通过账户登录与在线学习平台通讯连接，内置计时器，检测学生在自主学习中的心率并结合学习表现执行分析，当检测分析学生出现负面情绪时提醒学生放松休息并播放轻松视频。
学生佩戴Apple Watch后登陆账户并关联在线学习平台，学生可以参加适合自己水平的练习，完成一个或多个练习。如图2(a)所示，所有已完成的任务和新的练习任务，以及有关学生成绩的图表列在自主学习平台的练习主页上；如图2(b)所示，练习包括一组在给定时间内完成的多项选择题，计时器组件显示用于当前问题的时间和整个练习剩余的时间；如图2(c)所示，练习完成后，学生可以查看练习的结果及其表现的详细信息；如图2(d)所示，学生可以通过为当前问题分配一个值(难或中或易)来评论每个问题的难度。
如图3所示，所述Apple Watch的轻松视频为电子鱼游动的视频，在检测到学生在自主学习过程中产生焦虑情绪时提醒学生观看电子鱼游动视频来干预自主学习，电子鱼的设计植根于中国的哲学和美学观念，鱼代表着安宁与内心的平静，可以放松学生的情绪并减轻焦虑。作为进一步减轻焦虑的策略，电子鱼按照与学生心率变化成反比的节奏自由游动。
基于本发明一种监测与调控学生自主学习系统的方法，包括如下步骤：
S1)准备工作
开启可穿戴设备，登录与在线学习平台关联的账户，与在线学习平台选择相应的课程进行自主学习。
S2)数据采集
可穿戴设备检测学生自主学习时的心率P(t)，接收在线学习平台收集的学生完成当前问题的分数Qc(t)和学生完成问题的累积分数Qa(t)。
定期地，学生的平均学习成绩和在自主学习期间收集的生理信号将用于更新可穿戴设备的数据库，作为参照。由于休息期间的基准心率因人而异，可穿戴设备在检测前应确定每个学生的休息基准心率，然后在自主学习时收集到的心率平均值进行比较时将其考虑在内，即在自主学习时检测到的心率为基线校正的相对测量心率。
S3)评估学生的学习状态
对于当前问题的分数Qc(t)和完成问题的累积分数，Qa(t)，
对于每个P(t)、Qc(t)和Qa(t)，采用高斯模型来描述先前的数据，其中，
为了检测离群值，使用LOF模型修正局部离群值因子，LOF的基本思想是使用KNN分类器来计算给定数据集的局部密度，并对其距离进行测量以估算密度，一般而言，如果数据距离其KNN邻域较远，则将其视为异常值；对于给定的一组数据[X1,…and Xk]，每个Xi由三段数据组成(P(t)，Qc(t)，Qa(t))，计算Xi与Xj两个数据的可达距离其中，kd(Xi)是数据点Xi的k距离；
简化LOF模型其中，Xk是Xi的第k个最近邻域，Xn穿过Xi的所有k个最近邻域，对给定数据集的局部特征的简化LOF度量可以确定哪个Xn远离数据的其他部分，远离数据其他部分的Xn为异常值。
S4)干预自主学习
若存在异常值Xi，可穿戴设备提醒学生放松休息，并播放轻松视频，播放轻松视频的时间可预设，放松完毕继续进行自主学习；
若不存在异常值，则学生继续在自主学习平台进行自主学习。
S5)完成自主学习
循环步骤S2)至S4)，直到计时器计时达到预设学习时间T。
对于步骤S3)，具体地，基于简化LOF模型(SLOF)，在算法中输入学生心率P(t)、已完成问题的累积分数Qa(t)、当前问题的分数Qc(t)，由于P、Qa、Qc记录在不同的时间戳中，采用线性插值的方法对时间帧进行对齐，从而在同一时间戳中得到三个测量值。SLOF模型中，T0为搜索邻域的时间间隔，K为KNN邻域，Th1为概率测试的阈值(指数1)，Th2为模型测试的阈值(指数2)。模型输出的结果为该学生是否处于焦虑状态。具体算法如下：1)通过式(2)、式(3)、式(4)计算prob(P)、prob(Qa)、prob(Qc)；2)定义指数1为index1＝max(prob(P)，prob(Qa)，prob(Qc))；3)将X(t)表示为(P(t)，Qa(t)，Qc(t))；4)通过式(6)计算SLOF，时间间隔为(t-t0,t)，如指数2(index2)；5)如果index1>0或index2>0，输出该学生处于焦虑状态，否则为正常状态；如果t<td，转到下一个时间戳并重复步骤1)至5)。
本发明的具体实施例，通过实验将上述方法用于调查自定进度的学习环境(简称Fish Buddy)对学生参与水平(即参与的一致性)的影响。
随机选择健康且未报告任何生理疾病的中国吉良大学20名一年级本科生参加了该实验。他们都在上学期的“英语-1级”课程中获得了A级(最佳学术成绩)，并且刚刚注册了本学期的“英语-2级”课程。这些学生的年龄在18至21岁之间，男11名，女9名。他们以前没有Fish Buddy的经验，也没有参加过其他有关参与电子学习环境的研究。
本实验将学生随机分为两组(每组10名学生)：(1)对照组，学生在没有Fish Buddy的情况下进行在线自定进度的练习；(2)实验组，学生在进行相同的练习时使用了FishBuddy。练习的内容是从过去三年中大学英语考试(6级)中选择的问题中选出的。
为了比较各组学生在学习活动中的总参与时间，我们分析了数据，其中包括学生何时开始练习以及何时退出实验。如图4所示，水平轴代表每个学生在实验中的总参与时间，垂直轴代表每个组中留在实验中的学生的百分比。我们发现，在实验的前30分钟，两组中的所有学生都充分参与了练习。对照组中，大多数学生在33至98分钟之间退出实验，最早的学生在31分钟后退出实验，最长的参与时间为122分钟，平均参与时间为65.5分钟。在实验组中，大多数人在40至151分钟之间退出了实验。，41分钟后首次退出，最长的参与时间为163分钟。实验组的平均参与时间为111.4分钟，比对照组的平均参与时间长得多。
在实验中，设计了一个问卷调查表，其中包含四个问题，如表1所示，以收集两组的反馈。关于问题1的答案，与对照组的学生相比，实验组的学生焦虑感有所减轻，该结果与图4所示的结果一致，实验组的学生参与自主学习时间比对照组的学生更长。关于问题2的答案，实验组的学生报告的孤立感较对照组少，问卷调查结果支持了Fish Buddy有助于减少学生的焦虑。关于问题3的答案，实验组中的大多数学生同意(4.1/5)他们收到即时反馈，相比之下，对照组的学生则强烈反对(1.4/5)。关于问题4学生的自我报告，发现实验组的人同意(4/5)Fish Buddy有助于提高他们的表现。
表1学生对Fish Buddy主观态度调查表
表1中，M表示均值，SD表示标准差。
本发明开发的一个自定进度的学习环境(Fish Buddy)，由基于WEB的自主学习平台和可穿戴应用程序(e-Fish)组成，实验表明，Fish Buddy对于促进学生参与自主学习具有重要意义，Fish Buddy可帮助减少学生在自定进度的学习练习中的焦虑和孤立感，实验小组的学生在试用期间会获得更多积极的经历，并且有更强烈的意愿继续使用Fish Buddy的学习环境。
以上所述仅是本发明优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。
Claims (2)
1.一种监测与调控学生自主学习方法，其特征在于包括如下步骤：
S1)准备工作
开启可穿戴设备，登录与在线学习平台关联的账户，与在线学习平台选择相应的课程进行自主学习；
S2)数据采集
可穿戴设备检测学生自主学习时的心率P(t)，接收在线学习平台收集的学生完成当前问题的分数Qc(t)和学生完成问题的累积分数Qa(t)；
S3)评估学生的学习状态
对于当前问题的分数Qc(t)和完成问题的累积分数，Qa(t)，
对于每个P(t)、Qc(t)和Qa(t)，采用高斯模型来描述先前的数据，其中，
为了检测离群值，使用LOF模型修正局部离群值因子，对于给定的一组数据[X1,…andXk]，每个Xi由三段数据组成(P(t)，Qc(t)，Qa(t))，计算Xi与Xj两个数据的可达距离rd(Xi，Xj)＝max(kd(Xi)，|Xi-Xj|2) (5)，其中，kd(Xi)是数据点Xi的k距离；
简化LOF模型其中，Xk是Xi的第k个最近邻域，Xn穿过Xi的所有k个最近邻域，对给定数据集的局部特征的SLOF度量可以确定哪个Xn远离数据的其他部分，远离数据其他部分的Xn为异常值；
S4)干预自主学习
若存在异常值Xi，可穿戴设备提醒学生放松休息，并播放轻松视频，放松完毕继续进行自主学习；
若不存在异常值，则学生继续在自主学习平台进行自主学习；
S5)完成自主学习
循环步骤S2)至S4)，直到计时器计时达到预设学习时间T。
2.根据权利要求1所述的一种监测与调控学生自主学习方法，其特征在于：可穿戴设备在检测前确定每个学生的休息基准心率，在自主学习时检测到的心率为基线校正的相对测量心率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499048.7A CN111696011B (zh) | 2020-06-04 | 2020-06-04 | 一种监测与调控学生自主学习系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499048.7A CN111696011B (zh) | 2020-06-04 | 2020-06-04 | 一种监测与调控学生自主学习系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111696011A CN111696011A (zh) | 2020-09-22 |
| CN111696011B true CN111696011B (zh) | 2023-09-29 |
Family
ID=72478899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010499048.7A Active CN111696011B (zh) | 2020-06-04 | 2020-06-04 | 一种监测与调控学生自主学习系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111696011B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115242539B (zh) * | 2022-07-29 | 2023-06-06 | 广东电网有限责任公司 | 基于特征融合的电网信息系统网络攻击检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106491104A (zh) * | 2016-10-25 | 2017-03-15 | 湖南大学 | 基于智能穿戴设备的驾驶员状态智能实时监测系统和方法 |
| CN106779614A (zh) * | 2016-12-28 | 2017-05-31 | 歌尔科技有限公司 | 用于可穿戴设备的学习监测方法、装置及可穿戴设备 |
| CN108564073A (zh) * | 2018-06-20 | 2018-09-21 | 四川文理学院 | 一种课堂环境中学生情绪识别方法及装置 |
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292271B (zh) * | 2017-06-23 | 2020-02-14 | 北京易真学思教育科技有限公司 | 学习监控方法、装置及电子设备 |
-
2020
- 2020-06-04 CN CN202010499048.7A patent/CN111696011B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106491104A (zh) * | 2016-10-25 | 2017-03-15 | 湖南大学 | 基于智能穿戴设备的驾驶员状态智能实时监测系统和方法 |
| CN106779614A (zh) * | 2016-12-28 | 2017-05-31 | 歌尔科技有限公司 | 用于可穿戴设备的学习监测方法、装置及可穿戴设备 |
| CN108564073A (zh) * | 2018-06-20 | 2018-09-21 | 四川文理学院 | 一种课堂环境中学生情绪识别方法及装置 |
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111696011A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fullerton et al. | Recognizing human activity in free-living using multiple body-worn accelerometers | |
| Patel et al. | A novel approach to monitor rehabilitation outcomes in stroke survivors using wearable technology | |
| Preatoni et al. | Motor variability in sports: a non-linear analysis of race walking | |
| Padmaja et al. | A machine learning approach for stress detection using a wireless physical activity tracker | |
| KR20180041089A (ko) | 인지 능력 측정을 위한 프로세서 구현 시스템 및 방법 | |
| US20130018592A1 (en) | Systems and Methods for Inter-Population Neurobehavioral Status Assessment Using Profiles Adjustable to Testing Conditions | |
| EP3474743B1 (en) | Method and system for detection and analysis of cognitive flow | |
| Spann et al. | Expanding the scope of learning analytics data: Preliminary findings on attention and self-regulation using wearable technology | |
| Ciolacu et al. | Enabling IoT in Education 4.0 with biosensors from wearables and artificial intelligence | |
| CN108814565A (zh) | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 | |
| EP3153097B1 (en) | A method and system for assessing learning experience of a person | |
| CN110464367A (zh) | 基于多通道协同的心理异常检测方法和系统 | |
| CN103054573A (zh) | 多人神经反馈训练方法和多人神经反馈训练系统 | |
| CN105981019A (zh) | 计算人的当前昼夜节律 | |
| Peciuliene et al. | Effectiveness of progressive muscle relaxation and biofeedback relaxation in lowering physiological arousal among students with regard to personality features | |
| Yates et al. | Arousal detection for biometric data in built environments using machine learning | |
| Patt et al. | Disentangling working memory processes during spatial span assessment: A modeling analysis of preferred eye movement strategies | |
| CN111696011B (zh) | 一种监测与调控学生自主学习系统及其方法 | |
| Dickinson et al. | An investigation of subjective sleep and fatigue measures for use with elite athletes | |
| CN105447326A (zh) | 一种电网企业工作人员风险行为状况评估方法 | |
| CN113081656B (zh) | 智能按摩椅及其控制方法 | |
| Crameri et al. | Effects of dynamic resilience on the reactivity of vagally mediated heart rate variability | |
| Janatova et al. | A Novel Big Data-Enabled Approach, Individualizing and Optimizing Brain Disorder Rehabilitation | |
| Gao | Human behaviour sensing and profiling in the wild | |
| CN111568423B (zh) | 用户呼吸的共振频率估计值的量测方法及装置 |
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 | ||
| CB02 | Change of applicant information |
Address after: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant after: Sinyada Technology Co.,Ltd. Address before: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant before: SUNYARD SYSTEM ENGINEERING Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |