CN112394813B - 基于智能手环设备与脑电波采集设备的vr考试方法和装置 - Google Patents
基于智能手环设备与脑电波采集设备的vr考试方法和装置 Download PDFInfo
- Publication number
- CN112394813B CN112394813B CN202011220946.0A CN202011220946A CN112394813B CN 112394813 B CN112394813 B CN 112394813B CN 202011220946 A CN202011220946 A CN 202011220946A CN 112394813 B CN112394813 B CN 112394813B
- Authority
- CN
- China
- Prior art keywords
- examinee
- data
- training
- brain wave
- physiological characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明揭示了一种基于智能手环设备与脑电波采集设备的VR考试方法、装置、计算机设备和存储介质,包括:向第一考生展示第一VR试题;得到第一考生的生理特征数据和脑电波数据;若为竞争模式,则选出指定对比考生;展示第二VR试题;得到所述指定对比考生的答题进度和答题内容;得到修饰后的答题内容;加入答题进度和修饰后的答题内容;实时检测第一生理特征数据和第一脑电波数据,第二生理特征数据和第二脑电波数据;同时输入异常状态预测模型中,从而得到预测结果;若预测结果为异常,则结束第一考生的VR考试,从而完成VR考试过程。从而模拟出真实的考试场景,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于智能手环设备与脑电波采集设备的VR考试方法、装置、计算机设备和存储介质。
背景技术
虚拟现实技术(VR)的发展对于教育领域有着显著地促进作用,例如采用VR技术进行考试,能够有效防止学生作弊的现象出现。但是现有的VR考试方案,只是让考生在VR场景中进行答题,无法模拟出真实环境中的考试场景(真实环境中的考试是存在竞争的,考试不仅是对知识的考核,还是对心理素质、环境适应力的考核),因此现有的VR考试方案的考核效果差,考核准确性低。
发明内容
本申请提出一种基于智能手环设备与脑电波采集设备的VR考试方法,包括以下步骤:
S1、当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
S2、采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
S3、获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;
S4、若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
S5、向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
S6、实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
S7、根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
S8、在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
S9、实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
S10、将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
S11、判断所述预测结果是否为异常;
S12、若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
进一步地,所述根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生的步骤S4,包括:
S401、从同时参与相同的VR考试的考生中随机选出一名暂定考生,并获取所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;其中,所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S402、根据所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第一生理时间曲线函数和第一脑电波时间曲线函数;其中,所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S403、根据所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第二生理时间曲线函数和第二脑电波时间曲线函数;
S404、根据公式:
U(t)=H(t)-h(t),P(t)=J(t)-j(t)
获取函数Y(t),其中H(t)为所述第一生理时间曲线函数,h(t)为所述第二生理时间曲线函数,J(t)为所述第一脑电波时间曲线函数,j(t)为所述第二脑电波时间曲线函数,U(t)为所述第一生理时间曲线函数和所述第二生理时间曲线函数的差值函数,P(t)为所述第一脑电波时间曲线函数和所述第二脑电波时间曲线函数的差值函数,t为时间,min为最小值函数,c为预设的大于0的参数值;
S405、以所述函数Y(t)根据是否等于c为依据,将所述函数Y(t)划分为第一子函数和第二子函数,其中所述第一子函数的数值均不等于c,而所述第二子函数的数值均等于c;
S406、根据公式:时长占比=第一子函数的时长/(第一子函数的时长+第二子函数的时长),计算出所述时长占比;其中所述第一子函数的时长指所述第一子函数在时间轴上的长度,所述第二子函数的时长指所述第二子函数在时间轴上的长度;
S407、判断所述时长占比是否大于预设的比例阈值;
S408、若所述时长占比大于预设的比例阈值,则将所述暂定考生作为指定对比考生。
进一步地,所述在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容的步骤S8的同时,包括:
S801、在所述指定对比考生对第二VR试题答题的VR场景中,不增加所述第一考生的答题进度和答题内容,从而所述指定对比考生无法得知所述第一考生的答题进度和答题内容;
所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10中的所述两个处于竞争状态下的VR考试的考生之中仅有一名考生能够得知另一名考生的答题进度和答题内容;
所述若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程的步骤S12之后,包括:
S121、判断是否有其他考生以所述指定对比考生作为竞争对象;
S122、若有其他考生以所述指定对比考生作为竞争对象,则继续所述指定对比考生的VR考试过程。
进一步地,所述判断所述预测结果是否为异常的步骤S11之后,包括:
S111、若所述预测结果为不为异常,则在预设的时间范围内继续所述第一考生的VR考试过程;
S112、在所述预设的时间范围内进行数据采集处理,以再次获取所述第一考生的第一生理特征数据和第一脑电波数据,以及再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据;
S113、将所述再次获取所述第一考生的第一生理特征数据、第一脑电波数据、所述再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据同时输入所述异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的再次预测结果;
S114、判断所述再次预测结果是否为异常;
S115、若所述再次预测结果不为异常,则在所述指定对比考生的VR场景中,加入所述第一考生的答题进度和答题内容。
进一步地,所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10之前,包括:
S91、获取预先收集的多个样本数据,其中所述样本数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,状态标签为正常或者异常;第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到,并且两个处于竞争状态下的VR考试的考生中的一者能够得知另一者的答题进度与被修饰过的答题内容;
S92、将所述多个样本数据按预设比例划分为训练数据和验证数据;
S93、将训练数据输入预设的神经网络模型进行训练处理,以得到暂时模型;
S94、采用验证数据对暂时模型进行验证处理,并判断验证结果是否通过;
S95、若验证结果通过,则将暂时模型记为异常状态预测模型。
本申请提供一种基于智能手环设备与脑电波采集设备的VR考试装置,包括:
第一VR试题展示单元,用于当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
信号采集单元,用于采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
竞争模式判断单元,用于获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;
对比考生筛选单元,用于若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
第二VR试题展示单元,用于向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
答题状况检测单元,用于实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
答题内容修饰单元,用于根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
答题进度加入单元,用于在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
数据实时检测单元,用于实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
预测结果获取单元,用于将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
预测结果判断单元,用于判断所述预测结果是否为异常;
VR考试结束单元,用于若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于智能手环设备与脑电波采集设备的VR考试方法、装置、计算机设备和存储介质,其中的一个特点在于,能够模拟出真实的考试场景,充分使用VR考试中的数据,以考核出真实环境中考生的真实水平;另一个特点在于,能够在考生状态异常时实时结果考试,以防止考生的健康受损;再一个特点在于,能够在不对照正确答案的前提下实时获知考生的真实水平。因此,本申请的基于智能手环设备与脑电波采集设备的VR考试方法,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
附图说明
图1-2为本申请一实施例的基于智能手环设备与脑电波采集设备的VR考试方法的流程示意图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1-2,本申请实施例提供一种基于智能手环设备与脑电波采集设备的VR考试方法,包括以下步骤:
S1、当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
S2、采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
S3、获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;
S4、若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
S5、向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
S6、实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
S7、根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
S8、在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
S9、实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
S10、将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
S11、判断所述预测结果是否为异常;
S12、若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
如上述步骤S1-S3所述,当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式。所述VR考试可采用任意可行的考试,例如在VR场景中以模拟纸质考卷的方式向考生展示试题的考试等。所述第一VR眼镜可采用任意可行原理,例如采用双眼视差原理。所述第一VR试题是预先设计的,用于供给所有考生进行初始答题的试题,其目的在于收集考生数据,以便于找出合适的配对考生。所述智能手环设备能够进行生理特征采集操作,例如采集穿戴者的脉搏和/或体温等数据。所述脑电波采集设备能够进行脑电波数据采集操作(脑电波是一种大脑活动产生的电信号,所述脑电波采集设备能够以任意可行的方式进行脑电波采集,例如通过电信号传感器来实现),其可集成在第一VR眼镜中,内置于第一VR眼镜中。再获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式。其中,本申请的VR考试预先标记有不同的模式,例如标记有竞争模式或者非竞争模式,在竞争模式下的VR考试用于测试考生在极限承压条件下的水平,而非竞争模式下仅测试考生对于知识的掌握水平。其中,考生进行VR考试时可采用任意可行方式进行答题,例如采用与现有的VR设备相同的考生回复内容采集手段(例如考生握有感应笔,所述感应笔的笔尖预设有传感器以感应考生在答题时的笔尖的轨迹,从而得到考生的书写内容,并将书写内容实时反应在VR场景中的答卷中)。
如上述步骤S4-S6所述,若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容。其中,预设的对比考生筛选方法可为任意可行方法,其目的在于找出与第一考生水平相近的指定对比考生,这样竞争模式下的VR考试才有意义(此时,由于人类的自然属性或自然规律:在遇见相似水平的对手时,会不由自主地进行比对竞争,从而感受到压力,因此本申请的第一考生会在承压环境中进行考试。而这也是本申请所利用的一种自然规律),因为若指定对比考生的水平远高于第一考生(第一考生能够察觉到过大的差距,会放弃竞争),或者远低于第一考生(第一考生无法感受到压力),都不会对第一考生造成压力。所述第二VR试题与第一VR试题不同,第二VR试题才是本申请的VR考试中的核心部分,是用以判断考生水平的依据。并且,尤为重要的是,本申请不以考生的具体答题结果与标准答案为依据,即可实时考察考生的水平,而这种实时考察依赖于生理特征数据和脑电波数据的分析,这方面内容将在下文进行阐述。由于第二VR试题是考试核心,因此所述第二数量大于所述第一数量。再实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容。其中,指定对比考生也穿戴有VR眼镜、智能手环设备和脑电波采集设备。
进一步地,所述根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生的步骤S4,包括:
S401、从同时参与相同的VR考试的考生中随机选出一名暂定考生,并获取所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;其中,所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S402、根据所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第一生理时间曲线函数和第一脑电波时间曲线函数;其中,所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S403、根据所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第二生理时间曲线函数和第二脑电波时间曲线函数;
S404、根据公式:
U(t)=H(t)-h(t),P(t)=J(t)-j(t)
获取函数Y(t),其中H(t)为所述第一生理时间曲线函数,h(t)为所述第二生理时间曲线函数,J(t)为所述第一脑电波时间曲线函数,j(t)为所述第二脑电波时间曲线函数,U(t)为所述第一生理时间曲线函数和所述第二生理时间曲线函数的差值函数,P(t)为所述第一脑电波时间曲线函数和所述第二脑电波时间曲线函数的差值函数,t为时间,min为最小值函数,c为预设的大于0的参数值;
S405、以所述函数Y(t)根据是否等于c为依据,将所述函数Y(t)划分为第一子函数和第二子函数,其中所述第一子函数的数值均不等于c,而所述第二子函数的数值均等于c;
S406、根据公式:时长占比=第一子函数的时长/(第一子函数的时长+第二子函数的时长),计算出所述时长占比;其中所述第一子函数的时长指所述第一子函数在时间轴上的长度,所述第二子函数的时长指所述第二子函数在时间轴上的长度;
S407、判断所述时长占比是否大于预设的比例阈值;
S408、若所述时长占比大于预设的比例阈值,则将所述暂定考生作为指定对比考生。
从而实现了找出相近的指定对比考生。本申请实施结果的优劣与指定对比考生的选取极为相关,因此本申请采用了特别的方式来选出与第一考生水平相近的指定对比考生。具体地,本申请分别生成第一生理时间曲线函数和第一脑电波时间曲线函数,第二生理时间曲线函数和第二脑电波时间曲线函数,再根据公式:
U(t)=H(t)-h(t),P(t)=J(t)-j(t)
获取函数Y(t),以所述函数Y(t)根据是否等于c为依据,将所述函数Y(t)划分为第一子函数和第二子函数,根据公式:时长占比=第一子函数的时长/(第一子函数的时长+第二子函数的时长),计算出所述时长占比,再以时长占比为依据,以确定暂定考生是否为合适的指定对比考生。在此过程中,不仅综合考虑了生理时间曲线函数和脑电波时间曲线函数,还考虑了不同函数之间的数值差异,更考虑了不同函数之间的波动趋势,并将其映射为时间占比。因此本申请采用的这种指定对比考生的选取方法,准确性更高,更有利于整体VR考试的进行。其中,所述第一子函数的时长指第一子函数在时间轴上的长度。所述比例阈值例如为0.9-0.99。
如上述步骤S7-S9所述,根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据。所述预设的答题内容修饰方法可为任意可行方法,例如对部分原始答题内容进行马赛克遮盖处理,从而第一考生仅能得知指定对比考生回答了该部分内容,但却不知道具体的内容,从而以给予第一考生更大的压力。在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容的方式,例如为,在第一考生的对面(VR场景中的对面)展现指定对比考生在答题时的虚拟形象,并且将指定对比考生的答题进度和所述修饰后的答题内容进行展示。再实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据,以便于对第一考生的实时状态进行检测。
进一步地,所述在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容的步骤S8的同时,包括:
S801、在所述指定对比考生对第二VR试题答题的VR场景中,不增加所述第一考生的答题进度和答题内容,从而所述指定对比考生无法得知所述第一考生的答题进度和答题内容;
所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10中的所述两个处于竞争状态下的VR考试的考生之中仅有一名考生能够得知另一名考生的答题进度和答题内容;
所述若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程的步骤S12之后,包括:
S121、判断是否有其他考生以所述指定对比考生作为竞争对象;
S122、若有其他考生以所述指定对比考生作为竞争对象,则继续所述指定对比考生的VR考试过程。
从而,实现了以非对称配对的方式,完成VR考试。本申请的竞争模式是特殊的模式,具体而言,仅有第一考生能够得知指定对比考生的答题状况,但指定对比考生无法得知第一考生的答题状况,即是非对称配对的方式来对第一考生进行考察。在这种情况下,由于指定对比考生的情绪稳定,更适应作为对比对象,因此将其作为多个非对称配对的对象(当然,需要其他考生的水平与其相近),更有利于整体VR考试的进行,从而VR考试的检测结果更准确。其中,要实现上述目的,本申请的步骤S10中的所述两个处于竞争状态下的VR考试的考生之中仅有一名考生能够得知另一名考生的答题进度和答题内容,从而使得状态预测模型的训练数据也为相匹配的数据,进而才能进行对非对称配对中的第一考生进行状态预测处理。
进一步地,所述判断所述预测结果是否为异常的步骤S11之后,包括:
S111、若所述预测结果为不为异常,则在预设的时间范围内继续所述第一考生的VR考试过程;
S112、在所述预设的时间范围内进行数据采集处理,以再次获取所述第一考生的第一生理特征数据和第一脑电波数据,以及再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据;
S113、将所述再次获取所述第一考生的第一生理特征数据、第一脑电波数据、所述再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据同时输入所述异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的再次预测结果;
S114、判断所述再次预测结果是否为异常;
S115、若所述再次预测结果不为异常,则在所述指定对比考生的VR场景中,加入所述第一考生的答题进度和答题内容。
从而实现了数据纠正,以保证配对的考生中至少有一个能够满足VR考试的目的。其中,若所述预测结果为不为异常,则在预设的时间范围内继续所述第一考生的VR考试过程;在所述预设的时间范围内进行数据采集处理,以再次获取所述第一考生的第一生理特征数据和第一脑电波数据,以及再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据;将所述再次获取所述第一考生的第一生理特征数据、第一脑电波数据、所述再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据同时输入所述异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的再次预测结果;判断所述再次预测结果是否为异常;若所述再次预测结果不为异常,则表明在相当长的一段时间内,即在预设的时间范围内,所述第一考生的状态均是正常的,此时有可能出现的情况为第一考生并未承受较大的压力,其产生的原因可能是第一考生的水平相较于指定对比考生较高。因此,本申请在所述指定对比考生的VR场景中,加入所述第一考生的答题进度和答题内容,从而指定对比考生在一定的压力进行答题,以实现数据纠正(第一考生与指定对比考生的角色互换)。
如上述步骤S10-S12所述,将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;判断所述预测结果是否为异常;若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。本申请采用基于神经网络模型的异常状态预测模型来确定第一考生是否异常。需要注意的是,此时的分析不仅以第一考生的所述第一生理特征数据、所述第一脑电波数据作为分析基础,还以指定对比考生的所述第二生理特征数据和所述第二脑电波数据为分析依据,这是因为生理特征数据、脑电波数据是与VR试题相关的,当VR试题较难时,生理特征数据、脑电波数据波动较为剧烈是正常现象,而这可以从指定对比考生的所述第二生理特征数据和所述第二脑电波数据中得知。因此,本申请以所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据作为分析依据,相比于只采集第一考生的数据的分析方法,因此得到的预测结果更为准确。其中,所述神经网络模型可采用任意可行模型,例如采用深度神经网络模型、长短期记忆网络模型、BP神经网络模型等等。并且,所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到,因此异常状态预测模型能够胜任状态预测工作。并且,此时的状态预测仅是对第一考生的状态进行预测。因此,对应地,若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。其中,当所述预测结果为异常,表明第一考生的压力过大,本申请结束所述第一考生的VR考试,防止第一考生处于异常状态过长时间造成过大的健康损害。
进一步地,所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10之前,包括:
S91、获取预先收集的多个样本数据,其中所述样本数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,状态标签为正常或者异常;第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到,并且两个处于竞争状态下的VR考试的考生中的一者能够得知另一者的答题进度与被修饰过的答题内容;
S92、将所述多个样本数据按预设比例划分为训练数据和验证数据;
S93、将训练数据输入预设的神经网络模型进行训练处理,以得到暂时模型;
S94、采用验证数据对暂时模型进行验证处理,并判断验证结果是否通过;
S95、若验证结果通过,则将暂时模型记为异常状态预测模型。
从而得到异常状态预测模型。其中,所述多个样本数据的数量越多,则异常状态预测模型的准确性越高。所述多个样本数据的数量例如为1万-80万,样本数据越多,训练的次数越大,准确性越好。所述预设比例例如为0.9-0.98。再将训练数据输入预设的神经网络模型进行训练处理,以得到暂时模型;采用验证数据对暂时模型进行验证处理,并判断验证结果是否通过;若验证结果通过,则将暂时模型记为异常状态预测模型,从而得到的异常状态预测模型能够进行准确的状态预测,以保证整体VR考试的顺利进行。
本申请的基于智能手环设备与脑电波采集设备的VR考试方法,其中的一个特点在于,能够模拟出真实的考试场景,充分使用VR考试中的数据,以考核出真实环境中考生的真实水平;另一个特点在于,能够在考生状态异常时实时结果考试,以防止考生的健康受损;再一个特点在于,能够在不对照正确答案的前提下实时获知考生的真实水平。因此,本申请的基于智能手环设备与脑电波采集设备的VR考试方法,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
本申请实施例提供一种基于智能手环设备与脑电波采集设备的VR考试装置,包括:
第一VR试题展示单元,用于当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
信号采集单元,用于采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
竞争模式判断单元,用于获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;
对比考生筛选单元,用于若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
第二VR试题展示单元,用于向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
答题状况检测单元,用于实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
答题内容修饰单元,用于根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
答题进度加入单元,用于在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
数据实时检测单元,用于实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
预测结果获取单元,用于将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
预测结果判断单元,用于判断所述预测结果是否为异常;
VR考试结束单元,用于若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
其中上述单元分别用于执行的操作与前述实施方式的基于智能手环设备与脑电波采集设备的VR考试方法的步骤一一对应,在此不再赘述。
本申请的基于智能手环设备与脑电波采集设备的VR考试装置,其中的一个特点在于,能够模拟出真实的考试场景,充分使用VR考试中的数据,以考核出真实环境中考生的真实水平;另一个特点在于,能够在考生状态异常时实时结果考试,以防止考生的健康受损;再一个特点在于,能够在不对照正确答案的前提下实时获知考生的真实水平。因此,本申请的基于智能手环设备与脑电波采集设备的VR考试方法,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于智能手环设备与脑电波采集设备的VR考试方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智能手环设备与脑电波采集设备的VR考试方法。
上述处理器执行上述基于智能手环设备与脑电波采集设备的VR考试方法,其中所述方法包括的步骤分别与执行前述实施方式的基于智能手环设备与脑电波采集设备的VR考试方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,其中的一个特点在于,能够模拟出真实的考试场景,充分使用VR考试中的数据,以考核出真实环境中考生的真实水平;另一个特点在于,能够在考生状态异常时实时结果考试,以防止考生的健康受损;再一个特点在于,能够在不对照正确答案的前提下实时获知考生的真实水平。因此,本申请的基于智能手环设备与脑电波采集设备的VR考试方法,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于智能手环设备与脑电波采集设备的VR考试方法,其中所述方法包括的步骤分别与执行前述实施方式的基于智能手环设备与脑电波采集设备的VR考试方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,其中的一个特点在于,能够模拟出真实的考试场景,充分使用VR考试中的数据,以考核出真实环境中考生的真实水平;另一个特点在于,能够在考生状态异常时实时结果考试,以防止考生的健康受损;再一个特点在于,能够在不对照正确答案的前提下实时获知考生的真实水平。因此,本申请的基于智能手环设备与脑电波采集设备的VR考试方法,数据利用率高,考核结果准确,对于考生的保护性好,实时性强。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序或指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于智能手环设备与脑电波采集设备的VR考试方法,其特征在于,包括:
S1、当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
S2、采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
S3、获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;其中,所述竞争模式用于测试所述第一考生在极限承压条件下对于知识的掌握水平;
S4、若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
S5、向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
S6、实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
S7、根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
S8、在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
S9、实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
S10、将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
S11、判断所述预测结果是否为异常;
S12、若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
2.根据权利要求1所述的基于智能手环设备与脑电波采集设备的VR考试方法,其特征在于,所述根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生的步骤S4,包括:
S401、从同时参与相同的VR考试的考生中随机选出一名暂定考生,并获取所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;其中,所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S402、根据所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第一生理时间曲线函数和第一脑电波时间曲线函数;其中,所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据在时间上均连续;
S403、根据所述暂定考生在答复所述第一VR试题期间的生理特征数据和脑电波数据,分别对应生成第二生理时间曲线函数和第二脑电波时间曲线函数;
S404、根据公式:
U(t)=H(t)-h(t),P(t)=J(t)-j(t)
获取函数Y(t),其中H(t)为所述第一生理时间曲线函数,h(t)为所述第二生理时间曲线函数,J(t)为所述第一脑电波时间曲线函数,j(t)为所述第二脑电波时间曲线函数,U(t)为所述第一生理时间曲线函数和所述第二生理时间曲线函数的差值函数,P(t)为所述第一脑电波时间曲线函数和所述第二脑电波时间曲线函数的差值函数,t为时间,min为最小值函数,c为预设的大于0的参数值;
S405、以所述函数Y(t)根据是否等于c为依据,将所述函数Y(t)划分为第一子函数和第二子函数,其中所述第一子函数的数值均不等于c,而所述第二子函数的数值均等于c;
S406、根据公式:时长占比=第一子函数的时长/(第一子函数的时长+第二子函数的时长),计算出所述时长占比;其中所述第一子函数的时长指所述第一子函数在时间轴上的长度,所述第二子函数的时长指所述第二子函数在时间轴上的长度;
S407、判断所述时长占比是否大于预设的比例阈值;
S408、若所述时长占比大于预设的比例阈值,则将所述暂定考生作为指定对比考生。
3.根据权利要求1所述的基于智能手环设备与脑电波采集设备的VR考试方法,其特征在于,所述在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容的步骤S8的同时,包括:
S801、在所述指定对比考生对第二VR试题答题的VR场景中,不增加所述第一考生的答题进度和答题内容,从而所述指定对比考生无法得知所述第一考生的答题进度和答题内容;
所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10中的所述两个处于竞争状态下的VR考试的考生之中仅有一名考生能够得知另一名考生的答题进度和答题内容;
所述若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程的步骤S12之后,包括:
S121、判断是否有其他考生以所述指定对比考生作为竞争对象;
S122、若有其他考生以所述指定对比考生作为竞争对象,则继续所述指定对比考生的VR考试过程。
4.根据权利要求3所述的基于智能手环设备与脑电波采集设备的VR考试方法,其特征在于,所述判断所述预测结果是否为异常的步骤S11之后,包括:
S111、若所述预测结果为不为异常,则在预设的时间范围内继续所述第一考生的VR考试过程;
S112、在所述预设的时间范围内进行数据采集处理,以再次获取所述第一考生的第一生理特征数据和第一脑电波数据,以及再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据;
S113、将所述再次获取所述第一考生的第一生理特征数据、第一脑电波数据、所述再次获取所述指定对比考生的第二生理特征数据和第二脑电波数据同时输入所述异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的再次预测结果;
S114、判断所述再次预测结果是否为异常;
S115、若所述再次预测结果不为异常,则在所述指定对比考生的VR场景中,加入所述第一考生的答题进度和答题内容。
5.根据权利要求1所述的基于智能手环设备与脑电波采集设备的VR考试方法,其特征在于,所述将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到的步骤S10之前,包括:
S91、获取预先收集的多个样本数据,其中所述样本数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,状态标签为正常或者异常;第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到,并且两个处于竞争状态下的VR考试的考生中的一者能够得知另一者的答题进度与被修饰过的答题内容;
S92、将所述多个样本数据按预设比例划分为训练数据和验证数据;
S93、将训练数据输入预设的神经网络模型进行训练处理,以得到暂时模型;
S94、采用验证数据对暂时模型进行验证处理,并判断验证结果是否通过;
S95、若验证结果通过,则将暂时模型记为异常状态预测模型。
6.一种基于智能手环设备与脑电波采集设备的VR考试装置,其特征在于,包括:
第一VR试题展示单元,用于当第一考生戴上预设的第一VR眼镜进行VR考试时,通过所述第一VR眼镜向所述第一考生展示第一数量的第一VR试题;
信号采集单元,用于采用预设的智能手环设备与脑电波采集设备,对所述第一考生进行信号采集处理,从而对应得到所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据;
竞争模式判断单元,用于获取所述第一考生参与的VR考试的模式,并判断VR考试的类型是否为竞争模式;其中,所述竞争模式用于测试所述第一考生在极限承压条件下对于知识的掌握水平;
对比考生筛选单元,用于若VR考试的类型为竞争模式,则根据预设的对比考生筛选方法,以所述第一考生在答复所述第一VR试题期间的生理特征数据和脑电波数据为依据,从同时参与相同的VR考试的考生中选出指定对比考生;
第二VR试题展示单元,用于向所述第一考生和所述指定对比考生分别展示第二数量的相同的第二VR试题,其中,所述第二数量大于所述第一数量;
答题状况检测单元,用于实时检测所述指定对比考生的答题状况,从而得到所述指定对比考生针对于所述第二VR试题的答题进度,并提取出所述指定对比考生针对于所述第二VR试题的答题内容;
答题内容修饰单元,用于根据预设的答题内容修饰方法,对所述指定对比考生针对于所述第二VR试题的答题内容进行修饰处理,从而得到修饰后的答题内容,其中修饰处理至少包括对部分原始答题内容进行遮盖处理;
答题进度加入单元,用于在所述第一考生对第二VR试题答题的VR场景中,加入所述指定对比考生的答题进度和所述修饰后的答题内容,从而所述第一考生能够得知所述指定对比考生的答题进度和所述修饰后的答题内容;
数据实时检测单元,用于实时检测所述第一考生的第一生理特征数据和第一脑电波数据,以及实时检测所述指定对比考生的第二生理特征数据和第二脑电波数据;
预测结果获取单元,用于将所述第一生理特征数据、所述第一脑电波数据、所述第二生理特征数据和所述第二脑电波数据同时输入预设的异常状态预测模型中进行处理,从而得到所述异常状态预测模型输出的预测结果,其中所述预测结果为正常或者异常;所述异常状态预测模型基于预设的神经网络模型并采用预设的训练数据训练而成,所述训练数据由第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据、第二训练用脑电波数据和人工标记的状态标签构成,所述第一训练用生理特征数据、第一训练用脑电波数据、第二训练用生理特征数据和第二训练用脑电波数据分别对两个处于竞争状态下的VR考试的考生进行数据采集得到;
预测结果判断单元,用于判断所述预测结果是否为异常;
VR考试结束单元,用于若所述预测结果为异常,则结束所述第一考生的VR考试,从而完成所述第一考生的VR考试过程。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220946.0A CN112394813B (zh) | 2020-11-05 | 2020-11-05 | 基于智能手环设备与脑电波采集设备的vr考试方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220946.0A CN112394813B (zh) | 2020-11-05 | 2020-11-05 | 基于智能手环设备与脑电波采集设备的vr考试方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112394813A CN112394813A (zh) | 2021-02-23 |
CN112394813B true CN112394813B (zh) | 2021-06-08 |
Family
ID=74597427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220946.0A Active CN112394813B (zh) | 2020-11-05 | 2020-11-05 | 基于智能手环设备与脑电波采集设备的vr考试方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112394813B (zh) |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1739451A (zh) * | 2005-07-21 | 2006-03-01 | 高春平 | 监测心理、职业测试真实度的方法及装置 |
CN102542849B (zh) * | 2012-01-20 | 2013-12-18 | 东南大学 | 形成性评测系统 |
CN105980008B (zh) * | 2014-02-24 | 2019-04-12 | 索尼公司 | 用于智能可穿戴设备的身体位置优化和生物信号反馈 |
CN105011949B (zh) * | 2014-04-25 | 2018-02-13 | 蔡雷 | 一种自动化测试的方法及装置 |
CN203815473U (zh) * | 2014-04-29 | 2014-09-10 | 秦皇岛会芯电子科技有限公司 | 一种能够监测生理状态的心理测验答题设备 |
WO2016028864A1 (en) * | 2014-08-22 | 2016-02-25 | Intelligent Technologies International, Inc. | Secure testing device, system and method |
CN104644187B (zh) * | 2015-01-16 | 2017-06-09 | 广微科技集团有限公司 | 一种基于红外热像仪的测谎方法和系统 |
CN105433961A (zh) * | 2015-12-17 | 2016-03-30 | 国家电网公司 | 一种电网企业工作人员心理健康状况的评估方法 |
WO2017120711A1 (zh) * | 2016-01-11 | 2017-07-20 | 汤美 | 一种考试防作弊系统 |
CN105844105A (zh) * | 2016-03-31 | 2016-08-10 | 中国残疾联合会就业服务指导中心 | 一种残疾人职业适应性测评方法及其系统 |
CN105832350B (zh) * | 2016-05-06 | 2019-03-08 | 姜振宇 | 被监测手环、监测手环、异常情绪监测系统及其方法 |
CN107480872B (zh) * | 2017-08-01 | 2020-10-30 | 深圳市鹰硕技术有限公司 | 一种基于数据交换网络的在线教学考评系统及方法 |
US11210653B2 (en) * | 2017-10-26 | 2021-12-28 | Mastercard International Incorporated | Method and system for prevention of fraudulent gift cards via blockchain |
CN108090698A (zh) * | 2018-01-08 | 2018-05-29 | 聚影汇(北京)影视文化有限公司 | 一种电影测评服务系统及方法 |
CN108520173A (zh) * | 2018-01-31 | 2018-09-11 | 深圳市卓帆技术有限公司 | 一种扫脸登录考试系统的方法 |
CN108095742A (zh) * | 2018-02-02 | 2018-06-01 | 华北理工大学 | 一种考场考生减压方法和装置 |
CN209122253U (zh) * | 2018-04-10 | 2019-07-19 | 重庆讲究科技有限公司 | 一种高压力场景下的军用智能身心状态检测头盔系统 |
CN108968986A (zh) * | 2018-06-25 | 2018-12-11 | 广东省人民医院(广东省医学科学院) | 一种基于vr设备的精神压力评估系统及其方法 |
CN108986888A (zh) * | 2018-07-16 | 2018-12-11 | 上海赞彤医疗科技有限公司 | 考试焦虑与压力调节系统及方法、存储介质、操作系统 |
CN109298779B (zh) * | 2018-08-10 | 2021-10-12 | 济南奥维信息科技有限公司济宁分公司 | 基于虚拟代理交互的虚拟训练系统与方法 |
CN110084098A (zh) * | 2019-03-14 | 2019-08-02 | 杭州笔声智能科技有限公司 | 一种试卷批改方法和系统 |
CN110916691A (zh) * | 2019-12-11 | 2020-03-27 | 陕西学前师范学院 | 一种大学生心理状态测试装置 |
CN111766940A (zh) * | 2020-05-14 | 2020-10-13 | 四川科华天府科技有限公司 | 一种可穿戴的互动教学设备用虚拟现实融合系统 |
CN111665939B (zh) * | 2020-06-03 | 2021-05-07 | 广州市南方人力资源评价中心有限公司 | 基于头戴式显示设备的试题处理方法、装置和电子设备 |
-
2020
- 2020-11-05 CN CN202011220946.0A patent/CN112394813B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112394813A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069294B (zh) | 一种用于认知能力值测试的计算和分析方法 | |
Azevedo et al. | The effectiveness of pedagogical agents’ prompting and feedback in facilitating co-adapted learning with MetaTutor | |
CN114038256B (zh) | 一种基于人工智能的教学互动系统 | |
CN110472808A (zh) | 诊断检查方法及装置 | |
Whitehill et al. | Towards an optimal affect-sensitive instructional system of cognitive skills | |
Cook | Measurement of cognitive load during multimedia learning activities | |
Pan et al. | End-user acceptance of a learning management system in two hybrid large-sized introductory undergraduate courses: A case study | |
CN112394813B (zh) | 基于智能手环设备与脑电波采集设备的vr考试方法和装置 | |
CN112528890B (zh) | 一种注意力评估方法、装置及电子设备 | |
CN109598994A (zh) | 一种自适应教学中非知识点错误识别方法及系统 | |
CN111523445B (zh) | 一种基于改进的Openpose模型和面部微表情的考试行为检测方法 | |
CN108810477A (zh) | 针对综合视频培训平台远程监控的方法 | |
RU2640709C1 (ru) | Способ оценки знаний учащегося при компьютерном тестировании | |
RU2529482C2 (ru) | Способ оценки восприятия информации | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN115793847A (zh) | 一种用于监测学生线上上课状态的教学系统 | |
CN110693509B (zh) | 一种案件相关性确定方法、装置、计算机设备和存储介质 | |
CN104992080B (zh) | 一种潜能值测验的刺激信息编制方法 | |
CN108039081A (zh) | 机器人教学测评方法及装置 | |
CN111597997A (zh) | 一种计算机控制教学设备 | |
CN112346568B (zh) | 基于计数器和脑电波的vr试题动态呈现方法和装置 | |
CN110135078A (zh) | 一种基于机器学习的人体参数自动生成方法 | |
Collazo et al. | Perceptions for tool use: In search of a tool use model | |
Antonijević et al. | The potential for the use of EEG data in electronic assessments | |
Peña et al. | Use of a Low Cost Neurosignals Capture System to Show the Importance of Developing Didactic Activities Within a Class to Increase the Level of Student Engagement (Case Study) |
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 |