智能学习方法、装置与终端与流程

本发明涉及教育领域，具体而言，涉及一种智能学习方法、装置与终端。

背景技术：

当人所处状态不同时，脑电波的频率也不同。根据频率，脑电波可以按频率由低到高分为δ波、θ波、α波、β波等。当频率于8-13hz的α波段为优势脑电波时，人体进入放松性警觉状态，主意力高度集中，记忆效果好，创造力强，是学习的最佳状态。当频率于13-25hz的β波为优势脑电波时时，人体处于紧张状态，此时往往课堂气氛过于紧张或压力过大，学生感到厌烦或恐惧。此时大脑过于兴奋或紧张，注意力难于集中，记忆力下降，不容易产生创意，学习能力受到压抑。频率于4-8hz的θ波为优势脑电波时，人体处于半醒半睡的朦胧状态，学习效率低。频率于4hz以下的δ波为优势脑电波时，人体处于深度睡眠，无法学习。

上课时，学生在长时间的听课过程中难以始终保持的最佳学习状态。大脑经历从能够高效学习的高效期，再到思考、学习状态差的低效期。学生往往难以在理解、记忆低效期时教师所讲授的内容，因而产生知识盲点。传统方式下，学生在通过课堂上录制的音视频进行复习时，往往需要从头开始回放视频，耗费时间多，重点不突出，而且容易漏掉处于低效学习期的内容，造成知识盲点。

针对上述现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明旨在至少在一定程度上解决上述技术问题。

本发明实施例提供了一种智能学习方法与装置，以解决现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的技术问题。

根据本发明实施例的一个方面，提供了一种智能学习方法，包括：

s110：采集脑电波；

s120：录制音频或视频；

s130：根据脑电波对学习状态划分级别；

s140：根据级别回放所录制的音频或视频。

在一种优选的方案中，所述根据脑电波对学习状态划分级别步骤还包括：

s131：对所采集的脑电波进行预处理；

s132：提取所述经预处理的脑电波的特征信息；

s133：根据所述特征信息对学习状态划分级别。

在一种优选的方案中，根据所述特征信息对学习状态划分级别步骤还包括：

s134：确定采样周期的优势波段；

s135：计算状态判断时间内低效学习波段比例p及睡眠波段比例q；

s136：根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别。

所述低效学习波段比例p的计算公式为：

。

所述睡眠波段比例q的计算公式为：

。

其中：

m为状态判断时间内，当前优势波段为α波时的采样周期数量；

n为状态判断时间内，当前优势波段为β波时的采样周期数量；

l为状态判断时间内，当前优势波段为δ波或θ波时的采样周期数量。

在一种优选的方案中，根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别步骤包括：

当低效学习波段比例p小于第一阈值时，则判断状态判断时间内学习状态处于高效学习期；

当低效学习波段比例p大于第一阈值，且睡眠波段比例q小于第二阈值时，则判断状态判断时间内学习状态处于低效学习期；

当低效学习波段比例p大于第一阈值，且睡眠波段比例q大于第二阈值时，则判断状态判断时间内学习状态处于瞌睡期。

根据本发明实施例的一个方面，提供了一种智能学习装置，包括：

采集模块，用于采集脑电波；

录制模块，用于录制音频或视频；

分级模块，用于根据脑电波对学习状态划分级别；

回放模块，用于根据级别回放所录制的音频或视频。

在一种优选的方案中，所述装置还包括：

时间关联模块，用于关联脑电波时间与视频时间。

在一种优选的方案中，所述分级模块还包括：

预处理单元，用于对所采集的脑电波进行预处理；

特征提取单元，用于提取所述经预处理的脑电波的特征信息；

状态分级单元，用于根据所述特征信息对学习状态划分级别。

在一种优选的方案中，所述分级模块还包括：

确定单元，用于确定采样周期的优势波段；

计算单元，用于计算状态判断时间内低效学习波段比例p及睡眠波段比例q；

判断单元，用于根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别。

在一种优选的方案中，所述分级模块还包括：

第一判断单元，用于当低效学习波段比例p小于第一阈值时，判断状态判断时间内学习状态处于高效学习期；

第二判断单元，用于当低效学习波段比例p大于第一阈值，且睡眠波段比例q小于第二阈值时，判断状态判断时间内学习状态处于低效学习期；

第三判断单元，用于当低效学习波段比例p大于第一阈值，且睡眠波段比例q大于第二阈值时，判断状态判断时间内学习状态处于瞌睡期。

在一种优选的方案中，所述装置还包括：

属性设置模块，用于将学习状态级别设置为关联时间段内视频的属性。

在一种优选的方案中，所述回放模块包括：

自动播放单元，用于自动播放属性为低效学习期和\或瞌睡期的视频。

在一种优选的方案中，所述回放模块还包括：

指定播放单元，用于播放指定属性的视频。

与现有技术相比，本发明技术方案的优点有：

1、通过计算和对比低效学习波段比例p和睡眠波段比例q，对各时间段中用户的学习状态划分级别，有利于筛选出处于低效学习期间，尤其是瞌睡期间的具体时间；

2、将学习状态与所录制音频或视频对应的时间段关联起来，将学习状态级别设置为关联时间段内视频的属性，有利于从视频中甄别出处于低效学习期和\或瞌睡期的视频；

3、用户可以按级别快速播放所需要的视频，尤其是处于低效学习期或瞌睡期的视频，不需要将视频全部查看，节省视频回放时间，可以有针对性、有重点地复习，防止知识盲点的形成，提高复习效率。

本发明解决现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的技术问题，提供一种能够节省复习时间，突出复习重点的智能学习方法、装置与终端。

附图说明

图1为本发明实施例的一种智能学习方法流程图。

图2为本发明实施例的一种智能学习方法根据脑电波对学习状态划分级别步骤流程图。

图3为本发明实施例的一种智能学习方法根据所述特征信息对学习状态划分级别步骤流程图。

图4为本发明实施例的一种智能学习装置结构示意图。

图5为本发明实施例的一种智能学习装置分级模块结构示意图。

图6为本发明实施例的一种智能学习装置回放模块结构示意图。

图7为本发明实施例的一种智能学习终端结构示意图。

其中：2、智能学习装置；3、智能学习终端；210、采集模块；220、录制模块；230、分级模块；231、预处理单元；232、特征提取单元；233、状态分级单元；234、确定单元；235、计算单元；236、判断单元；237、第一判断单元；238、第二判断单元；239、第三判断单元；240、回放模块；241、自动播放单元；242、指定播放单元；250、时间关联模块；260、属性设置模块；301、脑电波采集组件；302、处理组件；303、存储器；304、摄像头；305、音频输入组件；306、输出组件；320、处理器。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，本发明实施例提供了一种智能学习方法，包括：

s110：采集脑电波；

s120：录制音频或视频；

s130：根据脑电波对学习状态划分级别；

s140：根据级别回放所录制的音频或视频。

在一种示例性实施例中，采集脑电波的采样间隔为1至3秒，采样长度为5至10秒。

在具体实施过程中，在所述录制音频或视频步骤后还包括：关联脑电波时间与视频时间。根据现实时间中的对应关系，将脑电波的时间与视频中的时间关联起来。

在具体实施过程中，如图2所示，所述根据脑电波对学习状态划分级别步骤还包括：

s131：对所采集的脑电波进行预处理；

s132：提取所述经预处理的脑电波的特征信息；

s133：根据所述特征信息对学习状态划分级别。

具体地，由于脑电信号比较弱，在采集、传输过程中容易受到影响，因此需要对所采集的脑电波进行预处理，进行降噪、去伪迹，预处理的方法包括：采用时域分析方法、频域分析方法、小波变换或小波包变换等方法。

在一种示例性实施例中，利用小波包变换，可以提取所述经小波包变换预处理后的脑电波的特征信息。选取db4作为小波基，根据脑电波的输出频率，及脑电波的频率划分，小波包的分解层数优选为6层，利用小波包分解系数作为特征可以提取到δ波、θ波、α波及β波的功率谱。

在具体实施过程中，如图3所示，根据所述特征信息对学习状态划分级别步骤还包括：

s134：确定采样周期的优势波段；

s135：计算状态判断时间内低效学习波段比例p及睡眠波段比例q；

s136：根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别。

具体的，确定采样周期的优势波段步骤中，比较每个采样周期中对应的特征信息中δ波、θ波、α波及β波的能量分布情况，确定能量占比最大的波段为该采样周期的优势波段。

具体地，计算状态判断时间内低效学习波段比例p及睡眠波段比例q步骤中，根据由若干个连续脑电波采样周期组成的状态判断时间内，δ波、θ波、α波及β波占优势波段的采样周期的数量，计算学习波段比例p及睡眠波段比例q。

所述低效学习波段比例p的计算公式为：

。

所述睡眠波段比例q的计算公式为：

。

其中：

m为状态判断时间内，当前优势波段为α波时的采样周期数量；

n为状态判断时间内，当前优势波段为β波时的采样周期数量；

l为状态判断时间内，当前优势波段为δ波或θ波时的采样周期数量。

具体地，根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别步骤包括：

当低效学习波段比例p小于第一阈值时，则判断状态判断时间内学习状态处于高效学习期；

当低效学习波段比例p大于第一阈值，且睡眠波段比例q小于第二阈值时，则判断状态判断时间内学习状态处于低效学习期；

当低效学习波段比例p大于第一阈值，且睡眠波段比例q大于第二阈值时，则判断状态判断时间内学习状态处于瞌睡期。

在一种示例性实施例中，所述第一阈值为0.4。

在一种示例性实施例中，所述第二阈值为0.5。

例如，t1（10点55分10秒-10点55分15秒）、t2（10点55分16秒-10点55分21秒）、t3（10点55分22秒-10点55分27秒）、t4（10点55分28秒-10点55分33秒）、t5（10点55分34秒-10点55分39秒）为5个连续的脑电波采样周期，其中t1、t2为α波占优势波段、t5为β波占优势波段，t4、t3为优势波段为δ波或θ波。则按照低效学习波段比例p的计算公式可得p=0.6，大于第一阈值为0.4；按照睡眠波段比例q的计算公式可得q=0.66，大于第二阈值0.5。因此，在t1到t5时间段内，该时间段内学习状态处于瞌睡期。

具体地，所述的由若干个连续脑电波采样周期组成的状态判断时间，可以是监测到第一个δ波或θ波为优势波的采样周期开始计算的连续n个采样周期，n可以是固定的正整数，也可以根据上课时间、历史记录、用户习惯动态调整。在一种示范性实施例中，n可以是5，即从监测到第一个δ波或θ波为优势波的采样周期，连续5个采样周期作为状态判断时间。

通过计算和对比低效学习波段比例p和睡眠波段比例q，对各时间段中用户的学习状态划分级别，有利于筛选出处于低效学习期间，尤其是瞌睡期间的具体时间。

在具体实施过程中，根据脑电波对学习状态划分级别步骤后，将学习状态与所录制音频或视频对应的时间段关联起来，将学习状态级别设置为关联时间段内视频的属性。如，在10点55分10秒-10点55分39秒之间，根据脑电波分析判断的结果，用户处于瞌睡期，则将10点55分10秒-10点55分39秒所录制的音视频关联到10点55分10秒-10点55分39秒的脑电波，且设置10点55分10秒-10点55分39秒所录制的音视频的属性为瞌睡期。

将学习状态与所录制音频或视频对应的时间段关联起来，将学习状态级别设置为关联时间段内视频的属性，有利于从视频中甄别出处于低效学习期和\或瞌睡期的视频。

在具体实施过程中，根据级别回放所录制的音频或视频步骤中，在用户启动复习模式时，自动播放属性为低效学习期和\或瞌睡期的视频。

在具体实施过程中，根据级别回放所录制的音频或视频步骤中，在用户启动复习模式时，可播放指定属性的视频。如选择播放瞌睡期视频，即可播放属性为瞌睡期的视频。

用户可以按级别快速播放所需要的视频，尤其是处于低效学习期或瞌睡期的视频，不需要将视频全部查看，节省视频回放时间，可以有针对性、有重点地复习，防止知识盲点的形成，提高复习效率。

本发明实施例解决现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的技术问题，提供一种能够节省复习时间，突出复习重点的智能学习方法。

实施例2

如图4所示，本发明实施例提供了一种智能学习装置2，包括：

采集模块210，用于采集脑电波；

录制模块220，用于录制音频或视频；

分级模块230，用于根据脑电波对学习状态划分级别；

回放模块240，用于根据级别回放所录制的音频或视频。

在具体实施过程中，如图1所示，所述装置2还包括：

时间关联模块250，用于关联脑电波时间与视频时间。

时间关联模块根据现实时间中的对应关系，将脑电波的时间与视频中的时间关联起来。

在具体实施过程中，如图5所示，所述分级模块230还包括：

预处理单元231，用于对所采集的脑电波进行预处理；

特征提取单元232，用于提取所述经预处理的脑电波的特征信息；

状态分级单元233，用于根据所述特征信息对学习状态划分级别。

具体地，由于脑电信号比较弱，在采集、传输过程中容易受到影响，因此需要对所采集的脑电波进行预处理，进行降噪、去伪迹，预处理的方法包括：采用时域分析方法、频域分析方法、小波变换或小波包变换等方法。

在一种示例性实施例中，利用小波包变换，可以提取所述经小波包变换预处理后的脑电波的特征信息。选取db4作为小波基，根据脑电波的输出频率，及脑电波的频率划分，小波包的分解层数优选为6层，利用小波包分解系数作为特征可以提取到δ波、θ波、α波及β波的功率谱。

在具体实施过程中，如图5所示，所述分级模块230还包括：

确定单元234，用于确定采样周期的优势波段；

计算单元235，计算状态判断时间内低效学习波段比例p及睡眠波段比例q；

判断单元236，根据低效学习波段比例p及睡眠波段比例q判断状态判断时间内的学习状态级别。

具体的，确定模块用于比较每个采样周期中对应的特征信息中δ波、θ波、α波及β波的能量分布情况，确定能量占比最大的波段为该采样周期的优势波段。

具体的，计算模块用于根据计算状态判断时间内，δ波、θ波、α波及β波占优势波段的采样周期的数量，计算学习波段比例p及睡眠波段比例q。

所述低效学习波段比例p的计算公式为：

。

所述睡眠波段比例q的计算公式为：

。

其中，

m为状态判断时间内，当前优势波段为α波时的采样周期数量；

n为状态判断时间内，当前优势波段为β波时的采样周期数量；

l为状态判断时间内，当前优势波段为δ波或θ波时的采样周期数量。

具体地，如图5所示，所述分级模块230还包括：

第一判断单元237，用于当低效学习波段比例p小于第一阈值时，判断状态判断时间内学习状态处于高效学习期；

第二判断单元238，用于当低效学习波段比例p大于第一阈值，且睡眠波段比例q小于第二阈值时，判断状态判断时间内学习状态处于低效学习期；

第三判断单元239，用于当低效学习波段比例p大于第一阈值，且睡眠波段比例q大于第二阈值时，判断状态判断时间内学习状态处于瞌睡期。

在一种示例性实施例中，所述第一阈值为0.4。

在一种示例性实施例中，所述第二阈值为0.5。

例如，t1（10点55分10秒-10点55分15秒）、t2（10点55分16秒-10点55分21秒）、t3（10点55分22秒-10点55分27秒）、t4（10点55分28秒-10点55分33秒）、t5（10点55分34秒-10点55分39秒）为5个连续的脑电波采样周期，其中t1、t2为α波占优势波段、t5为β波占优势波段，t4、t3为优势波段为δ波或θ波。则按照低效学习波段比例p的计算公式可得p=0.6，大于第一阈值为0.4；按照睡眠波段比例q的计算公式可得q=0.66，大于第二阈值0.5。因此，在t1到t5时间段内，该时间段内学习状态处于瞌睡期。

通过计算和对比低效学习波段比例p和睡眠波段比例q，对各时间段中用户的学习状态划分级别，有利于筛选出处于低效学习期间，尤其是瞌睡期间的具体时间。

在具体实施过程中，如图1所示，所述装置2还包括：

属性设置模块260，用于将学习状态级别设置为关联时间段内视频的属性。

如，在10点55分10秒-10点55分39秒之间，根据脑电波分析判断的结果，用户处于瞌睡期，则将10点55分10秒-10点55分39秒所录制的音视频关联到10点55分10秒-10点55分39秒的脑电波，且设置10点55分10秒-10点55分39秒所录制的音视频的属性为瞌睡期。

将学习状态与所录制音频或视频对应的时间段关联起来，将学习状态级别设置为关联时间段内视频的属性，有利于从视频中甄别出处于低效学习期和\或瞌睡期的视频。

在具体实施过程中，如图6所示，所述回放模块240包括：

自动播放单元241，用于自动播放属性为低效学习期和\或瞌睡期的视频。

在用户启动复习模式时，自动播放单元用于自动播放属性为低效学习期和\或瞌睡期的视频。

在具体实施过程中，如图6所示，所述回放模块204还包括：

指定播放单元242，用于播放指定属性的视频。

在用户启动复习模式时，指定播放单元用于播放指定属性的视频。如用户选择播放瞌睡期视频，即可播放属性为瞌睡期的视频。

用户可以按级别快速播放所需要的视频，尤其是处于低效学习期或瞌睡期的视频，不需要将视频全部查看，节省视频回放时间，可以有针对性、有重点地复习，防止知识盲点的形成，提高复习效率。

本发明实施例解决现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的技术问题，提供一种能够节省复习时间，突出复习重点的智能学习装置。

实施例3

如图7所示，本实施例提供了一种智能学习终端3，包括：

脑电波采集组件301、处理组件302、存储器303、摄像头304、音频输入组件305和输出组件306。

脑电波采集组件301可以采集脑电波信号，并连接到处理组件。在一种示例性实施例中，脑电波采集组件为thinkgearam模块或者tgam模块，该模块通过前额电极和耳垂处的电位获得脑电波。通过脑电波采集组件捕获脑电波信号，处理后筛选出脑波频谱、脑电信号质量、原始脑电波等数据，传输到处理组件。

处理组件302通常用于智能学习终端3的整体操作，诸如与处理脑电波信号，发起视频采集，计算分析，数据通信和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。在一种示例性实施例中，所述处理组件302的型号为树莓派3（raspberrypi3）。

存储器303被配置为存储各种类型的数据以支持在智能学习终端3的操作。这些数据的示例包括用于在智能学习终端3上操作的任何应用程序或方法的指令，用户数据及其他消息、图片和音视频等。存储器303可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（sram），电可擦除可编程只读存储器（eeprom），可擦除可编程只读存储器（eprom），可编程只读存储器（prom），只读存储器（rom），磁存储器，快闪存储器，磁盘或光盘。

摄像头304与处理组件302电连接，用于获取视频图像并传输到处理组件302。

音频输入组件305与处理组件302电连接，用于获取音频信号并传输到处理组件302。

输出组件306与处理组件302连接，用于输出文字、视频、图片或音频信息。输出组件306可以包括显示屏，也可以包括音箱、喇叭或耳机等音频输出设备。输出组件的连接方式可以通过内部总线相连接，也可以通过vga、dvi、dp、hdmi等视频输出线、音频输出线及usb线等外部线缆进行连接。在一种示例性实施例中，输出组件306还可以为触控屏，用于显示文字、视频和图片信息并获取用户触控信息。

在示例性实施例中，处理组件302、存储组件303可以被一个或多个应用专用集成电路（asic）、数字信号处理器（dsp）、数字信号处理设备（dspd）、可编程逻辑器件（pld）、现场可编程门阵列（fpga）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器303，上述指令可由智能学习终端3的处理器320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。

本发明实施例的有益效果为：解决现有技术中通过课堂上录制的音视频进行复习时耗费时间长，重点不突出，造成在听课效率低时产生知识盲点难以消除的技术问题，提供一种能够节省复习时间，突出复习重点的智能学习终端。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。