一种基于可穿戴设备的学生学习状态的识别方法与系统与流程

本发明涉及一种基于可穿戴设备的学生学习状态的识别方法与系统。

背景技术：

智能腕带是一种区别于传统腕带的带有科技含量的功能腕带，有计步器，闹钟，睡眠监测，健康管理，防丢定位等各种功能。只需要一个手环带在手上，即能检测到需要的数据。

对于大部分中小学生而言，学习的自觉性与积极性还是较低的。绝大多数中小学生都需要在监督的情况下才能长时间的保持学习状态，但是由于当前的社会环境，不仅家长对于学生的学习监督时间是极其有限的，在学校内老师对于个别学生的监督覆盖也不是很全面，而中小学生由于大都心智尚未成熟，总会不断寻找监督漏洞并难以自律的从事学习之外的活动，如不能及时的发现并督促指导，很容易让学生误入歧途、荒废学业。

随着物联网时代的到来，各种各样的可穿戴设备随之兴起，其中也包括针对中小学生的防丢失手环、运动检测腕带等，但由于当前基于可穿戴设备对于穿戴者的情绪识别及行为识别的技术瓶颈，无法通过可穿戴设备获取穿戴者行为数据并进行科学准确的分析，因此，可穿戴设备在中小学生学习监管方面亟待改进。

技术实现要素：

本发明为了解决上述问题，提出了一种基于可穿戴设备的学生学习状态的识别方法与系统，本发明利用可穿戴设备进行数据获取并进行情绪、行为识别，最后通过交叉判断进行状态识别的学生学习状态，有效进行情绪和行为识别。

为了实现上述目的，本发明采用如下技术方案：

一种基于可穿戴设备的学生学习状态的识别方法，包括以下步骤：

(1)将人类现有的情绪分类，设置与各分类相对应的生理指标，录入情绪数据库，将学习时的行为状态分类，设置与各类相对应的人体三轴加速度信号量，录入行为数据库；

(2)利用可穿戴设备采集生理指标以及个体三轴加速度信号量，对采集信号进行滤波，再进行时域特征、频域特征的提取；

(3)采用线性判别方法对提取的时域特征、频域特征进行降维，确定降维后的生理指标及三轴加速度信号量；

(4)将降维出的生理指标及三轴加速度信号量分别与情绪数据库和行为数据库中的数据进行比较，识别得到各个时段内的所属情绪和行为状态。

所述步骤(1)中，根据人类现有情绪种类，录入数据库，情绪包括但不限于开心、高兴、兴奋、激动、喜悦、惊喜、惊讶、生气、紧张、焦虑、怨恨、愤怒、忧郁、伤心、难过、恐惧、害怕、害羞、羞耻、惭愧、后悔、内疚、迷恋、平静、急躁、厌烦、痛苦、悲观、沮丧、懒散、悠闲、得意、自在、快乐、安宁、自卑、自满、不平和/或不满。

所述步骤(1)中，每种情绪对应设置相应的生理指标范围，生理指标包括：心率、血流速度、体温、脑电波频率、脑电波功率、脑电波功率谱密度和/或脑电波能量极其不对称性。

所述步骤(1)中，根据人在日常生活学习时所产生的行为，建立行为数据库，具体包括：书写、静坐、阅读、站立、走动、跑动、趴桌子、平躺或睡眠，并设置每种行为的人体三轴加速度信号量。

优选的，对个别难识别行为录入心率、血流速度等生理指标，难识别行为包括静坐、平躺、睡眠等。

所述步骤(2)中，采集人体的生理指标以及三轴加速度信号量，具体包括时间、类目和数值。

所述步骤(2)中，对三轴加速度信号量进行滤波的差分方程为：

式中，N为滤波器的窗体长度，h(m)为具体脉冲滤波系统，x(n)为输入待滤波信号，y(n)为滤波后输出信号，滤波系统由下式得到

h(n)＝W_N(n)h_d(n) (2)

式中，h_d(n)为理想滤波器，f_N(n)为窗体函数，N为窗体长度，其中窗体函数为：

所述步骤(2)中，频域特征提取方法为：

其中，

其中X(n)表示输入的离散生理信号序列，W_N为旋转因子，X(k)为输入序列X(n)对应的N个离散频率点的相对幅度，X(k+N)＝X(k)，任意取连续的N个点表示计算效果，n，k都是自然数取值为0到N-1。

所述步骤(3)中，基于LDS的线性判别方法对提取的特征进行降维，将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小类内距离，即模式在该空间中有最佳的可分离性。

所述步骤(3)中，对多类问题则需要由多个投影向量组成一个投影矩阵，将样本投影到投影矩阵上，从而提取低一维的特征矢量。

所述步骤(4)中，对个体识别结果中非学习状态及异常情绪进行标记，按照时间顺序，形成学习状态报告。

一种基于可穿戴设备的学生学习状态的识别系统，包括：

数据库服务器，被配置为将人类现有的情绪分类，设置与各分类相对应的生理指标，录入情绪数据库，将学习时的行为状态分类，设置与各类相对应的人体三轴加速度信号量，录入行为数据库；

可穿戴设备，被配置为采集生理指标以及个体三轴加速度信号量；

特征提取模块，被配置为接收可穿戴设备采集的信息，对其进行滤波，提取时域特征、频域特征；

降维处理模块，被配置为采用线性判别方法对提取的时域特征、频域特征进行降维，确定降维后的生理指标及三轴加速度信号量；

比较器，被配置为将降维出的生理指标及三轴加速度信号量分别与情绪数据库和行为数据库中的数据进行比较，识别得到各个时段内的所属情绪和行为状态。

本发明的有益效果为：

(1)本发明可以客观准确的获得学生的学习状态，使家长或教师能够及时的发现问题并做出针对性的指导改正，如注意力集中问题和学习时间调节等；

(2)有助于形成学习状态报告，可以在短时间内迅速的了解学生一段时间内的学习状态，使得家长或教师不必花费大量时间时刻监督学生学习，并使教师对大量学生的管理教育更加准确、高效，有利于学校教育水平的提升。

附图说明

图1为本发明的建立普适数据库模型的流程示意图；

图2为本发明的信息采集分析的流程示意图；

图3为本发明的状态识别与反馈流程示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

基于可穿戴设备的学生学习状态的监督方法与系统，包括以下步骤：

如图1所示，第一阶段：普适数据库模型建立

步骤1：根据人类现有情绪种类，录入数据库。主要情绪分为开心、高兴、兴奋、激动、喜悦、惊喜、惊讶、生气、紧张、焦虑、怨恨、愤怒、忧郁、伤心、难过、恐惧、害怕、害羞、羞耻、惭愧、后悔、内疚、迷恋、平静、急躁、厌烦、痛苦、悲观、沮丧、懒散、悠闲、得意、自在、快乐、安宁、自卑、自满、不平、不满等。

步骤2：设置每种情绪的生理指标范围。生理指标主要包括：心率、血流速度、体温、脑电波频率、脑电波功率、脑电波功率谱密度、脑电波能量极其不对称性。

步骤3：根据人在日常生活学习时所产生的行为，建立行为数据库。主要行为包括：书写、静坐、阅读、站立、走动、跑动、趴桌子、平躺、睡眠等。

步骤4：设置每种行为的数据指标。数据指标指人体三轴加速度信号量。并对个别难识别行为录入心率、血流速度等生理指标，难识别行为包括静坐、平躺、睡眠等。

如图2所示，第二阶段：信息采集分析

步骤1：

通过可穿戴设备采集个体心率、血流速度、体温、脑电波频率、脑电波功率、脑电波功率谱密度、脑电波能量极其不对称性等生理指标及个体三轴加速度信号量。格式为：【时间、类目、数值】

步骤2：

对个体行为数据(三轴加速度信号量)进行滤波。

滤波差分方程为

式中，N为滤波器的窗体长度，h(m)为具体脉冲滤波系统，x(n)为输入待滤波信号，y(n)为滤波后输出信号。滤波系统由下式得到

h(n)＝W_N(n)h_d(n) (2)

式中，h_d(n)为理想滤波器，f_N(n)为窗体函数，N为窗体长度，其中窗体函数为：

步骤3：

对采集数据进行特征提取，主要包括时域特征、频域特征。

其中频域特征提取：

其中，k＝0,1,...,N-1；

其中X(n)表示输入的离散生理信号序列，W_N为旋转因子，X(k)为输入序列X(n)对应的N个离散频率点的相对幅度，因为LKS计算得到的一组离散频率幅度值实际上是在频率轴上呈周期变化的，即X(k+N)＝X(k)，因此任意取连续的N个点均可以表示LKS的计算效果。

步骤4：

对提取的特征进行降维，本发明使用的是基于LDS的线性判别方法降维。

具体步骤如下：

选取达到最大值的任一n维矢量作为投影方向，使得投影后的样本具有最大的类件离散度和最小的类内离散度。

将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离S_A和最小类内距离S_W，即模式在该空间中有最佳的可分离性，为达到最佳分类效果，另外本算法引入鉴别准则表达式(5)

为低维空间投影，对多类问题则需要由多个投影向量组成一个投影矩阵，将样本投影到投影矩阵上，从而提取低一维的特征矢量。

如图3所示，第三阶段：状态识别与反馈

步骤1：将处理后的数据与数据库中各状态参数范围进行比较，得出个体各个时段的情绪、行为状态。

步骤2：对个体识别结果中非学习状态及异常情绪进行标记。

步骤3：按照时间顺序，以文字形式输出学习状态报告。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。