学习状态分段记录方法以及记录和显示装置的制造方法
【专利摘要】本发明公开一种学习状态分段记录方法以及记录和显示装置，主要步骤包括处理器根据设定条件对学习状态进行分段；提取反映本段状态数据长度或时段的持续值，或提取反映本段状态数据大小或状态的特征值；记录本段学习状态数据的特征值和持续值。本发明对学生学习状态进行监测，记录学习过程中的状态数据，通过对记录的学习状态数据进行分析，可以发现学生的不良学习习惯或问题，帮助其健康成长。通过分段记录的学习状态数据，格式简单，数据量小，降低对硬件的要求，并易于后续处理分析，根据特征值和持续值绘制的统计图表，可以直观明了地反映学习状态数据分布特征。
【专利说明】
学习状态分段记录方法以及记录和显示装置
技术领域
[0001]本发明涉及电子技术，特别是一种学习状态分段记录方法以及记录和显示装置。
【背景技术】
[0002]少年儿童自我控制能力相对较差，学习过程中，经常出现一些不良习惯，比如东张西望，思想不集中，坐姿不正，阅读书写时用眼距离太近等等。如果对学生学习状况进行记录，反映存在的问题，及时纠正，可以有效帮助少年儿童的成长。穿戴设备受体积重量限制，存储能力有限，简化数据的记录，有利于穿戴设备使用体验，和后续的数据处理分析。
【发明内容】
[0003]本发明的第一个目的是提供一种学习状态分段记录方法，把学习状态数据划分成若干只包含一个学习状态数据特征值与一个数据长度持续值的段，使记录的数据简单易懂，便于后续的处理分析。
[0004]本发明的第二个目的是根据上述分段记录方法，提供一种学习状态分段记录装置，减少学习状态数据记录量，节省存储空间。
[0005]本发明的第三个目的是根据上述分段记录方法，提供一种学习状态分段显示装置，简洁直观显示学习状态分布特征。
[0006]本发明的第一个技术方案，一种学习状态分段记录方法，主要步骤包括处理器根据设定条件对学习状态进行分段;提取反映本段状态数据长度或时段的持续值，或提取反映本段状态数据大小或状态的特征值;记录本段学习状态数据的特征值和持续值。所述学习状态包括头部姿态、用眼距离、大脑状态中的至少一种。本发明把一个复杂的学习过程中的状态数据，分成若干时段或区段，再进一步提取所述时段或区段数据的特征值与持续值进行记录，一方面通过特征值反映学习状态数据大小或状态，另一方面通过持续值反映数据长度或时段，记录数据简单、直观、易懂，且数据量小。
[0007]所述分段方法可以根据单个学习状态数据与设定条件的比较进行分段，或根据多个学习状态数据与设定条件的比较进行分段;前者对单个状态数据进行实时划分，考虑每个数据的个性，后者根据一批数据特性进行划分，主要反映该批数据的共性。各段数据之间可以是连续的，也可以是不连续的，段与段之间连续，使分段范围覆盖全部数据;如果段与段之间存在间断，记录主要时段或区段数据，间断省略短暂异常数据，针对性强。
[0008]本发明的第二个技术方案，一种学习状态数据分段记录装置，包括学习状态传感器、处理器和存储器，其中学习状态传感器采集学习状态信号传送处理器计算处理，生成学习状态数据，并根据上述分段记录方法对学习状态数据进行分段，提取反映本段状态数据长度的持续值，或提取反映本段状态数据大小的特征值;存储器记录本段学习状态数据的特征值和持续值。用特征值和持续值反映各段学习状态，节省存储空间，并便于后续处理。
[0009]所述学习状态传感器包括头部姿态传感器、用眼距离传感器、脑电传感器中的至少一种，其中所述头部姿态传感器包括重力加速度传感器、陀螺仪、地磁仪、眼动仪中的一种;所述用眼距离传感器包括红外测距仪、超声波测距仪、激光测距仪中的一种;所述脑电传感器包括单通道脑电传感器、或多通道脑电传感器。
[0010]进一步的改进，记录装置可以设置数据传输接口，通过传输接口把记录数据传送到外部设备，所述数据传输接口为有线或无线方式;有线方式包括RS232或USB接口，无线方式包括蓝牙和射频和z igbee和wifi技术中的任一种。
[0011]进一步的改进，记录装置可以设置提醒模块，当所述学习状态数据落入设定提醒段，处理器触发提醒模块进行提醒，所述提醒模块包括声、光、微电刺激、震动、骨传导中的任一种。
[0012]本发明的第三个技术方案，一种学习状态数据分段显示装置，用于对记录的学习状态数据进行分段处理，在显示器上显示，包括接收学习状态数据的通信器，对数据进行分段统计的处理器和显示统计结果的显示器，其特征是处理器根据上述分段方法对学习状态数据进行分段，统计反映本段数据长度的持续值，绘制各段学习状态数据的特征值与持续值的统计图表，传送显示器显示，通过统计图表直观反映学习状态数据的分布特征。
[0013]本发明对学生学习状态进行监测，记录学习过程中的状态数据，通过对记录的学习状态数据进行分析，可以发现学生的不良学习习惯或问题，帮助其健康成长。通过分段记录的学习状态数据，格式简单，数据量小，降低对硬件的要求，并易于后续处理分析，根据特征值和持续值绘制的统计图表，可以直观明了地反映学习状态数据分布特征。
【附图说明】
[0014]图1是分段记录装置实施例的配置框图。
[0015]图2是头部姿态传感器电路连接原理示意图。
[0016]图3是用眼距离传感器电路连接原理示意图。
[0017]图4是脑电传感器电路连接原理示意图。
[0018]图5是分段记录基本流程图。
[0019]图6是显示装置实施例的配置框图。
[0020]图7是一个精神状态统计直方图示例。
【具体实施方式】
[0021]在图1所示的记录装置配置框图中，包括学习状态传感器、处理器和存储器，其中学习状态传感器采集学习状态信号传送处理器，生成学习状态数据，并对学习状态数据进行分段处理，传送存储器记录保存。学习状态传感器包括头部姿态传感器、用眼距离传感器、脑电传感器中至少一种。在以下结合具体状态传感器电路连接示意图中，显示了通信连接，未显示去耦和所有连接，处理控制器ADuC7024具有存储单元，通过UART进行编程，SWl是电源开关，SW2和SW3分别是复位和下载开关。
[0022]头部姿态包括头部倾角、脸部方向、眼睛注视方向等，姿态传感器包括重力加速度传感器、陀螺仪、地磁仪、眼动仪，图2所示采用加速度传感器的电路原理示意图，处理控制器ADuC7024和数字重力加速度传感器ADXL345通过4线式SPI进行通信，引脚8、9是中断控制。加速度传感器ADXL345置于头部，用来监测头部倾角，当头部发生倾斜时，重力在X、Y、Z三个轴向的重力分量输出信号发生改变，输出的大小与3个轴向与竖直方向的夹角有关，轴向与竖直方向的夹角越小，其输出就越大，反之，输出就越小。处理控制器ADuC7024读取加速度传感器ADXL345三个轴向输出的重力分量大小，计算3个轴向与竖直方向夹角，从而解算出头部倾角信息。
[0023]在图3用眼距离记录的电路原理示意图中，采用红外测距传感器GP2D12，其探测范围10?80cm，对应输出2.55-0.42V的模拟电压，测距与电压成反比。处理控制器ADuC7024的模拟输入端ADC4与红外测距传感器GP2D12的输出端Vout相连，读取红外测距传感器GP2D12输出的模拟信号。红外测距传感器GP2D12输入的模拟电压，经处理控制器ADuC7024内部转换成数字电压。
[0024]脑电传感器包括单通道或多通道，采用单极或双极协议采集脑电信号;所述单通道是只监测头部一个区域如前额的脑电信号，如神念科技ThingkGear AM芯片为单通道;所述多通道是监测头部如前额、头顶、后枕等多个区域的脑电信号，如德州ADS1299芯片为8通道。脑电信号微弱不稳定，又受强背景噪声干扰，脑电传感器经过对脑电信号增强和对背景噪声的降噪处理，输出的各波段脑电信号可以直接用来做进一步的应用分析。图4所示的是单通道EEG脑电采集传感器ThingkGear AM系列芯片电路连接原理示意图，处理器ADuC7024端口Pl.5与脑电传感器ThinkGear AM输入端RXD相连，用于对脑电传感器ThinkGear AM进行初始化等操作。与人脑接触的A、B、C三个金属电极分别与脑电传感器的采集电极EEG、比较电极REF和接地端GND相连，脑电传感器每秒采集512个脑电信号数据点，提取八个波段(De Ita、Theta、LowAlpha、HighAlpha、LowBe ta、HighBe ta、LowGamma、Midd IeGamma)的脑电信号，和三个eSense参数:专注度、放松度和眨眼侦测，通过端口TXD输出。不同波段脑电信号反映不同的大脑状态，比如Delta(0.5Hz?3Hz)波反映的是睡眠状态，又称“深睡波”，Theta(3Hz?7Hz)波反映的是困倦状态，又称“浅睡波”，Alpha(7Hz?13Hz)波反映的是轻松状态，又称“放松波”，Beta(13Hz?30Hz)波反映的是意识活跃状态，又称“兴奋波”，GammaC30Hz?50 Hz)波反映的是紧张状态，又称“压力”波。通过基于实验数据库的神经算法，使用上述波段的功率频谱数据进行分析计算，可以反映不同的精神状态，如入睡、困倦、疲劳、放松、冥想、专注、思考、焦虑、压力、兴奋、紧张、喜欢、高兴、沮丧等。根据频谱数据可以计算反映精神状态水平的指标，比如上述专注度和放松度就是通过脑电信号计算生成的精神状态指标，是范围在O—100的数值，专注度值越大，说明专注度越高，反之专注度越低;放松度值越大，说明越放松，反之，说明放松度越低;另外，根据频谱数据还可以建立精神状态判断标准，从而划分出不同的精神状态。脑电信号分析方法有:①时域分析，主要分析EEG波形的几何性质，如幅度、均值、方差、偏歪度、峭度等;②频域分析，主要是利用功率谱进行分析，如功率频谱分析、相干分析等;③时频分析，把时间和频率结合进行处理，如对睡眠纺锤波的匹配跟踪分析等。
[0025]在图5所示的分段记录方法基本步骤流程图中，首先设置分段值，通过与分段值的比较，判断学习状态数据落入的段，具体步骤如下:
〈步骤1>开机进行系统初始化，进入下一步；
〈步骤2>根据分段方法设置分段值；
〈步骤3>采集学习状态信号，传送处理器生成学习状态数据，进入下一步；
〈步骤4>判断当前所属的段，进入下一步；
〈步骤5>判断当前所属是否改变，如果是，表明转入新的分段，进入下一步，如果否，提取反映本段状态数据长度或时段的持续值，或是提取反映本段状态数据大小或状态的特征值，转入步骤3;
〈步骤6>记录本段学习状态数据的特征值和持续值，转入步骤3。
[0026]上述分段方法包括对学习状态数据进行区段划分，把同一区段的学习状态数据分为一段，或是对学习状态数据进行时段划分，把一个连续时间段的数据分为一段。所述学习状态数据包括头部姿态、用眼距离、大脑状态中至少一种，其中大脑状态包括各波段脑电信号或根据脑电信号计算的精神状态，所述脑电信号包括频率、功率、振幅、功率谱、功率频谱。所述持续值包括所述段学习状态数据的累计频数、或累计频率、或持续时间长、或持续时间长占总时间长的比率、或本段开始时间与结束时间、或所述段的时段中的任一种;所述特征值包括所述段学习状态数据分段值、或所述段学习状态数据统计值、或所述段精神状态分类中的任一种。下面结合具体实施例加以说明。
[0027]1、区段划分
根据学习状态数据进行区段划分，是根据学习状态数据的数值大小，按照设定的分段值进行分段，分段值作为特征值固定不变，即使是该段数据的统计值作为特征值，统计值的变化也在分段值范围内，因此，根据区段划分的每段学习状态数据大小或状态已经明确，只需要提取每段数据的持续值，同时，对于大脑状态而言，可以与精神状态相关联。区段划分包括根据学习状态数据设置分段值，把同一区段的学习状态数据分为一段;或是根据学习状态数据中精神状态进行分类，把同一类精神状态下的学习状态数据分为一段。
[0028](I)根据学习状态数据设置分段值，包括根据学习状态数据的大小、或波形参数中的任一种数值设置分段值，把同一区段的学习状态数据分为一段。
[0029]根据学习状态数据的大小设置分段值的一个优选例是分组，根据学习状态数据的大小范围设定分段值，把落入同一分段区间的数据归为一组，分组可以是等组距或异距分组。
[0030]首先对大脑状态数据进行说明，更以大脑精神状态中的专注度为例，专注度是O?100的数值范围，可以等距分成五个组，组距为20，分别对应困倦、放松、平静、专注、兴奋五种精神状态。以[0，20)区段为例(“[”表示等于，“)”表述不等)，当专注度数值小于20落入该区间，表明当前精神困倦，统计持续值，一旦专注度数值大于或等于20，表明落入下一组，本段数据结束，开始统计下一组的持续值。持续值包括累计频数或持续时间长，如果采集间隔不变，累计频数与采集间隔的乘积就是本段数据的持续时长。如果采集间隔是变化的，以最新数据的采集时间点为两段记录的时间分界点，或是后者减去一个采集时间间隔作为时间分界点，记录上次时间分界点作为本段开始时间，本次分界点作为结束时间；或是记录两个时间点之差，作为本段数据的持续时长。特征值可以是设定的分组上限值或下限值或组中值中的任一种，或是计算本段学习状态数据的统计值，统计值包括平均值、标准差、中位数、众数中的任一种，或是以上述五种精神状态作为特征值，比如分别用数字1、2、3、4、5代替所述精神状态，或用kunjuan、fangsong、pingjing、zhuangzhu、xingfen对应所述状态，把持续值记录在对应精神状态下。
[0031]再比如以大脑状态中Beta波功率谱数据为例，其大小范围是O?20(X 105μν2)，设置
5、10、15三个分段值，可以划分入睡、困倦、清醒、兴奋四种精神状态，以该状态下的Beta波功率谱数据统计值作为特征值，或以区段值作为特征值，统计每种精神状态下的持续值，记录在本段特征值下;或以精神状态作为特征值，比如分别用数字1、2、3、4代替相应状态，或用101丨81111；[、1011^皿11、9；[1^1；[1^、1；[呢€611对应相应状态，把持续值记录在所述精神状态下。
[0032]用同样的方法对头部倾角进行分段，首先把头部倾角分成前后和左右两个相互垂直的平面，端正平视时的角度为O度，在前后平面中低头为正，后仰为负，主要变化范围在-50°?50*3之间；在左右平面中以左倾为正，右倾为负，主要变化范围在-30*3?30*3之间，分别以组距St3进行等距分组，统计每组下的持续值，以分组界限值或组中值作为特征值进行记录。
[0033]对用眼距离而言，根据GP2D12的电压与距离输出曲线，在10-50cm之间对应电压数据为2.55?0.61ν，如果每5cm为一组，共分8个组即Ai<Ni <Bi(i=l，2，3."8):2.55v<Nl <1.79v^l.79v<N2 < 1.40v^l.40v<N3 < 1.18v^ 1.18v<N4 < 0.99v^0.99v<N5 < 0.88v^
0.88v<N6<0.78v^0.78v<N7<0.69v^0.69v<N8<0.61v,统计每组下的持续值，以分组界限值或组中值作为特征值进行记录。
[0034]分组记录的格式有统计格式和流水格式两种，其中统计格式包括以下两种形式，一种形式是:
分组特征值I，本段持续值、本段持续值、本段持续值……
分组特征值2，本段持续值、本段持续值、本段持续值……
分组特征值5，本段持续值、本段持续值、本段持续值……
分组特征值是设定的分段值或区段中间值，固定不变，只记录每段数据变化的持续值，记录格式简洁，又便于后续数据处理。如果进一步记录每段数据的开始时间，结合持续值，可以确定每段数据的时段，进而可以再现整个学习过程。
[0035]另一种形式是:
分组特征值I，本组累计持续值分组特征值2，本组累计持续值
分组特征值5，本组累计持续值
两种记录格式的持续值关系是:分组特征值I的本组累计持续值=Σ (分组特征值I的本段持续值)。前一种格式是以段为单位，记录的是每段的持续长度，后者是以组为单位，记录的是该组累计的总持续长度值，该值在记录过程中不断被统计刷新。持续值包括累计频数、或持续时间长、或本段开始时间与结束时间，在后一种记录中，还可以记录本组的累计频率、或持续时间长占总时间长的比率作为持续值。累计频率是本段学习状态数据的累计频数占所有区段累计频数总和的比率，与之对应的是时间比率，是本段学习状态数据的持续时间长占所有区段学习状态数据采集时间总长的比率，在脑电传感器采集时间间隔不变的情况下，频数与采集间隔的乘积就是时间长，即频数比率与时间比率相同，频数比率或时间比率反映本段数据在总数据中占的比重，更加直观反映学习状态数据分布特征。
[0036]分组记录的流水格式是:
分组特征值I，本段持续值分组特征值2，本段持续值分组特征值I，本段持续值流水式记录特征值和持续值，记录动作简单，后续处理可以进行同组合并。这种记录方法中，特征值可以是设定的分段值，或是本段数据统计值，统计值的大小处于分组区段内，同一分组区段内的统计值可以相等也可以不等，其反映的信息内容更加详细，进一步的改进，可以记录分组区段值、本段统计值、本段持续值，后续处理可以对同一分组区段的统计值作更进一步分析处理，满足不同层次的需要。
[0037]区段值的设置可以是一个到多个，其中，对于多个分段值，可以等距设置，或异距设置，缩小重点监测部分的间距，放大其余部分，做到重密轻疏，或采取间断方法，把次要区段数据间断省略掉。
[0038]根据波形参数进行分段，波形是学习状态数据中脑波分布的几何形状，特殊状态的学习状态，具有特殊的几何形状，如反映睡眠状态的纺锤波。波形参数分析是根据波形特征进行匹配跟踪，把同种波形的学习状态数据分为同一段，比如把出现纺锤波形的学习状态数据归为睡眠段。波形特征主要通过时域分析的方法提取几何性质，如过零截点分析、直方图分析、方差分析、相干分析等。根据波形参数设置的区段值是组合值，波形参数包括幅度、均值、方差、偏歪度、峭度等，不同的波形有不同的参数组合，把学习状态几何形状分成匹配或不匹配，计算匹配的学习状态数据的统计值作为特征值，或把对应的精神状态作为特征值，以持续时长或累计频数作为持续值，或记录开始时间和结束时间。
[0039](2)根据学习状态数据中精神状态进行分类，是直接通过精神状态进行区段划分，把同一种精神状态下的学习状态数据分为一段，比如根据困倦、放松、平静、专注、兴奋五种精神状态的判断标准划分五个区段，把困倦下的学习状态数据分为一段，统计该段数据的持续值和平均值，记录在“困倦”区段下，同样记录其它状态下数据。判断精神状态的一种方法是根据预存的脑电波频率范围或脑波数据特征表，判断所属精神状态，如果大脑状态数据与设定范围或特征相匹配，可以确定当前精神状态分类。此外，判断精神状态还可以通过神经算法计算得来，即根据脑电波频谱数据计算建立判断标准，不同的神经算法计算的精神状态会有偏差，通常结合实验数据进行，建立的判断标准可以是单个设定阀值，也可能是由多个数值组合的复合条件，不同算法依据的脑电波数据也各不相同，精神状态判断方法可以查阅相关技术资料。
[0040]2、时段划分
所述时段划分包括根据学习状态数据的相对大小进行分段，把波动在设定范围的一个连续时间段的学习状态数据分为一段，或是根据时间进行时段设定，把处于设定时间段的学习状态数据分为一段。根据学习状态数据进行的时段划分与根据时间条件进行的时段划分，都是按照时间顺序依次记录，但是两者反映的侧重点不同，根据学习状态数据进行的时段划分，反映的是每个时段的学习状态数据的大小和持续性的长短，其持续值和特征值都在不断变化，需要计算提取，根据时间条件进行的时段划分，其特征值不断变化，需要计算提取，而持续值是设定的，侧重反映的是每个时段的学习状态数据的大小。
[0041](I)根据学习状态数据相对大小进行时段划分，是把大小相近的学习状态数据分为一段，以本时段学习状态数据统计值作为特征值，通过学习状态数据差值、或比值、或离散度设置分段值，把波动在设定范围的一个连续时段的学习状态数据分为一段。
[0042]学习状态数据差值是比较两个学习状态数据之间的距离大小，根据差值法设置的一个分段值，把相距小于分段值的学习状态数据分为同一段，即把波动变化在一定幅度范围的学习状态数据分为同一段，当差值大于分段值时，说明波动变大，超出范围，把前一个数据归为当前时段，最新的数据归为下一时段统计，两段的时间分界点是最新数据的采集时间，或是该时间点提前一个采集时间间隔作为分界点。差值的计算方法有位置差值法和中心差值法。位置差值是对学习状态数据按升序或降序进行排序，计算两个特定序位数值的差，即第N位数据与倒数第N位数据的绝对离差，比如最大值与最小值之差、或上四分位数与下四分位数绝对离差，根据位置差值设置的分段值反映的是数据波动的上下幅度范围，当其小于设定分段值，说明数值大小相近，归为同一时段。中心差值是计算学习状态数据与中心数值的差，中心数值包括平均值、标准差、中位数和众数中的任一种，学习状态数据与中心数值的差，反映该数据偏离中心的距离，中心差值分为上位差(大于中心值的数据与中心数值之差)和下位差(小于中心值的数据与中心数值之差绝对值)，根据中心差值设定的分段值反映的是数据波动的上半幅或下半幅范围，中心差值的判定采用上下位差同时小于设定区段值。中心数值可以先通过位置差值判断建立，当同一段的数据个数大于N，计算中心数值，建议N不小于6。中心数值建立后，可以保持不变，也可以根据该段数据的增加而统计更新，或是变换新的学习状态数据进行重新统计。
[0043]学习状态数据比值反映的是数据相对偏离度，包括位置比值和中心比值。位置比值是计算两个特定序位数值的比，或计算两个特定序位数值的差，再除以中心数值、或上端位置数值、或下端位置数值中的任一数值，中心比值是计算学习状态数据与中心数值的比，或计算学习状态数据与中心差值后，再除以中心数值。根据比值设定的一个分段值，是把所述比值小于设定值的数据归为同一时段，具体方法同差值分段方法。
[0044]离散度反映学习状态数据的差异性，是评判学习状态数据离中心的趋势，是对数据个性的测度，离散度包括异众比率、四分位差、平均差、标准差、离散系数、标准化值中任一种。离散度作为一种统计值，应有N个数据统计得出，建议N不小于6。根据离散度设置的分段值是一个设定阀值，如果一批数据的离散度小于设定阀值，说明该批数据具有较强的共性，把该批数据分为同一段，一直持续统计下去，一旦离散度大于设定阀值，说明数据的差异性变大，把使离散度变大的最新数据分为下一时段，该数据以前的数据分为同一时段，计算不包括最新数据的这一段数据的统计值作为特征值，作为持续值的持续时间长或累计频数的结束点也在最新数据，该数据的采集时间是本时段结束时间点和新时段开始时间点。标准差在离散度计算中是一个关键值，当样本数量较大时，后续样本的对标准差的影响会减弱，建议根据学习状态数据应用特点控制标准差的样本数量，即对同一时段统计标准差的数据再分段。
[0045]根据学习状态数据进行时段划分，每个时段的学习状态数据特征值是该段数据的统计值或精神状态分类，以持续时长或累计频数作为持续值，记录格式是:
统计值I，本时段持续值I 统计值2，本时段持续值2 统计值3，本时段持续值3
通过一个设定的分段值，可以划分出多个时段数据，每个时段数据的统计值不断波动变化，上述统计值I不等于统计值2，但是可以等于统计值3。进一步的细化，记录中还可以记录本时段开始时间或结束时间，反映更丰富的信息内容。
[0046](2)根据时间条件进行时段划分，是根据时间进行时段设定，把满足时间条件的一段连续学习状态数据分为一段，记录该时段状态数据的统计值，或进一步对设定时间段的学习状态进行区段划分，依次记录设定时段内的每个区段的状态数据特征值和持续值。比如以学生上课场景为例，根据课堂时刻表设定时段进行划分，分别记录每堂课的学习状况，避免课间活动时段的无用记录;或是对堂课过程按时间进行分段记录，比如设定每1、或3、或5分钟作为一个时段记录一次，以每个时段的学习状态数据统计值作为特征值，持续值为设定时段长或累加频数，还可以记录每个时段开始时间；进一步的细化，还可以对堂课时段的学习状态数据进行区段划分，把同一区段下一个连续时段的状态数据分为一个时段，依次记录不同时段的状态数据特征值和持续值，反映课堂学习过程中的状态特征。通过时段划分记录的数据，可以反映用户每堂课的学习状态数据随着上课时间的变化情况，再现课堂学习过程，对比不同课程的学习状态，并把课间活动时段间断省略掉。
[0047]根据时间进行时段划分，如果时段是一个设定值，即定时长记录，记录数据可以省略持续值，只记录统计值，通过序次对应所述时段:
统计值I 统计值2 统计值3
如果时段是多个设定值，即变时长记录，分段时长不一样，有的时段长，有的时段短，则可以记录每个时段的持续时长加以区分，如果时段划分不连续，有省略间断时间，可以把分段统计值记录在各时段下，记录格式为:时段、统计值。
[0048]前述根据学习状态数据的分段方法是单个数据与分段值的实时进行比较，逐个判断每个数据所属分段，为避免异常数据的影响，可以根据一批M个学习状态数据的平均值进行比较判断，当平均值满足分段要求，说明这M个数据相近，可以归为同一段，为了保持判断的连续性，在出现一个新数据后，把这M个数据的第一个数据归为该段统计，继续保持为M个数据，计算其平均值进行判断，如果平均值不满足分段要求，说明出现的新数据是另一段的数据，把最后一个数据归为下一段，再把其它数据全部归为前一段，并统计该段的持续值。
[0049]另一种多数据判断方法是当M个学习状态数据中有N个数据满足分段要求，把这M个数据归为同一段，为了保持判断的连续性，在出现一个新数据后，把这M个数据的第一个数据归为该段统计，继续保持为M个数据，当满足分段要求的数据个数少于N个，说明出现的新数据是另一段的数据，把最后一个数据归为下一段，再把其它数据全部归为前一段，并统计该段的持续值。上述M个数据为连续数据，N个数据可以是连续或不连续数据。相同的方法还可以根据在设定时长内满足分段要求的时间总和来判断。
[0050]学习状态数据的分段记录，存储器可以把本次采集的所有数据放在一个文件夹，把不同的分段数据记录在该文件夹的不同文件里，通过文件名称加以区分，比如以特征值作为文件名称;或是把本次采集的所有数据记录一个文件里，通过段落位置区分不同的分段数据，或者是根据分段结果添加分段标记，同一区段值的分段标记相同，不同区段值的分段标记不同，后续数据处理分析时，通过识别分段标记分选出所需分段数据。
[0051]优选地，记录装置还可以设置提醒模块，当学习状态数据落入某一设定区段，处理器触发提醒模块进行提醒，比如根据头部姿态设定的分段值，选择歪斜角度偏大的区段或设置一个歪斜角度提醒阀值，当头部姿态进入该区段或大于该阀值，处理器触发提醒模块提醒;或是根据用眼距离设定的分段值，设定不同提醒距离区段，并根据不同提醒区段采取不同提醒方法，比如较近距离区段轻微提醒，近距离区段稍重提醒，很近距离区段重度提醒等。另外，还可以在入睡到兴奋的几种精神状态中，选择某种精神状态，如放松状态、困倦状态、入睡状态的分段值或判断标准作为提醒阀值，当所述学习状态数据值落入该段范围或呈现不良精神状态，处理器触发提醒模块进行提醒，并根据不同精神状态采用不同提醒程度或方式，比如放松状态下进行稍微提醒，困倦状态下进行稍重提醒，入睡状态下进行重度提醒。以所示图中的LED灯为例，稍微提醒进行慢闪烁，稍重提醒进行快闪烁，重度提醒持续明亮。
[0052]在图6所示显示装置的配置框图中，包括接收学习状态数据的通信器，对数据进行分段统计的处理器和显示统计结果的显示器，处理器对通信器接收的学习状态数据进行分区段统计，根据各段学习状态数据的特征值和持续值绘制统计图表，传送显示器显示。
[0053]显示装置可以是智能手机、或其它具有数据接收处理显示功能的一体设备，或是由通信器、处理器、显示器的分体组合而成。
[0054]通信器接收记录装置传送的学习状态数据，可以是一种数据传输装置或接口，或是具有数据接收功能的设备，如智能手机、网络服务器、计算机以及其它具有数据接收功能的设备。
[0055]通信器可以通过有线方式获取学习状态数据，如通过USB通用串行总线接收数据。
[0056]通信器可以通过SD存储卡等作为传送介质接收学习状态数据。
[0057]通信器可以通过无线方式接收学习状态数据，如蓝牙、射频、红外线、zigbee、wifi中的任一种;或者通过互联网、局域网接收数据。
[0058]处理器包括进行处理控制的处理单元如CPU和存储程序的存储单元，处理器作为显示装置的组成部分，可以是独立于显示装置存在，比如服务器，对数据处理后，把结果发送到手机进行显示，或是处理显示一体的智能手机，在智能手机上处理后直接进行显示。如果智能手机作为完整的显示装置，通信器、处理器、显示器成为显示装置的内部构成单元。
[0059]显示器是具有画面显示功能的终端设备，可以与通信器和处理器集成在一起，也可以单独存在，比如手机、计算机以及具有显示功能的其它设备都可以作为显示装置的独立显示器。
[0060]学习状态数据的分段显示，首先根据上述分段方法对学习状态数据进行分段，处理后的数据格式有流水式和统计式两种，流水式是按时间顺序，一个分段一记录，同一特征值的区段可以重复出现，统计式是对流水式的再合并，一个特征值的区段只记录累计的总持续值。对于流水式的分段数据，统计图表可以根据分段的时间顺序，以时间为横轴、持续值为纵轴绘制折线图或直方图或柱状图显示，或是编制时段与持续值对应的表格显示。对统计格式的图表可以根据分段区间的大小顺序，以区段值为横轴、以持续值为纵轴绘制折线图或直方图或柱状图显示，或是编制区段值与持续值对应的表格显示。流水式图表反映的是学习状态数据在不同时段的具体状况，统计式图表反映的是学习状态数据的总体分布特征。图7所示的精神状态统计直方图，纵轴是累计频率，横轴是区段值，分别对应困倦、放松、平静、专注、兴奋五种精神状态。
【主权项】
1.一种学习状态分段记录方法，其特征包括以下步骤: (1)处理器根据设定条件对学习状态进行分段； (2)提取反映本段状态数据长度或时段的持续值，或是提取反映本段状态数据大小或状态的特征值； (3)记录本段学习状态数据的特征值和持续值。2.根据权利要求1所述的记录方法，其特征是:所述分段包括对学习状态进行区段划分，把同一区段的状态数据分为一段，或是对学习状态进行时段划分，把一个连续时间段的状态数据分为一段。3.根据权利要求2所述的记录方法，其特征是:所述区段划分包括根据学习状态数据设置分段值，把落入同一区段的状态数据分为一段，或根据学习状态中的精神状态进行分类，把同一精神状态下的状态数据分为一段。4.根据权利要求3所述的记录方法，其特征是:所述根据学习状态数据设置分段值包括根据学习状态数据的大小、或波形参数中的任一种数值设置分段值，把同一区段的状态数据分为一段。5.根据权利要求2所述的记录方法，其特征是:所述时段划分包括根据学习状态数据的相对大小进行分段，把波动在设定区段的一个连续时间段的状态数据分为一个时段，或是根据时间进行时段设定，把处于设定时间段的学习状态数据分为一个时段。6.根据权利要求5所述的记录方法，其特征是:所述设定区段是根据学习状态数据的差值、或比值、或离散度中的任一种数值设置分段值，把满足分段条件的一个连续时间段的状态数据分为一段。7.根据权利要求1所述的记录方法，其特征是:所述持续值包括所述段学习状态数据的累计频数、或累计频率、或持续时间长、或持续时间长占总时间长的比率、或本段开始时间与结束时间、或所述段的时段中的任一种;所述特征值包括所述段学习状态数据分段值、或所述段学习状态数据统计值、或所述段精神状态分类中的任一种。8.—种学习状态分段记录装置，包括头戴式框架，置于框架上的学习状态传感器、处理器和存储器，学习状态传感器采集学习状态数据传送处理器进行计算处理，传送存储器记录存储，其特征是: (1)处理器执行权利要求1?7所述方法步骤，对学习状态进行分段； (2)提取反映本段状态数据持续长度或时段的持续值，或提取反映本段状态数据大小或状态的特征值； (3)存储器记录本段学习状态数据的特征值和持续值。9.根据权利要求8所述的记录装置，其特征是:所述学习状态传感器包括头部姿态传感器、用眼距离传感器、脑电传感器中的至少一种。10.—种学习状态据分段显示装置，包括接收学习状态数据的通信器，对数据进行分段统计的处理器和显示统计结果的显示器，其特征是: (1)处理器执行权利要求1?7所述的方法步骤，对通信器接收的学习状态数据进行分段； (2)提取反映本段数据长度或时段的持续值，或提取反映本段状态数据大小或状态的特征值；(3)处理器绘制各段脑波数据的特征值与持续值的统计图表，传送显示器；(4)显示器显示所述统计图表。
【文档编号】A61B5/11GK105962930SQ201610119931
【公开日】2016年9月28日
【申请日】2016年3月3日
【发明人】胡渐佳
【申请人】胡渐佳