本发明涉及行为分析领域，具体的说是一种基于非专注状态指标的专注度量化计算方法。
背景技术：
学生在学习过程中，有很多因素影响着学习的效果。其中在学习过程中的专注程度是学习效果好坏的决定性因素之一。因此，如何全面有效的把握、分析学生的专注程度，对于把握学习状态，开展教学研究，进行学情分析都是十分必要的。
然而，专注程度是一个心理概念，专注程度的长期、有效、实时的监控是主观且困难的。因此，设计有效测量专注度的方法，十分必要。
现在主要的专注度测量方法有基于脑电信号的专注度测量方法，基于头部姿态的专注度计算方法，基于闭眼时长的专注度计算方法，基于面部表情的专注度计算方法。通过脑电信号计算专注度相对客观、准确，然而脑电信号的获取方式较为复杂，成本、代价高昂；基于头部姿态、面部表情以及闭眼时间计算专注度，由于个体习惯特性的差异性，适应性差。事实上，不同的个体或同一个体在解决不同问题的时候，专注的状态是有差异的，直接计算专注度难以保证算法的适应性。
技术实现要素：
本发明旨在提供一种基于非专注状态指标的专注度量化计算方法，通过可视化且可量化的不专注状态信息，实现专注度的量化计算。
为了解决以上技术问题，本发明采用的技术方案为：一种基于非专注状态指标的专注度量化计算方法，包括以下步骤：
1）、定义不专注状态测量计算指标：
2）、根据步骤1）中定义的不专注状态测量计算指标设计指标计算方法，并构建专注度计算模型；
3）、对步骤2）得到的计算模型，利用韦伯费希纳定律，根据学习任务时长进行修正，得到最终专注度结果。
优选的，步骤1）中的不专注状态的测量计算指标为静息强度sl和扰动强度tb；
步骤2）中静息强度sl和扰动强度tb的计算方法为：
t为完成学习任务的总时间，ti为第i次静息状态的持续时间，n为静息状态次数，nsl为静息强度归一化系数，d为静止状态时间阈值，f为扰动频次，ntb为扰动强度归一化系数，ds为面积变化率阈值，s为以双手及面部为中心构成的三角形的面积，h(●)为海伦公式，a,b,c为三角形三条边长，α为静息强度权重，β为扰动强度权重，c为专注度；
步骤3）中利用步骤2）得到的专注度计算模型，考虑时长效应对心理量的影响进行修正如下：
优选的，α=0.4，β=0.4，γ=0.2，ds=0.3，d=30s，nsl=100，ntb=10，ncr=0.01。
有益效果
本发明从分析不专注时的状态来反向推演出专注程度，通过可视化且可量化的不专注状态信息，实现专注度的量化计算。本方法克服了传统方法或成本高昂或适应性较弱的缺点，取得了较好的效果。
具体实施方式
本发明的一种基于非专注状态指标的专注度量化计算方法，包括以下步骤：
1）、定义不专注状态测量计算指标：
2）、根据步骤1）中定义的不专注状态测量计算指标设计指标计算方法，并构建专注度计算模型；
3）、对步骤2）得到的计算模型，利用韦伯费希纳定律，根据学习任务时长进行修正，得到最终专注度结果。
具体的，本发明步骤1）中的不专注程度指标定义包含两方面内容：一是“恍惚”，根据脑电信号分析，当人处于注意集中状态时，会使相关脑区的脑电信号强度降低；反之，脑电处于一种较为随机的分布，大脑处于某种“无意识”状态，即通常所说的“恍惚”，此时，人体处于“静息”状态，各种动作强度大大降低。二是“跑神”状态，即注意力的频繁转移，脑电信号波动较大，体现在小动作反复出现。
根据对20名中小学教师和30名家长的问卷，“发呆”和“小动作”是判断孩子学习时不专心的主要依据，正好契合了前述两点的分析。因此，本发明将步骤1）中的不专注状态的测量计算指标定义为静息强度sl和扰动强度tb。
步骤2）中静息强度sl的计算方法为：
其中的t为完成学习任务的总时间，ti为第i次静息状态的持续时间，n为静息状态次数，nsl为静息强度归一化系数，因为在学习时，躯体并非出于静止状态，头部会有点头、摇头、写字时头部随视线变化等有节律的运动，而静息时，这些动作会长时间处于停止状态，因此，是否处于静息状态的判定依据是静止状态持续时间的长短，如果静止状态持续时间大于阈值，说明处于静息状态，如果小于阈值，说明此静止是正常动作的间隙。
d为静止状态时间阈值。
扰动强度tb的计算方法为：
t为完成学习任务的总时间，f为扰动频次，ntb为扰动强度归一化系数。由于扰动与动作幅度和频率有关，动作幅度情况复杂难以准确估计，因此通过由左右手及头面部中心点为顶点构成的三角形面积变化率是否大于阈值作为判断扰动发生的依据，扰动频次f定义如下：
其中ds为面积变化率阈值，s为以双手及面部为中心构成的三角形的面积
h(●)为海伦公式，a,b,c为三角形三条边长，边长随时间动态变化。
由不专注状态信息指标sl和tb构建专注度模型c：
α为静息强度权重，β为扰动强度权重。
本发明所述步骤3）利用韦伯费希纳定律，根据学习任务时长进行修正，由韦伯-费希纳定律可知，心理量与物理量之间存在对数关系，因此不专注程度与学习任务时长t之间也存在对数关系，根据研究和经验可知，随着学习时间的增加，不专注程度会逐渐上升，因此添加如下修正项：
ncr为修正项归一化系数。
修正后的专注度模型如下式所示：
γ为修正项权重。
下面通过以具体的实施例对本发明的方法进一步说明：
（1）、参数设置：本实施例中，各项参数由实验获取，实验由5名高中以上学历测试者完成，每人每天完成100道100以内四则运算题，共连续进行十天，同一天每人题目相同。分别记录他们完成题目时的静息状态次数n,对应的静息状态持续时间ti，扰动频次f，完成测试时间t以及最终得分（正确百分比），共得到50组数据。在题目难度相同、内容为100以内的四则运算，测试者均完成高中以上学历的条件下，影响测试分数的唯一因素就是专注程度，因此以测试分数即正确题目百分比作为衡量专注度的标定值，采用最小二乘法对模型参数进行拟合后保留小数点后一位，得到参数如下：α=0.4，β=0.4，γ=0.2，ds=0.3。
实验中发现，当测试者长时间处于静止状态的临界值即下限大概为25-30秒，因此规定参数d=30s。
nsl，ntb，ncr为归一化系数，其取值由相应的归一化目标取值范围决定，静息强度、扰动强度以及修正项在归一化前取值范围分别在0.01以内、0.1以内以及100以内，因此，归一化系数设定如下：nsl=100，ntb=10，ncr=0.01
综上，所有参数设定如下：α=0.4，β=0.4，γ=0.2，ds=0.3，d=30s，nsl=100，ntb=10，ncr=0.01。
（2）、实施条件：本实施例由一名测试者和一名记录人共同完。
测试内容：300道四则混合运算题；
测试时间：测试共三次分别为：1）早晨9：00，要求前夜睡眠充足，测试开始时距离早饭时间大于等于半小时；2）下午5：00，要求空腹，测试开始前进行过大于1小时的剧烈运动并且观看大于半小时的电视；3）夜里11：00，测试同时播放舒缓音乐；
要求测试者在上述三个时段完成测试，记录人依据发明内容的指标计算方式记录静息状态次数n,对应的静息状态持续时间ti，扰动频次f，完成测试时间t，测试分数，并根据模型计算出专注度。
（3）、实验结果如下表所示
由上表可知，专注度与正确率和学习时间（即学习效果）高度正相关，与人们对三种场景下专注程度的主观认识也高度相符，因此本发明所设计的专注度量化计算方法是有效的。