CN112528890A - 一种注意力评估方法、装置及电子设备 - Google Patents
一种注意力评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112528890A CN112528890A CN202011489888.1A CN202011489888A CN112528890A CN 112528890 A CN112528890 A CN 112528890A CN 202011489888 A CN202011489888 A CN 202011489888A CN 112528890 A CN112528890 A CN 112528890A
- Authority
- CN
- China
- Prior art keywords
- tester
- data
- preset time
- collective
- index data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000033001 locomotion Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 230000036578 sleeping time Effects 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036626 alertness Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010017367 Frequent bowel movements Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种注意力评估方法、装置及电子设备,其中,注意力评估方法包括如下步骤:获取多个预设时长内测试者在课堂环境下的教学视频;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。通过实施本发明,获取到的数据信息更加贴合测试者的真实状态,并且采集的是多个预设时长下的教学视频,那么测试者受当天状态的影响也会大大降低,因此,提高了注意力评估结果的准确性。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种注意力评估方法、装置及电子设备。
背景技术
注意力是指人的心理活动指向和集中于某种事物的能力。现代教育学研究表明,99.4%以上的孩子智力水平相差无几,造成孩子学***的高低,注意力水平直接影响孩子的智力发展和对知识的吸收。
相关技术中,在进行注意力评估时,都是为测试者营造测试环境,为测试者提供指定任务,根据任务完成情况对测试者进行注意力评估。由于刻意营造出的测试环境本身会让测试者产生警惕,且根据完成任务的情况对测试者进行评估的方式很大一部分取决于测试者的当前状态,导致评估的结果不准确。
发明内容
有鉴于此,本发明实施例提供了一种注意力评估方法、装置及电子设备,以解决现有技术中评估的结果不准确的缺陷。
根据第一方面,本发明实施例提供一种注意力评估方法,包括如下步骤:获取多个预设时长内测试者在课堂环境下的教学视频;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
可选地,所述方法还包括:获取预设时长内包含测试者的学习情况数据;将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
可选地,将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果,包括:获取所述测试者在所述多个预设时长内的座位变换参数;将所述测试者在所述多个预设时长内的座位变换参数、测试指标数据以及所述学习情况数据,输入至预先建立的多重多元回归模型,得到所述测试者在预设时长内随座位变化产生的注意力评估结果。
可选地,所述测试指标包括肢体范围指标;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:从所述课堂教学视频中提取出所述测试者的肢体活动范围;根据所述肢体活动范围,确定所述测试者超出预先确定的肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长;根据所述测试者在预设时长内超出肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长,确定肢体范围指标数据。
可选地,所述测试指标还包括专注力指标、积极度指标以及仔细度指标;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:获取预设时间间隔范围内所述测试者超出肢体活动范围的时长、睡觉时长以及学习情况数据,确定所述测试者的专注力指标数据;获取预设时间间隔范围内所述测试者的举手次数以及每次举手的时间长度,确定所述测试者的积极度指标数据;获取预设时间间隔范围内所述测试者学习情况数据中的考试得分与失分数据,确定所述测试者的仔细度指标。
可选地,当测试者为由多人组成的集体时,预先存储的测试指标包括专注力指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取所述集体在预设时长内超出肢体活动范围的时长、睡觉时长以及学习情况数据,根据以下公式,确定所述集体的专注力指标数据:
其中,xb表示集体的专注力指标数据,T表示预设时长,ti0表示第i个集体中的人在预设时长超出肢体活动范围的时长,tis表示第i个集体中的人在预设时长内的睡觉时长,sj表示第i个集体中的人单科j得分,S表示总分,n表示在预设时长迟交作业次数,N表示在预设时长交作业总次数,i表示第i个集体中的人,k表示集体的总人数。
可选地,当测试者为由多人组成的集体时,预先存储的测试指标包括总积极度指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取集体在预设时长内的总举手时长,根据以下公式,确定所述集体的积极度指标;
其中,xh表示集体的积极度指标数据,T表示预设时长,ti表示第i个集体中的人在预设时长内的总举手时长,k表示集体的总人数。
可选地,当测试者为由多人组成的集体时,预先存储的测试指标包括仔细度指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:获取集体在预设时长内的考试得分与失分数据,根据以下公式,确定所述集体的仔细度指标;
其中,xte表示集体的仔细度指标数据,tni表示第i个集体中的人在集体中所有人得分率较高的题目中的失分率,Tni表示集体中所有人在第i个集体中的人失分的题目上的得分率,k表示集体的总人数。
根据第二方面,本发明实施例提供一种注意力评估装置,包括:视频获取模块,用于获取多个预设时长内测试者在课堂环境下的教学视频;数据提取模块,用于根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;结果确定模块,用于将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
根据第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的注意力评估的步骤。
根据第四方面,本发明实施例提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的注意力评估的步骤。
本发明技术方案,具有如下优点:
本实施例提供的注意力评估方法,注意力评估结果是基于测试者在多个预设时长下的教学过程得到的,由于测试者处于熟悉的环境,警惕性较低,获取到的数据信息更加贴合测试者的真实状态,并且采集的是多个预设时长下的教学视频,那么测试者受当天状态的影响也会大大降低,因此,提高了注意力评估结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中注意力评估方法的一个具体示例的流程图;
图2为本发明实施例中注意力评估***的一个具体示例原理框图;
图3为本发明实施例中注意力评估装置的一个具体示例原理框图;
图4为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种注意力评估方法,如图1所示,包括如下步骤:
S101,获取多个预设时长内测试者在课堂环境下的教学视频;
示例性地,预设时长可以是一堂课的时间长度,比如45分钟,多个预设时长可以是一天中的多堂课,为了长期对测试者进行观察,甚至可以是对多个学期测试者所处的课堂环境教学视频进行获取,本实施例对预设时长不做限定,本领域技术人员可以根据需要确定。测试者可以表征单个学生,还可以表征由多个学生组成班级集体。为了减小视频处理量,本实施例还可以间隔0.5秒提取一帧视频图像,对提取出的视频图像进行数据处理。需要说明的是,本实施例中的测试者在课堂环境下的教学视频是经过测试者授权后获取的。
S102,根据预先存储的测试指标,提取教学视频中测试者的测试指标数据;
示例性地,在课堂上测试者的注意力一般可以从多个方面进行衡量,第一方面是学生的课堂参与度,第二个方面是学生的不常规举动,第三个方面是学生的专心程度。一般来说,在课堂上较为专注的学生课堂参与度很高、很少做出不常规动作且比较专心,不易于被外界刺激分心,而对于不够专注的学生课堂参与度低,常常做出不常规动作且易于被外界刺激分心,比如,睡觉、频繁动作或常常思维游离于课堂之外,致使肢体超出正常活动范围等等。预先存储的测试指标可以包括肢体范围指标、专注力指标和积极度指标,其中肢体范围指标可以由测试者肢体超出预先确定的肢体活动范围的情况确定,专注力指标可以由测试者上课睡觉的情况确定,积极度指标可以由测试者课堂举手情况确定。
其中,当测试者肢体范围超出预先确定的肢体活动范围,可以包括两种状态,第一种是测试者思维游离于课堂之外,第二种是受到外界刺激而分心,两种状态之间的区别在于,当测试者思维游离课堂时,其肢体范围超出预先确定的肢体活动范围大于测试者由于受到外界刺激而分心产生的肢体范围。
因此,针对肢体范围指标,本实施例针对上述两种状态分别计算肢体范围指标数据。无论是两种状态中的哪一种,对应的指标数据都可以由测试者的人体检测框数据确定。具体可以是:
首先,通过利用计算机视觉技术直接对摄像头采集到的图像数据进行分析,利用识别出的人体数据进行标注,将获取的人体检测框外接矩形按比例放大为包裹矩形ra,计算ra与采集到的所有人体框架数据矩形集合{rb1,rb2,…,rbn}中矩形区域重叠程度最高的一项rbi,如果量化的重叠程度高于预设的阈值t,就将rbi标注的人体检测框作为测试者的活动范围。此处将重叠程度量化为重叠得分,计算公式如下:
当测试者为每一个学生时,与测试者思维游离于课堂之外对应的肢体范围指标数据可以由在预设时长内测试者肢体活动超出活动范围的次数和时间长度确定,本实施例中可以设置当测试者肢体范围重叠得分si不大于50%时,表示测试者处于思维游离于课堂之外的状态。测试者思维游离于课堂之外对应的肢体范围指标数据具体确定方式可以如下式所示:
其中,xsd表示该学生思维游离于课堂之外对应的肢体范围指标数据,td表示在预设时长内第d次该学生思维游离于课堂之外导致超出活动范围时的时间长度,T为多个预设时长总长度,D为超出活动范围的总次数。
当测试者为每一个学生时,与测试者受到外界刺激分心对应的肢体范围指标数据可以由在预设时长内测试者肢体活动超出活动范围的次数和时间长度确定,本实施例中可以设置当测试者肢体范围重叠得分si不大于60%时,表示测试者处于受到外界刺激而分心的状态。测试者受到外界刺激分心对应的肢体范围指标数据具体确定方式可以如下式所示:
其中,xss表示该学生受到外界刺激分心对应的肢体范围指标数据,tu表示在预设时长内第u次由于受到外界刺激而分心导致超出活动范围时的时间长度,T为多个预设时长总长度,U为超出活动范围的总次数。
针对专注力指标对应的指标数据可以由测试者的姿势和/或眼部特征数据以及判断为睡觉时的睡觉时长数据确定,比如,检测测试者上眼睑和下眼睑之间的距离,以及距离为0的时间长度等等。当测试者为每一个学生时,具体可以由以下公式确定:
其中,xsb表示该学生的专注度指标数据,ta表示该学生在多个预设时长内第a次超出肢体活动范围的时长,A表示在多个预设时长内超出肢体活动范围的总次数,此处的超出肢体活动范围的定义可以是肢体范围重叠得分si小于等于70%,本实施例对此不做限定,本领域技术人员可以根据需要确定,tsb表示该学生在多个预设时长内第b次睡觉的时长,B表示在多个预设时长内睡觉的总次数,T为多个预设时长总长度。
针对积极度指标对应的指标数据可以由测试者的举手姿势以及举手时长数据确定,当测试者为每一个学生时,具体可以由以下公式确定:
其中,xsh表示该学生的积极度指标数据,th表示第h次举手的时间长度,H表示总的举手次数,T为多个预设时长总长度。
S103,将测试指标数据输入至预先建立的多重多元回归模型,得到测试者的注意力评估结果。
示例性地,每一个测试者在A个预设时长内的注意力评估结果以及趋势可以通过以下多重多元回归模型确定:
设有m个自变量x1,x2,……xm,根据以上的四个测试指标数据,此处m=4,对应有A个因变量y1,y2,……,yA,通过最小二乘法线性拟合出他们之间的关系式:
y1=β01+β11x1+β21x2+…+βm1xm+ε1;
y2=β02+β12x1+β22x2+…+βm2xm+ε2;
…
yA=β0p+β1px1+β2px2+…+βmAxm+εA;
其中βmA是注意力评估回归方程参数,εp是随机误差项,随机误差项服从正态分布。
由计算出的A个因变量的波动拟合趋势曲线,形成A个预设时长内测试者注意力的波动情况以及趋势预测,此处可采用时间序列等模型进行预测。
本实施例提供的注意力评估方法,注意力评估结果是基于测试者在多个预设时长下的教学过程得到的,由于测试者处于熟悉的环境,警惕性较低,获取到的数据信息更加贴合测试者的真实状态,并且采集的是多个预设时长下的教学视频,那么测试者受当天状态的影响也会大大降低,因此,提高了注意力评估结果的准确性。
作为本实施例一种可选的实施方式,所述方法还包括:
获取预设时长内包含测试者的学习情况数据;将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
示例性地,本实施例中的学习情况数据为经过测试者授权的数据,可以包括测试者的交作业情况和考试得分情况和失分情况。学生的课下完成作业情况和考试成绩也能够侧面反映出学生的专注力,因此上述的专注力指标数据还可以通过以下公式计算得到:
其中,sj为该学生的考试得分,s为总分,e为迟交作业次数,E为交作业总次数。
另外,根据学习情况数据还可以反映学生的仔细度,而仔细度也能够反映学生的专注度。因此,本实施例中测试指标还包括仔细度指标。当测试指标由5个时,上述公式中m=4。
得到仔细度指标数据的方式可以是获取测试者在全班得分率比较高的题目中的失分率,根据测试者在全班得分率比较高的题目中的失分率确定仔细度指标数据,当测试者为每一个学生时,具体可用以下公式确定:
其中,xste表示该学生的仔细度指标数据,tni表示该学生在全班得分率较高题目中的失分率,Tni为全班的该题目的得分率,i为第i个预设时间,n为总的多个预设时间段总个数。
需要说明的是,当以一堂课作为一个预设时长,那么获取的学习情况数据可以是随堂考试成绩,当以一学期作为一个预设时长,那么获取的学习情况数据可以是期末成绩,也即是说获取的学习情况数据随预设时长定义的变化而变化。
本实施例提供的注意力评估方法,除了获取测试者的视频数据之外,还获取测试者的学习情况数据,更全面地考虑了测试者的注意力影响因素,进一步提高注意力评估结果的准确性。
作为本实施例一种可选的实施方式,当测试者为由多人组成的集体时,预先存储的测试指标包括专注力指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取所述集体在预设时长内超出肢体活动范围的时长、睡觉时长以及学习情况数据,根据以下公式,确定所述集体的专注力指标数据:
其中,xb表示集体的专注力指标数据,T表示预设时长,可以为一堂课的时长,ti0表示第i个集体中的人在预设时长超出肢体活动范围的时长,tis表示第i个集体中的人在预设时长内的睡觉时长,sj表示第i个集体中的人单科j得分,S表示总分,n表示在预设时长迟交作业次数,N表示在预设时长交作业总次数,i表示第i个集体中的人,k表示集体的总人数。
作为本实施例一种可选的实施方式,当测试者为由多人组成的集体时,预先存储的测试指标包括总积极度指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取集体在预设时长内的总举手时长,根据以下公式,确定所述集体的积极度指标;
其中,xh表示集体的积极度指标数据,T表示预设时长,ti表示第i个集体中的人在预设时长内的总举手时长,k表示集体的总人数。
作为本实施例一种可选的实施方式,当测试者为由多人组成的集体时,预先存储的测试指标包括仔细度指标数据,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取集体在预设时长内的考试得分与失分数据,根据以下公式,确定所述集体的仔细度指标;
其中,xte表示集体的仔细度指标数据,tni表示第i个集体中的人在集体中所有人得分率较高的题目中的失分率,Tni表示集体中所有人在第i个集体中的人失分的题目上的得分率,k表示集体的总人数。
当测试者为由多人组成的集体时,预先存储的测试指标包括肢体范围指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
测试者受到外界刺激分心对应的肢体范围指标数据具体确定方式可以如下式所示:
其中,xs表示集体受到外界刺激分心对应的肢体范围指标数据,tai表示在预设时长内第i个集体中的人由于受到外界刺激而分心导致超出活动范围时的时间长度,T为多个预设时长总长度,k为集体总人数。
测试者思维游离于课堂之外对应的肢体范围指标数据具体确定方式可以如下式所示:
其中,xd表示集体思维游离于课堂之外对应的肢体范围指标数据,tbi表示在预设时长内第i个集体中的人思维游离于课堂之外导致超出活动范围时的时间长度,T为多个预设时长总长度,k为集体总人数。
针对p个学生组成的集体,将测试指标数据输入至预先建立的多重多元回归模型,p个学生的注意力评估结果根据以下得到:
设有m个自变量x1,x2,……,xm,根据以上的肢体范围指标、专注力指标、仔细度指标、积极度指标,其中,肢体范围指标包括测试者思维游离课堂时的指标和测试者由于受到外界刺激而分心时的指标,因此,此处m=5,对应有p个因变量y1,y2,……,yp,通过最小二乘法线性拟合出他们之间有关系式:
y1=β01+β11x1+β21x2+…+βm1xm+ε1;
y2=β02+β12x1+β22x2+…+βm2xm+ε2;
…
yp=β0p+β1px1+β2px2+…+βmpxm+εp;
其中,βmp是获取的测试者在多个预设时长内的座位变换参数,εp是随机误差项,假设随机误差项服从正态分布。
将拟合出的代表p个学生的因变量值进行图像形式的呈现,不局限于某种单一形式,例如可以将p个学生的注意力评估结果和班级座位次序利用图像的形式进行直观的关联分析,观察座位次序和学生注意力评估结果是否有显著性的关系,便于老师调换座位。
本实施例还提供一种注意力评估***,如图2所示,包括:前端感知模块、分析计算平台、评价模块以及分析评价结果输出模块。
其中,前端感知模块用于实时感知教室内的学生状态。教室内视频采集模块中,对视频数据进行实时采集和存储;数据流分析处理模块中,对视频序列建模,通过视频结构化算法,对视频内学生进行身份识别、表情特征识别、动作特征识别;最后,基于身份验证结果,根据预先设定的测试指标对测试指标数据进行识别和提取。计算平台中,实时生成的视频非结构化数据、以及结构化特征数据全部同步至信息平台中长期保存。
分析计算平台用于精确到人的特征信息数据的汇聚、清洗和计算分析。对每个注意力测试指标数据进行量化计算分析,再由总的特征数据拟合线性回归模型,最终生成学生的注意力评估结果。在分析计算平台中将每个学生的模型拟合的注意力评估结果进行汇总分析。其一是以多个测试者组成的班级为单位,根据注意力评估结果的正态分布情况进行置信区间的评判,观察处在置信区间外的学生的情况。其二是以单个学生为单位,分析该学生的注意力评估结果的变化趋势。
分析评价结果输出模块用于将评价模型计算结果发送给家长、老师的终端,实时/周期性向家长、老师进行反馈。
本发明实施例还提供一种注意力评估装置,如图3所示,包括:
视频获取模块201,用于获取多个预设时长内测试者在课堂环境下的教学视频;具体内容参见上述实施例对应部分,在此不再赘述。
数据提取模块202,用于根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;具体内容参见上述实施例对应部分,在此不再赘述。
结果确定模块203,用于将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一项可选的实施方式,所述装置还包括:
学习情况数据获取模块,用于获取预设时长内包含测试者的学习情况数据;具体内容参见上述实施例对应部分,在此不再赘述。
第一注意力评估结果确定模块,用于将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一项可选的实施方式,结果确定模块203,包括:
座位变换参数获取模块,用于获取所述测试者在所述多个预设时长内的座位变换参数;具体内容参见上述实施例对应部分,在此不再赘述。
第二注意力评估结果确定模块,用于将所述测试者在所述多个预设时长内的座位变换参数、测试指标数据以及所述学习情况数据,输入至预先建立的多重多元回归模型,得到所述测试者在预设时长内随座位变化产生的注意力评估结果。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一项可选的实施方式,数据提取模块202,包括:
肢体范围提取模块,用于从所述课堂教学视频中提取出所述测试者的肢体活动范围;具体内容参见上述实施例对应部分,在此不再赘述。
肢体时长确定模块,用于根据所述肢体活动范围,确定所述测试者超出预先确定的肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长;具体内容参见上述实施例对应部分,在此不再赘述。
肢体范围指标数据确定模块,用于根据所述测试者在预设时长内超出肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长,确定肢体范围指标数据。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一项可选的实施方式,数据提取模块202,包括:
专注力指标确定模块,用于获取预设时间间隔范围内所述测试者超出肢体活动范围的时长、睡觉时长以及学习情况数据,确定所述测试者的专注力指标数据;具体内容参见上述实施例对应部分,在此不再赘述。
积极度指标确定模块,用于获取预设时间间隔范围内所述测试者的举手次数以及每次举手的时间长度,确定所述测试者的积极度指标数据;具体内容参见上述实施例对应部分,在此不再赘述。
仔细度指标确定模块,用于获取预设时间间隔范围内所述测试者学习情况数据中的考试得分与失分数据,确定所述测试者的仔细度指标。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一种可选的实施方式,数据提取模块202,包括:
总专注力指标数据获取模块,用于当测试者为由多人组成的集体时,获取所述集体在预设时长内超出肢体活动范围的时长、睡觉时长以及学习情况数据,根据以下公式,确定所述集体的专注力指标数据:
其中,xb表示集体的专注力指标数据,T表示预设时长,ti0表示第i个集体中的人在预设时长超出肢体活动范围的时长,tis表示第i个集体中的人在预设时长内的睡觉时长,sj表示第i个集体中的人单科j得分,S表示总分,n表示在预设时长迟交作业次数,N表示在预设时长交作业总次数,i表示第i个集体中的人,k表示集体的总人数。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一种可选的实施方式,数据提取模块202,包括:
总积极度指标数据获取模块,用于当测试者为由多人组成的集体时,获取集体在预设时长内的总举手时长,根据以下公式,确定所述集体的积极度指标;
其中,xh表示集体的积极度指标数据,T表示预设时长,ti表示第i个集体中的人在预设时长内的总举手时长,k表示集体的总人数。具体内容参见上述实施例对应部分,在此不再赘述。
作为本实施例一种可选的实施方式,数据提取模块202,包括:
总积极度指标数据获取模块,用于当测试者为由多人组成的集体时,获取集体在预设时长内的考试得分与失分数据,根据以下公式,确定所述集体的仔细度指标;
其中,xte表示集体的仔细度指标数据,tni表示第i个集体中的人在集体中所有人得分率较高的题目中的失分率,Tni表示集体中所有人在第i个集体中的人失分的题目上的得分率,k表示集体的总人数。具体内容参见上述实施例对应部分,在此不再赘述。
本申请实施例还提供一种电子设备,如图4所示,处理器310和存储器320,其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的船只异常检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中,当被所述处理器310执行时,执行如图1所示实施例中的船只异常检测方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例1中船只异常检测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。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。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种注意力评估方法,其特征在于,包括如下步骤:
获取多个预设时长内测试者在课堂环境下的教学视频;
根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;
将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预设时长内包含测试者的学习情况数据;
将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
3.根据权利要求2所述的方法,其特征在于,将所述测试指标数据以及所述学习情况数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果,包括:
获取所述测试者在所述多个预设时长内的座位变换参数;
将所述测试者在所述多个预设时长内的座位变换参数、测试指标数据以及所述学习情况数据,输入至预先建立的多重多元回归模型,得到所述测试者在预设时长内随座位变化产生的注意力评估结果。
4.根据权利要求2所述的方法,其特征在于,所述测试指标包括肢体范围指标;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
从所述课堂教学视频中提取出所述测试者的肢体活动范围;
根据所述肢体活动范围,确定所述测试者超出预先确定的肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长;
根据所述测试者在预设时长内超出肢体活动范围的次数与每次超出预先确定的肢体活动范围的时长,确定肢体范围指标数据。
5.根据权利要求4所述的方法,其特征在于,所述测试指标还包括专注力指标、积极度指标以及仔细度指标;根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取预设时间间隔范围内所述测试者超出肢体活动范围的时长、睡觉时长以及学习情况数据,确定所述测试者的专注力指标数据;
获取预设时间间隔范围内所述测试者的举手次数以及每次举手的时间长度,确定所述测试者的积极度指标数据;
获取预设时间间隔范围内所述测试者学习情况数据中的考试得分与失分数据,确定所述测试者的仔细度指标。
6.根据权利要求4所述的方法,其特征在于,当测试者为由多人组成的集体时,预先存储的测试指标包括专注力指标,根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据,包括:
获取所述集体在预设时长内超出肢体活动范围的时长、睡觉时长以及学习情况数据,根据以下公式,确定所述集体的专注力指标数据:
其中,xb表示集体的专注力指标数据,T表示预设时长,ti0表示第i个集体中的人在预设时长超出肢体活动范围的时长,tis表示第i个集体中的人在预设时长内的睡觉时长,sj表示第i个集体中的人单科j得分,S表示总分,n表示在预设时长迟交作业次数,N表示在预设时长交作业总次数,i表示第i个集体中的人,k表示集体的总人数。
9.一种注意力评估装置,其特征在于,包括:
视频获取模块,用于获取多个预设时长内测试者在课堂环境下的教学视频;
数据提取模块,用于根据预先存储的测试指标,提取所述教学视频中所述测试者的测试指标数据;
结果确定模块,用于将所述测试指标数据输入至预先建立的多重多元回归模型,得到所述测试者的注意力评估结果。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-8任一所述的注意力评估的步骤。
11.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-8任一所述的注意力评估的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489888.1A CN112528890B (zh) | 2020-12-15 | 2020-12-15 | 一种注意力评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489888.1A CN112528890B (zh) | 2020-12-15 | 2020-12-15 | 一种注意力评估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528890A true CN112528890A (zh) | 2021-03-19 |
CN112528890B CN112528890B (zh) | 2024-02-13 |
Family
ID=75000767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489888.1A Active CN112528890B (zh) | 2020-12-15 | 2020-12-15 | 一种注意力评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528890B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657705A (zh) * | 2021-07-02 | 2021-11-16 | 浙江大学 | 一种电力现货市场参数影响评估方法、装置及存储介质 |
CN114419711A (zh) * | 2022-01-19 | 2022-04-29 | 成都节节高教育科技有限公司 | 基于ai教育***的身份识别方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030198936A1 (en) * | 2002-04-23 | 2003-10-23 | Say-Yee Wen | Real-time learning assessment method for interactive teaching conducted by means of portable electronic devices |
KR20140046652A (ko) * | 2012-10-09 | 2014-04-21 | 경북대학교 산학협력단 | 학습 모니터링 장치 및 학습 모니터링 방법 |
CN107895244A (zh) * | 2017-12-26 | 2018-04-10 | 重庆大争科技有限公司 | 课堂教学质量评估方法 |
CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
CN109241917A (zh) * | 2018-09-12 | 2019-01-18 | 南京交通职业技术学院 | 一种基于计算机视觉的课堂行为检测*** |
KR101959079B1 (ko) * | 2018-10-08 | 2019-03-18 | 주식회사 마이베네핏 | 신체 측정 및 평가 방법 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析*** |
CN110059614A (zh) * | 2019-04-16 | 2019-07-26 | 广州大学 | 一种基于人脸情绪识别的智能辅助教学方法及*** |
CN110097099A (zh) * | 2019-04-19 | 2019-08-06 | 北京中庆现代技术股份有限公司 | 一种基于学生课堂表现性行为和成绩的关联分析方法 |
CN110110958A (zh) * | 2019-03-18 | 2019-08-09 | 深圳市深网视界科技有限公司 | 一种学情分析方法、电子设备及存储介质 |
CN110598632A (zh) * | 2019-09-12 | 2019-12-20 | 深圳市商汤科技有限公司 | 目标对象的监测方法及装置、电子设备和存储介质 |
WO2020024688A1 (zh) * | 2018-08-01 | 2020-02-06 | 深圳市心流科技有限公司 | 注意力测评方法、***及计算机可读存储介质 |
CN111046823A (zh) * | 2019-12-19 | 2020-04-21 | 东南大学 | 基于课堂视频的学生课堂参与度分析*** |
CN111325082A (zh) * | 2019-06-28 | 2020-06-23 | 杭州海康威视***技术有限公司 | 一种人员专注度分析方法及装置 |
US20200234606A1 (en) * | 2019-01-22 | 2020-07-23 | International Business Machines Corporation | Personalized educational planning based on user learning profile |
CN111680558A (zh) * | 2020-04-29 | 2020-09-18 | 北京易华录信息技术股份有限公司 | 一种基于视频图像的学习专注力评估方法及装置 |
-
2020
- 2020-12-15 CN CN202011489888.1A patent/CN112528890B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030198936A1 (en) * | 2002-04-23 | 2003-10-23 | Say-Yee Wen | Real-time learning assessment method for interactive teaching conducted by means of portable electronic devices |
KR20140046652A (ko) * | 2012-10-09 | 2014-04-21 | 경북대학교 산학협력단 | 학습 모니터링 장치 및 학습 모니터링 방법 |
CN107895244A (zh) * | 2017-12-26 | 2018-04-10 | 重庆大争科技有限公司 | 课堂教学质量评估方法 |
CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
WO2020024688A1 (zh) * | 2018-08-01 | 2020-02-06 | 深圳市心流科技有限公司 | 注意力测评方法、***及计算机可读存储介质 |
CN109241917A (zh) * | 2018-09-12 | 2019-01-18 | 南京交通职业技术学院 | 一种基于计算机视觉的课堂行为检测*** |
KR101959079B1 (ko) * | 2018-10-08 | 2019-03-18 | 주식회사 마이베네핏 | 신체 측정 및 평가 방법 |
US20200234606A1 (en) * | 2019-01-22 | 2020-07-23 | International Business Machines Corporation | Personalized educational planning based on user learning profile |
CN110110958A (zh) * | 2019-03-18 | 2019-08-09 | 深圳市深网视界科技有限公司 | 一种学情分析方法、电子设备及存储介质 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析*** |
CN110059614A (zh) * | 2019-04-16 | 2019-07-26 | 广州大学 | 一种基于人脸情绪识别的智能辅助教学方法及*** |
CN110097099A (zh) * | 2019-04-19 | 2019-08-06 | 北京中庆现代技术股份有限公司 | 一种基于学生课堂表现性行为和成绩的关联分析方法 |
CN111325082A (zh) * | 2019-06-28 | 2020-06-23 | 杭州海康威视***技术有限公司 | 一种人员专注度分析方法及装置 |
CN110598632A (zh) * | 2019-09-12 | 2019-12-20 | 深圳市商汤科技有限公司 | 目标对象的监测方法及装置、电子设备和存储介质 |
CN111046823A (zh) * | 2019-12-19 | 2020-04-21 | 东南大学 | 基于课堂视频的学生课堂参与度分析*** |
CN111680558A (zh) * | 2020-04-29 | 2020-09-18 | 北京易华录信息技术股份有限公司 | 一种基于视频图像的学习专注力评估方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657705A (zh) * | 2021-07-02 | 2021-11-16 | 浙江大学 | 一种电力现货市场参数影响评估方法、装置及存储介质 |
CN113657705B (zh) * | 2021-07-02 | 2023-08-04 | 浙江大学 | 一种电力现货市场参数影响评估方法、装置及存储介质 |
CN114419711A (zh) * | 2022-01-19 | 2022-04-29 | 成都节节高教育科技有限公司 | 基于ai教育***的身份识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112528890B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Curran et al. | Structural equation modeling of repeated measures data: Latent curve analysis | |
Miyoshi et al. | A decision-congruent heuristic gives superior metacognitive sensitivity under realistic variance assumptions. | |
McLeod et al. | Diagnostic and behavioral assessment in children and adolescents: A clinical guide | |
US10722164B2 (en) | Method and system for detection and analysis of cognitive flow | |
Creeden | Taking a developmental approach to treating juvenile sexual behavior problems. | |
CN104185020B (zh) | 一种检测立体视觉疲劳度的***及方法 | |
Pezzuti et al. | The relevance of logical thinking and cognitive style to everyday problem solving among older adults | |
Dadds et al. | Behavioral observation | |
Mutlu et al. | The Effects of Computer Assisted Instruction Materials on Approximate Number Skills of Students with Dyscalculia. | |
CN112528890A (zh) | 一种注意力评估方法、装置及电子设备 | |
Colker | Politics trump science: The collision between no child left behind and the individuals with disabilities education act | |
Hyde et al. | The relationship between non‐verbal systems of number and counting development: A neural signatures approach | |
Choi et al. | Robot-assisted ADHD screening in diagnostic process | |
CN115177253A (zh) | 基于多模态数据学生心理危机预警*** | |
Zygouris et al. | Screening for Disorders of Mathematics via a web application | |
Grohs et al. | Evaluating the potential of fNIRS neuroimaging to study engineering problem solving and design | |
Kaddachi et al. | Technological Approach for Behavior Change Detection toward Better Adaptation of Services for Elderly People. | |
Minkin et al. | Jung was right. Vibraimage Technology Proves the Different Directions of Energy Distribution for Extraverted and Introverted Psychophysiological States | |
Zembat et al. | Validity and Reliability of the DeMoulin Self Concept Developmental Scale for the 36 72 Month Old Children | |
Politou | Investigation of the Feelings, Attitudes and Concerns of Special and General Education Teachers Regarding the Inclusive Education of Students with ADHD. | |
Ghisletta et al. | Age differences in day-to-day speed-accuracy tradeoffs: results from the COGITO study | |
Buettner et al. | Machine Learning Based Diagnostics of Developmental Coordination Disorder using Electroencephalographic Data | |
Alivar et al. | A pilot study on predicting daytime behavior & sleep quality in children with asd | |
Steinbach et al. | Measurement of optimal learning environments: validation of the parents' attitudes towards self-regulated learning scale | |
Chen et al. | A sensitivity analysis method of human factors measurement tools in pilot distraction |
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 |