一种针对在线学习的情感状态调节系统技术方案

本发明专利技术提供一种针对在线学习的情感状态调节系统，实现在线学习者与在线学习系统的智能交互。所述系统包括：采集模块，用于采集用户在线学习时的生理信号和面部表情图像，并将其上传至情感识别模块；情感识别模块，用于对接收到的用户的生理信号和面部表情图像进行分析，预测用户对学习素材的情感状态；情感调节模块，用于若用户的情感状态不在预设的最优学习状态，则根据预设的情感调节策略进行学习素材的调整。本发明专利技术涉及智能服务技术领域。

An Emotional State Regulation System for Online Learning

The invention provides an emotional state regulation system for online learning, realizing intelligent interaction between online learners and online learning system. The system includes: acquisition module, which is used to collect physiological signals and facial expression images of users during online learning, and upload them to emotional recognition module; emotional recognition module, which is used to analyze received physiological signals and facial expression images of users, and to predict the emotional state of users on learning materials; and emotional regulation module, which is used for the absence of emotional state of users. The presupposed optimal learning state is adjusted according to the presupposed emotional adjustment strategy. The invention relates to the technical field of intelligent service.

【技术实现步骤摘要】
一种针对在线学习的情感状态调节系统
本专利技术涉及智能服务
，特别是指一种针对在线学习的情感状态调节系统。
技术介绍
在线学习在世界范围内迅速发展，越来越多的人开始使用这种新兴的教育方式学习，但在线学习欠缺情感和互动是一直存在的问题，而情感计算能够很好地解决在线学习欠缺的情感和互动问题。为了让人机之间实现更加和谐的交流，我们需要在交互过程中充分发挥情感的价值。
技术实现思路
本专利技术要解决的技术问题是提供一种针对在线学习的情感状态调节系统，以解决现有技术所存在的在线学习欠缺情感和互动的问题。为解决上述技术问题，本专利技术实施例提供一种针对在线学习的情感状态调节系统，包括：采集模块，用于采集用户在线学习时的生理信号和面部表情图像，并将其上传至情感识别模块；情感识别模块，用于对接收到的用户的生理信号和面部表情图像进行分析，预测用户对学习素材的情感状态；情感调节模块，用于若用户的情感状态不在预设的最优学习状态，则根据预设的情感调节策略进行学习素材的调整。进一步地，所述采集模块包括：生理信号采集模块，用于利用可穿戴生理传感器采集用户在线学习时的生理信号，其中，所述生理信号包括：皮肤电信号、血容量脉冲信号、血压信号、皮肤温度中的一种或多种；面部表情采集模块，用于利用摄像装置采集用户在线学习时的面部表情图像。进一步地，所述情感状态包括：感知难度、感知压力、兴趣度中的一种或多种。进一步地，所述情感识别模块，用于对接收到的生理信号和面部表情图像进行处理、提取情感特征，使用粒子群优化算法从提取的情感特征中进行特征选择，将选择的特征和用户自我报告中的标签，输入到机器学习模型中，使用逻辑回归预测算法对用户的感知难度、感知压力和/或兴趣度进行预测；其中，所述情感特征包括：时域特征、频域特征、时频域特征及非线性特征。进一步地，用户自我报告通过自我评价模型对在线学习中用户的情感状态定量分析，产生机器学习时需要的标签数据：归一化后的唤醒度、效价和控制度分数；其中，对于第x组学习素材，通过用平均评分μx除以标准差σx归一化唤醒度、效价和控制度的分数。进一步地，所述情感识别模块，用于对接收到的生理信号和面部表情图像进行处理、提取情感特征，使用粒子群优化算法从提取的情感特征中进行特征选择，将选择的特征并将用户自我报告中归一化后的唤醒度、效价和控制度分数作为机器学习的标签，输入到机器学习模型中，使用机器学习实现对情感特征的AVS回归分析，并将其映射在AVS情感空间中对其进行聚类或逻辑回归，结合用户自我报告，预测用户的感知难度、感知压力和/或兴趣度。进一步地，所述机器学习模型为支持向量机模型，所述支持向量机模型的参数优化步骤包括：步骤一，初始化参数：每个个体的维数m，种群个体总数N，子种群个数M，子群局部搜索次数n，控制参数的初值t及其衰减因子Δt和停止条件S；步骤二，随机产生一个个体X，该个体的每维变量Xi∈(0,1)，i＝1,…,m，对X进行混沌映射，得到X′i+1，即：将Xi′映射回原优化空间中：newXi＝a+(b-a)*Xi′(2)其中，[a，b]是原优化空间中第i维变量的定义域，则得到混沌扰动量newX＝(newX1,newX2,…,newXi,…,newXm)；利用式(1)产生N1个个体Xj,j＝1,…,N1，再利用式(2)将Xj的每一维映射到原优化空间中，得到N1个在优化范围的初始个体newXj，并计算其适应度函数，从中选取性能达到预设条件的N个个体形成混合蛙跳算法的初始个体；步骤三，将N个个体的适应度值从优到劣排序，依次将个体划分到各子群；步骤四，对每个子群体进行局部深度搜索，重复执行以下步骤n次：a.根据适应度值更新当前迭代中子群体的最优个体位置Xb和全局最优个体位置Xg，并确定当前迭代中子群体的最差个体位置Xw；b.对Xw执行以下更新操作：蛙跳步长更新：Di＝rand()(Xb-Xw)(-Dmax≤Di≤Dmax)(3)位置更新：newXw＝Xw+Di(4)其中，rand()表示均匀分布在[0,1]之间的随机数；Dmax表示青蛙所允许更新步长的最大值；如果newXw的适应度值有改进，则取代Xw；若无改进，则Di＝rand()(Xg-Xw)(-Dmax≤Di≤Dmax)；如果newXw的适应度值仍没有改进，则随机产生一个新的Xw，然后计算当前子群体的平均适应度值f′；c.对适应度值优于f′的所有个体进行高斯变异：mutation(x)＝x(1+N(0,1))，x表示当前个体，N(0,1)表示期望为0、标准差为1的正态分布随机数；依照梅特罗波利斯接受准则来接受变异后的个体：Δf为变异后个体与变异前个体的适应度差值，如果Δf<0，则用高斯变异后的个体代替高斯变异前的个体；如果Δf≥0且其中，t为控制参数，rand()表示均匀分布在[0,1]之间的随机数，则用高斯变异后的个体代替高斯变异前的个体，否则，原个体保持不变；d.对适应度值差于f′的所有个体，按照式(1)和式(2)进行混沌映射；映射后得到的新个体也依照梅特罗波利斯接受准则来选择：如果Δf<0或者Δf≥0且其中，t为控制参数，rand()表示均匀分布在[0,1]之间的随机数，则用映射后的新个体代替原个体，否则原个体保持不变；步骤五，所有子群体都完成局部深度搜索后，若达到停止条件S，则搜索过程结束，输出全局最优值；否则，修改控制参数t＝Δt*t，将全部个体重新混合，转至步骤三。进一步地，所述情感调节模块，用于若用户的情感状态不在预设的最优状态时，则根据情感识别模块预测得到的用户的情感状态，结合预设的心流理论以及学习难度变化对学习心理的影响，调整学习素材，使用户的情感状态处于最优学习状态。进一步地，所述系统还包括：询问模块，用于当用户的情感状态不在预设的最优学习状态时，询问用户是否同意调整；若同意，则执行根据预设的情感调节策略进行学习素材的调整步进一步地，所述系统还包括：可视化模块，用于保存采集的用户的生理信号和面部表情图像进行备份，并显示用户的生理信号的波形图及用户的面部表情。本专利技术的上述技术方案的有益效果如下：上述方案中，通过采集模块采集用户在线学习时的生理信号和面部表情图像，并将其上传至情感识别模块；情感识别模块对接收到的用户的生理信号和面部表情图像进行分析，预测用户对学习素材的情感状态；若用户的情感状态不在预设的最优学习状态，情感调节模块则根据预设的情感调节策略进行学习素材的调整，使用户的情感状态处于最优学习状态，最终实现在线学习者与在线学习系统的智能交互。附图说明图1为本专利技术实施例提供的针对在线学习的情感状态调节系统的结构示意图；图2为本专利技术实施例提供的针对在线学习的情感状态调节系统的详细结构示意图；图3为本专利技术实施例提供的基于难度感知的动态难度调整示意图；图4为本专利技术实施例提供的基于改进SFLA算法优化SVM模型参数流程示意图；图5为本专利技术实施例提供的情感识别流程示意图；图6为本专利技术实施例提供的针对在线学习的情感状态调节系统的工作流程示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术针对现有的在线学习欠缺情感和互动的问题，提供一种针对在线学习的情感状态调节系统。本文档来自技高网...

【技术保护点】
1.一种针对在线学习的情感状态调节系统，其特征在于，包括：采集模块，用于采集用户在线学习时的生理信号和面部表情图像，并将其上传至情感识别模块；情感识别模块，用于对接收到的用户的生理信号和面部表情图像进行分析，预测用户对学习素材的情感状态；情感调节模块，用于若用户的情感状态不在预设的最优学习状态，则根据预设的情感调节策略进行学习素材的调整。

【技术特征摘要】
1.一种针对在线学习的情感状态调节系统，其特征在于，包括：采集模块，用于采集用户在线学习时的生理信号和面部表情图像，并将其上传至情感识别模块；情感识别模块，用于对接收到的用户的生理信号和面部表情图像进行分析，预测用户对学习素材的情感状态；情感调节模块，用于若用户的情感状态不在预设的最优学习状态，则根据预设的情感调节策略进行学习素材的调整。2.根据权利要求1所述的针对在线学习的情感状态调节系统，其特征在于，所述采集模块包括：生理信号采集模块，用于利用可穿戴生理传感器采集用户在线学习时的生理信号，其中，所述生理信号包括：皮肤电信号、血容量脉冲信号、血压信号、皮肤温度中的一种或多种；面部表情采集模块，用于利用摄像装置采集用户在线学习时的面部表情图像。3.根据权利要求1所述的针对在线学习的情感状态调节系统，其特征在于，所述情感状态包括：感知难度、感知压力、兴趣度中的一种或多种。4.根据权利要求1所述的针对在线学习的情感状态调节系统，其特征在于，所述情感识别模块，用于对接收到的生理信号和面部表情图像进行处理、提取情感特征，使用粒子群优化算法从提取的情感特征中进行特征选择，将选择的特征和用户自我报告中的标签，输入到机器学习模型中，使用逻辑回归预测算法对用户的感知难度、感知压力和/或兴趣度进行预测；其中，所述情感特征包括：时域特征、频域特征、时频域特征及非线性特征。5.根据权利要求4所述的针对在线学习的情感状态调节系统，其特征在于，用户自我报告通过自我评价模型对在线学习中用户的情感状态定量分析，产生机器学习时需要的标签数据：归一化后的唤醒度、效价和控制度分数；其中，对于第x组学习素材，通过用平均评分μx除以标准差σx归一化唤醒度、效价和控制度的分数。6.根据权利要求5所述的针对在线学习的情感状态调节系统，其特征在于，所述情感识别模块，用于对接收到的生理信号和面部表情图像进行处理、提取情感特征，使用粒子群优化算法从提取的情感特征中进行特征选择，将选择的特征并将用户自我报告中归一化后的唤醒度、效价和控制度分数作为机器学习的标签，输入到机器学习模型中，使用机器学习实现对情感特征的AVS回归分析，并将其映射在AVS情感空间中对其进行聚类或逻辑回归，结合用户自我报告，预测用户的感知难度、感知压力和/或兴趣度。7.根据权利要求6所述的针对在线学习的情感状态调节系统，其特征在于，所述机器学习模型为支持向量机模型，所述支持向量机模型的参数优化步骤包括：步骤一，初始化参数：每个个体的维数m，种群个体总数N，子种群个数M，子群局部搜索次数n，控制参数的初值t及其衰减因子Δt和停止条件S；步骤二，随机产生一个个体X，该个体的每维变量Xi∈(0,1)，i＝1,…,m，对X进行混沌映射，得到X′i+1，即：将X′i映射回原优化空间中：newXi＝a+(b-a)*X′i(2)其中，[a，b]是原优化空间中第i维变量的定义域，则得到混沌扰动量newX＝(newX1,newX2,…,newXi,…,newXm)；利用式(1)产...

【专利技术属性】
技术研发人员：解仑，张安琪，谭志凌，王志良，王先梅，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11