一种情绪设计对在线学习认知负荷影响的评估方法技术

本发明专利技术公开了一种情绪设计对在线学习认知负荷影响的评估方法，按如下步骤进行：S1:通过脑电信号采集器采集学习者的脑电信号和通过眼动信号采集器采集学习者的眼动信号；S2：利用非线性动力学和小波变换的方法对脑电信号进行分析，得出脑电特征；同时提取眼动信号的眼动指标，得出眼动特征；S3:对脑电特征和眼动特征进行降维，利用机器学习对降维后的脑电特征和眼动特征进行识别，从而对认知负荷状态进行分类；S4:根据认知负荷指标进行评估。本发明专利技术可以发现不同情绪设计在线课程与生理特征之间的关联，并应用机器学习对不同情绪设计在线课程引起的认知负荷状态进行分类，用以辅助学习者提高在线学习的学习效果和学习表现。学习者提高在线学习的学习效果和学习表现。学习者提高在线学习的学习效果和学习表现。

【技术实现步骤摘要】
一种情绪设计对在线学习认知负荷影响的评估方法


[0001]本专利技术涉及评估方法，特别是涉及一种情绪设计对在线学习认知负荷影响的评估方法。

技术介绍

[0002]近段时间，新冠病毒在全球的蔓延对世界各国的教育和正常办公都产生了极大影响，学生被迫在家进行远程学习，进而出现了越来越多的在线学习资源，这些资源的质量参差不齐。而数字学习资源是在线学习的关键要素。根据sweller等人对认知负荷的分类可知，学生进行在线学习过程中总的认知负荷，是内在认知负荷(Intrinsic Cognitive Load,简称ICL)、外在认知负荷(Extraneous Cognitive Load,简称ECL)和相关认知负荷(Germane Cognitive Load,简称GCL)，三种认知负荷的总和。认知负荷理论认为，人的认知资源是有限的，而任何学习和问题解决活动都要消耗认知资源，都有可能造成认知上的负荷。因此，认知负荷理论研究的主要目的就是在教学过程中控制工作记忆负荷，即最大限度地降低阻碍学习的认知负荷、优化促进学习的认知负荷，使学习者合理地利用有限的认知资源，达到最好的学习效果。
[0003]近年来，研究人员越来越关注在认知任务中保持最佳认知负荷水平。已有大量的实验室在多任务场景下对认知负荷的监测展开研究，以将学习者的认知负荷维持在一个最佳水平。根据认知负荷理论，任务的复杂度引起的认知负荷差异只是内在认知负荷造成的，而外在认知负荷(如：在线课程设计方式)也会从另一个角度影响学习者的总体认知负荷，这在之前大部分的研究中是没有考虑到的。
[0004]关于认知负荷对人的行为和生理参数的影响已有了广泛的研究。学习者认知负荷的变化在行为水平上是可以观察到的，例如学习者学习成绩的下降，在心理生理水平上也可以观察到，例如由于难度增加导致的脑电图(EEG)不通频段振荡活动的增加或减少。脑电图theta(4
‑
8Hz)和alpha(8
‑
11Hz)振荡活动似乎在功能上涉及较高的大脑功能，包括工作记忆，执行控制和集中注意力。脑电图也已被证明是一种有效的监测记忆负荷的非侵入性方法，并且对不同的认知状态高度敏感。而眼动追踪在分析教学材料方面也十分普遍和流行，之前的研究已经证实，瞳孔直径是心理负荷的敏感指标。此外，在一项研究中同时分析眼动和脑电数据被认为可以提供进一步的见解。
[0005]目前已有很多研究提出认知负荷的衡量指标，但这些指标的提出都不是基于在线学习场景，如pope等人使用反应自动化系统中操作员的任务参与度，Anu Holm等人使用预测多任务过程中大脑的认知变化。其次，经典认知负荷的研究往往涉及较多的电极来监测EEG活动，而在实际的应用场景下，需要寻求更加简单易操作的方法来降低脑电监测设备对学习者在学习过程中的干扰。此外，很多学者尝试将多模态生理信息进行融合以期提高人的搜索意图、动作意图或认知状态识别准确率，而运用融合的多模态生理信息的分类性能如何目前尚无定论。针对以上问题，如何探寻不同在线课程设计原则与基于EEG和眼动追踪多模态生理特征之间的关联，并应用机器学习技术对不同设计原则引起的认知负荷状态进
行分类和识别成为了申请人亟待解决的技术问题。

技术实现思路

[0006]本专利技术的目的在于，提供一种情绪设计对在线学习认知负荷影响的评估方法。本专利技术可以发现不同情绪设计在线课程与生理特征之间的关联，并应用机器学习对不同情绪设计在线课程引起的认知负荷状态进行分类，用以辅助学习者提高在线学习的学习效果和学习表现。
[0007]为解决上述技术问题，本专利技术提供的技术方案如下：一种情绪设计对在线学习认知负荷影响的评估方法，包括学习者佩戴脑电信号采集器和眼动信号采集器进行在线课程学习，在线课程包括积极情绪设计在线课程和中性情绪设计在线课程，按如下步骤进行：
[0008]S1:在学习在线课程过程中，通过脑电信号采集器采集学习者的脑电信号，通过眼动信号采集器采集学习者的眼动信号；
[0009]S2：利用非线性动力学和小波变换的方法对脑电信号进行分析，得出用于评估学习者认知状态的脑电特征；同时提取眼动信号的眼动指标，得出用于评估学习者认知状态的眼动特征；
[0010]S3:对脑电特征和眼动特征进行降维，利用机器学习对降维后的脑电特征和眼动特征进行识别，从而对在线课程学习中学习者的认知负荷状态进行分类；
[0011]S4:根据认知负荷指标进行评估。
[0012]上述的情绪设计对在线学习认知负荷影响的评估方法，采用非线性动力学的近似熵和样本熵对脑电信号进行分析，得到脑电特征中的近似熵特征和样本熵特征；
[0013]其中，给定一脑电信号的时间序列{x(n)}＝{x(1)，x(2)，x(3)，
…
，x(N)}，对应的近似熵按照以下步骤进行计算：
[0014]A.1、时间序列上每连续m个数据组成一个m维矢量，即：
[0015]y
i
＝{x
i
，x
i+1
，x
i+2
，...，x
(i+m
‑
1)
}，1≤i≤n
‑
m；
[0016]A.2、设序列{X
t
(j)}与序列{X
t
(k)}的距离记为d[X
t
(j)，X
t
(k)]，其含义为两时间序列的矢量的每一对应位置元素的差值的绝对值的最大者，即：
[0017][0018]A.3、给定相似的阈值容限W，对于两个时间序列{X
t
(j)}与{X
t
(k)}，若二者的距离不超过容限W，则认为它们是相似的；统计时间序列{X
t
(j)}与其它所有时间序列相似的数目，并计算其与总距离数目的比例即：
[0019][0020]A.4、计算所有时间序列与原时间序列相似性的平均值即
[0021][0022]A.5、将维度增加至t+1维，重新进行A.1
‑
A.4，计算出为：
[0023][0024]A.6、近似熵定义如下：
[0025][0026]A.7、样本熵定义如下：
[0027][0028][0029]给定一脑电信号的时间序列{x(i)，i＝1，2，
…
，N}，对应的样本熵按照以下步骤进行计算：
[0030]B.1、给定原始数据序列{x(i)，i＝1，2，
…
，N}，依次构造m维向量：
[0031]X
m
(i)＝[x(i)，x(i+1)，
…
，x(i+m
‑
1)]，1≤i≤N
‑
m+1
[0032]其中，m是窗口长度；
[0033]B.2、定义向量X
m
(i)和X
m
(i)之间的距离为：
[0034]d[X...

【技术保护点】

【技术特征摘要】
1.一种情绪设计对在线学习认知负荷影响的评估方法，包括学习者佩戴脑电信号采集器和眼动信号采集器进行在线课程学习，在线课程包括积极情绪设计在线课程和中性情绪设计在线课程，其特征在于：按如下步骤进行：S1:在学习在线课程过程中，通过脑电信号采集器采集学习者的脑电信号，通过眼动信号采集器采集学习者的眼动信号；S2：利用非线性动力学和小波变换的方法对脑电信号进行分析，得出用于评估学习者认知状态的脑电特征；同时提取眼动信号的眼动指标，得出用于评估学习者认知状态的眼动特征；S3:对脑电特征和眼动特征进行降维，利用机器学习对降维后的脑电特征和眼动特征进行识别，从而对在线课程学习中学习者的认知负荷状态进行分类；S4:根据认知负荷指标进行评估。2.根据权利要求1所述的情绪设计对在线学习认知负荷影响的评估方法，其特征在于：采用非线性动力学的近似熵和样本熵对脑电信号进行分析，得到脑电特征中的近似熵特征和样本熵特征；其中，给定一脑电信号的时间序列{x(n)}＝{x(1)，x(2)，x(3)，
…
，x(N)}，对应的近似熵按照以下步骤进行计算：A.1、时间序列上每连续m个数据组成一个m维矢量，即：y
i
＝{x
i
，x
i+1
，x
i+2
，...，x
(i+m
‑
1)
}，1≤i≤n
‑
m；A.2、设序列{X
t
(j)}与序列{X
t
(k)}的距离记为d[X
t
(j)，X
t
(k)]，其含义为两时间序列的矢量的每一对应位置元素的差值的绝对值的最大者，即：A.3、给定相似的阈值容限W，对于两个时间序列{X
t
(j)}与{X
t
(j)}，若二者的距离不超过容限W，则认为它们是相似的；统计时间序列{X
t
(j)}与其它所有时间序列相似的数目，并计算其与总距离数目的比例即：A.4、计算所有时间序列与原时间序列相似性的平均值即A.5、将维度增加至t+1维，重新进行A.1
‑
A.4，计算出为：
A.6、近似熵定义如下：给定一脑电信号的时间序列{x(i)，i＝1，2，
…
，N}，对应的样本熵按照以下步骤进行计算：B.1、给定原始数据序列{x(i)，i＝1，2，
…
，N}，依次构造m维向量：X
m
(i)＝[x(i)，x(i+1)，
…
，x(i+m
‑
1)]，1≤i≤N
‑<...

【专利技术属性】
技术研发人员：柳杨，吴晨楠，郭翔，马伟锋，祝天水，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：