一种基于生理信息特征融合的大学生成绩预测方法技术

本发明专利技术公开了一种基于生理信息特征融合的大学生成绩预测方法，属于人工智能教育数据挖掘技术领域，该预测方法利用学生手环获取体温信息、心率信息、血压信息、计步信息、睡眠信息及位置信息，并通过API接口将这些数据传入服务器，在位置信息里判断是否在学习区域；此外，采用调查问卷的方式收集基本信息；针对这些位置数据，使用Apriori算法进行关联度分析；通过数据可视化，查看每个特征与成绩的关系，挑选出有效的基本信息和动态信息，使用最大值

【技术实现步骤摘要】
一种基于生理信息特征融合的大学生成绩预测方法


[0001]本专利技术属于人工智能教育数据挖掘
，具体涉及一种基于生理信息特征融合的大学生成绩预测方法。

技术介绍

[0002]大学生成绩预测可以使教师尽早了解每个学生的真实学习水平，在学生出现学习困难、学习积极性低等主客观问题时，教师能够实施有针对性的教学干预，这样就可以避免挂科学生在最终测试环节中才被发现，达到学业预警的效果，减小挂科率，以避免造成无法完成学业等问题。成绩预测方案所需的数据一般来自于学生线上上课的举手次数、作业提交次数、在线学习时间等，再结合采集摄像头和麦克风等设备的计算机视觉信息，分析出学生课堂行为数据，最后进行学生成绩预测。这种方式的数据来源主要依赖于线上上课时的计算机网络和摄像头、麦克风等专业的设备，但在线下上课或者网络不佳时就很难收集到足够多的可用数据。而且每个学生的都需要一部专业设备，从而导致实验价格昂贵，难以大面积使用。
[0003]此外还有使用一卡通数据和早餐数据进行成绩预测的方式。这种方式虽然解决了设备昂贵、无法大面积使用的问题，但由于所采到数据种类稀少，对预测模型来说有很大的局限性。同时，学生非课堂学习行为也是影响成绩的主要因素之一，使用一卡通这种方法不能实时跟踪学生非课堂时间所在的地点，使实验缺乏全面性。
[0004]因此，为了成绩预测更加准确，急需一种便携、可大面积使用、采集数据种类多、能实时追踪学生位置的方法来进行成绩预测。另外，对于数据挖掘领域的成绩预测而言，数据清洗的难易程度也是必须考虑的。
专利
技术实现思路

[0005]针对现有技术中存在的上述缺陷，本专利技术提供了一种基于生理信息特征融合的大学生成绩预测方法，该预测方法利用学生手环的内置体温传感器获取体温信息，心率传感器获取心率信息，血压传感器获取血压信息，计步传感器获取计步信息，睡眠传感器获取睡眠信息，GPS定位功能获取位置信息，并通过API接口将这些数据传入服务器，对位置、体温、心率、血压、计步、睡眠信息数据进行解码、提取特征；此外，采用调查问卷的方式收集学生的年龄、寝室、出生地、高考成绩、毕业院校等基本信息。接下来，通过数据可视化，查看每个特征与成绩的关系，挑选出有效的基本信息和动态信息，使用最大值
‑
最小值归一化的方法进行预处理。针对位置数据，使用Apriori算法进行关联度分析作为特征的补充。选用不同的分类算法构建分类模型，通过采集到的数据制作数据集作为模型的输入，最后通过深度知识追踪模型实现基于生理信息特征融合的大学生成绩预测。
[0006]本专利技术通过如下技术方案实现：
[0007]一种基于生理信息特征融合的大学生成绩预测方法，具体包括如下步骤：
[0008]步骤一：数据采集：
[0009]通过问卷调查采集学生的基本信息数据，通过学生佩戴手环采集学生的动态信息数据；
[0010]步骤二：数据可视化分析和预处理：
[0011]将各项基本信息与成绩的关系进行数据可视化，各项的动态信息与成绩的关系进行数据可视化，挑选出有效的基本信息和动态信息；并对上述各数据集分别进行最大值
‑
最小值归一化处理，以消除量纲的影响；
[0012]步骤三：位置关联度分析：
[0013]基于Apriori算法进行关联度分析，获得学生课堂学习行为习惯和非课堂学习行为习惯的支持度和置信度数据，将支持度和置信度数据做成数据集补充至经过处理的有效的动态信息数据中，作为新的动态信息；
[0014]步骤四：构建类似深度神经网络的模型：
[0015]将经过步骤二及步骤三处理后的数据分为三组，分别为基本信息、新的动态信息、基本信息+新的动态信息；分别采用多个不同机器学习算法对三组数据分别进行评估和预测学生成绩；调整各个机器学习模型的参数，寻找到最优阈值，以准确率排名前三的模型组成多分类器，结果进行投票决策的方式进行；以准确率排名第一的机器学习模型为隐藏层构建类似深度神经网络的模型；
[0016]步骤五：成绩预测：
[0017]将投票决策的预测结果和类似深度神经网络模型的预测结果与基本信息+新的动态信息组成新的数据集，作为深度知识追踪模型的输入，进行最终的成绩预测。
[0018]进一步地，步骤一中通过问卷调查获取学生的年龄、寝室、出生地、高考成绩及毕业学校数据；通过手环获取学生心率、体温、位置及计步动态数据；将采集到的数据以字符串的形式传进服务器内，收集到一定的数据后对数据进行解码、分类、导出，以供更为方便的进行数据挖掘和学习行为分析。
[0019]进一步地，步骤一中学生佩戴的手环内置有体温传感器、心率传感器、血压传感器、计步传感器、睡眠传感器及GPS定位模块；所述体温传感器用于获取体温信息，心率传感器用于获取心率信息，血压传感器用于获取血压信息，计步传感器用于获取计步信息，睡眠传感器用于获取睡眠信息，GPS定位模块用于获取位置信息。
[0020]进一步地，步骤二中所述学生动态信息数据包括心率、血压、计步、睡眠数据进行归一化处理；
[0021]所述归一化处理采用如下公式：
[0022][0023]其中，x为数据值，max为最大值，min为最小值。
[0024]进一步地，步骤三中基于Apriori算法进行关联度分析，具体包括如下：
[0025]A、通过迭代，检索出数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；
[0026]B、利用频繁项集构造出满足用户最小信任度的规则；通过Apriori算法，将支持度阈值设置为0.01，置信度设置为0.1，对位置信息进行数据挖掘分析，获得学生的课堂学习行为习惯和非课堂学习行为习惯。
[0027]进一步地，步骤三中所述位置信息分为学习地区、生活地区、运动地区、寝室地区、饮食地区、工作地区、外地地区以及其他未知地区。
[0028]进一步地，步骤四所述不同机器学习算法包括KNN、随机森林、SVM、感知机及朴素贝叶斯五种机器学习算法。
[0029]与现有技术相比，本专利技术的优点如下：
[0030]本专利技术的一种基于生理信息特征融合的大学生成绩预测方法，通过手环收集实验数据，分析学生的课堂学习行为和非课堂学习行为，相较于其他的收集方式，极大地提高了实验的便携性；同时，由于手环内置多个传感器，从而使收集到的数据具有多样性，避免了欠拟合的风险；而且，手环的定位功能做到了全域的数据追踪，可以更为准确地全面地分析出学生的学习习惯，预测学生的学习成绩，使得教师课堂干预和教学方法的改进更为高效；另外，采用机器学习模型结果作为深度知识追踪模型内的一项特征指标，结合了多种算法的优势，增加了预测模型的实用性。
附图说明
[0031]为了更清楚地说明本专利技术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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。...

【技术保护点】

【技术特征摘要】
1.一种基于生理信息特征融合的大学生成绩预测方法，其特征在于，具体包括如下步骤：步骤一：数据采集：通过问卷调查采集学生的基本信息数据，通过学生佩戴手环采集学生的动态信息数据；步骤二：数据可视化分析和预处理：将各项基本信息与成绩的关系进行数据可视化，各项的动态信息与成绩的关系进行数据可视化，挑选出有效的基本信息和动态信息；并对上述各数据集分别进行最大值
‑
最小值归一化处理，以消除量纲的影响；步骤三：位置关联度分析：基于Apriori算法进行关联度分析，获得学生课堂学习行为习惯和非课堂学习行为习惯的支持度和置信度数据，将支持度和置信度数据做成数据集补充至经过处理的有效的动态信息数据中，作为新的动态信息；步骤四：构建类似深度神经网络的模型：将经过步骤二及步骤三处理后的数据分为三组，分别为基本信息、新的动态信息、基本信息+新的动态信息；分别采用多个不同机器学习算法对三组数据分别进行评估和预测学生成绩；调整各个机器学习模型的参数，寻找到最优阈值，以准确率排名前三的模型组成多分类器，结果进行投票决策的方式进行；以准确率排名第一的机器学习模型为隐藏层构建类似深度神经网络的模型；步骤五：成绩预测：将投票决策的预测结果和类似深度神经网络模型的预测结果与基本信息+新的动态信息组成新的数据集，作为深度知识追踪模型的输入，进行最终的成绩预测。2.如权利要求1所述的一种基于生理信息特征融合的大学生成绩预测方法，其特征在于，步骤一中通过问卷调查获取学生的年龄、寝室、出生地、高考成绩及毕业学校数据；通过手环获取学生心率、体温、位置及计步动态数据；将采集到的数据以字符串的形式传进服务器内，收集到一定的数据后对数据进行解码、分类、...

【专利技术属性】
技术研发人员：杨絮，陈梦乐，安晓峰，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：