【技术实现步骤摘要】
本专利技术涉及知识图谱更新，具体涉及基于多模态数据的个性化教学知识图谱更新方法及系统。
技术介绍
1、由于互联网信息技术的不断发展，线上教育随之兴盛，线上教育资源也随之越来越丰富。不同的线上教育资源可能具有不同的教学内容、教学风格等，不同的用户对学习内容需求性和对教学风格喜好程度也不同，学习内容和教学风格和用户的适配性可能极大地左右用户的学习积极性，进行影响学习效果。
2、个性化教学是一种根据学习者的特点、需求和兴趣，为每个学习者提供定制化的学习体验和资源的教学方法。它旨在提高学习效果和学习者参与度，适应不同学习者的学习风格和能力水平。知识图谱是一种结构化的知识表示方法，用于描述实体之间的关系和属性。在教育领域，知识图谱可以用来组织和表示教学内容、概念、关联以及学习路径等信息，帮助学习者更好地理解和掌握知识。
3、目前业内个性化教学方法一般为两个方向，一、通过智能化生成教学知识图谱、对教学路径进行优化或监控学习者课堂状态，调动学习者上课时的专注度提升学习者学习效果，二、异构教学资源，对学习能力各不相同的学习者，以及面向差异学习者进行教学的教师能够以比较高的精准度推荐教学资源从而提高学习效率；
4、但学习者个体差异不尽相同，用户对学习内容需求性和对教学风格喜好程度也不同，学习内容和教学风格和用户的适配性可能极大地左右用户的学习积极性，从而影响学习效果，因此如何对学习者进行全面的分析，生成的知识图谱具有单一性，仅贴近学习者的某一特点进行教学的方法，从而针对性的提高学习效率，目前研究的热点问题。p>
技术实现思路
1、本专利技术的目的在于提供基于多模态数据的个性化教学知识图谱更新方法及系统，解决以下技术问题：
2、学习者个体差异不尽相同，用户对学习内容需求性和对教学风格喜好程度也不同，学习内容和教学风格和用户的适配性可能极大地左右用户的学习积极性，从而影响学习效果，因此如何对学习者进行全面的分析，生成的知识图谱具有单一性，仅贴近学习者的某一特点进行教学的方法，从而针对性的提高学习效率。
3、本专利技术的目的可以通过以下技术方案实现：
4、基于多模态数据的个性化教学知识图谱更新方法：
5、获取多模态生理数据：通过外设设备收集学习者的生理数据信号，其中包括但不限于脑电信号、心电信号、视频信号；
6、关键特征提取：对收集的多模态生理数据信号进行关键特征提取处理，得到学习者关键数据特征，其中包括但不限于脑电数据特征、心电数据特征、体温数据特征、体态数据特征、面部表情数据特征；
7、偏好预测：基于多模态生理数据的关键特征融合挖掘方法实现数据挖掘，预测学习者学习偏好，根据预测结果更新基础知识图谱，生成符合学习者学习情况的个性化教学知识图谱。
8、优选地，通过外设设备建立智慧课堂教室，所述外设设备包括但不限于头戴式脑电设备、贴片式心电设备、悬挂式监控设备，其中：
9、为学习者配备头戴式脑电设备、贴片式心电设备及悬挂式监控设备；抽选基础知识图谱中的待学习章节，进行课程学习；在课程学习过程中，记录学习者在学习不同知识点时的脑电信号、心电信号、视频信号。
10、优选地，关键特征提取处理的方法如下：
11、以学习者学习的视频数据为根据，将视频内容以知识点基础概念讲解时域a、知识点应用讲解时域b、知识点强化讲解时域c以及知识点测试时域d进行划分，得到在四个时域收集到的脑电信号、心电信号及视频信号进行关键特征提取；
12、其中：
13、脑电关键特征：
14、a1：对收集的脑电信号进行通道定位，剔除不需要的通道数据；
15、b1：通过滤波器进行滤波处理，频率选择0.1～30hz；
16、c1：对a、b、c、d四个时域收集到的脑电信号进行分段；接着，采用独立成分分析方法（ica）剔除伪迹成分，如眨眼，眼漂、肌肉紧张等带来的波动；
17、d1：对保留的脑电信号进行重参考操作，将数据转换为双侧乳突平均参考；
18、心电关键特征：
19、a2：选择sym4小波基函数对含噪心电信号进行小波变换，分解得到n尺度上的小波系数；
20、b2：使用stein的无偏似然估计原理进行n尺度上的阈值计算；
21、c2：将b2得到的阈值代入wdencmp函数进行去噪，得到降噪后的小波系数；
22、d2：根据降噪后的最后2尺度的小波系数，使用waverec函数进行心电信号重建，得到最终心电特征数；
23、视频关键特征：
24、a3：锁定视频信号中学习者体温、体态及面部表情，并进行截取得到相应的视频片段b_t、b_p及f_e;
25、b3：以四个时间时域为切割点对b_t、b_p及f_e三个视频片段计算a、b、c、d四个时域内的：
26、平均体温： 、；
27、平均体态变化次数：、 ；
28、平均面部表情变化次数： 、 。
29、优选地，多模态生理数据的关键特征融合挖掘方法设计如下：
30、将脑电关键特征、心电关键特征及视频关键特征分别进行训练，为不同关键特征配置匹配特征的最佳参数模型；将脑电关键特征、心电关键特征及视频关键特征模型输出结果作为训练特征输入cnn模型进行训练，并采用logits函数进行处理，得到最终预测结果；预测结果分为心不在焉类、专注学习类、探索进取类以及强化思考类。
31、优选地，基础知识图谱以教材目录为基础进行构建，目录中二级标题为知识元，目录中小节顺序及一级标题中出现的知识元为链接规则，生成基础知识图谱；在基础知识图谱上，根据预测结果更新知识元间的链接规则，得到个性化知识图谱；更新知识元间的链接规则为：
32、若学习者预测结果为心不在焉类：
33、首先，链接教材所有知识点的基础概念；接着，链接首个知识点的基础概念和知识点应用，直至链接最后一个知识点的基础概念和知识点应用；然后，链接首个知识点的知识点应用和知识点强化，直至链接到最后一个知识点的知识点应用和知识点强化；最后，链接首个知识点的知识点强化和知识点测试，直至链接到最后一个知识点的知识点强化和知识点测试；
34、若学习者预测结果为专注学习类：
35、首先，链接教材第一个知识点的基础概念及知识点应用，直至链接到最后一个知识点的基础概念及知识点应用；接着，链接第一个知识点的知识点强化及知识点测试，直至链接到最后一个知识点的知识点强化及知识点测试；
36、若学习者预测结果为探索进取类：
37、首先，链接教材第一个知识点的基础概念、知识点应用及知识点强化，直至链接教材最后一个知识点的基础概念、知识点应用及知识点强化；接着，链接第一个知识点的知识点测试，直至链接最后一个知识点的知识点测试；
38、若学习者预测结果为强化思考类：
39、链接本文档来自技高网...
【技术保护点】
1.基于多模态数据的个性化教学知识图谱更新方法，其特征在于：
2.根据权利要求1所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，通过外设设备建立智慧课堂教室，所述外设设备包括但不限于头戴式脑电设备、贴片式心电设备、悬挂式监控设备，其中：
3.根据权利要求2所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，关键特征提取处理的方法如下：
4.根据权利要求3所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，多模态生理数据的关键特征融合挖掘方法设计如下：
5.根据权利要求4所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，基础知识图谱以教材目录为基础进行构建，目录中二级标题为知识元，目录中小节顺序及一级标题中出现的知识元为链接规则，生成基础知识图谱；在基础知识图谱上，根据预测结果更新知识元间的链接规则，得到个性化知识图谱；更新知识元间的链接规则为：
6.基于多模态数据的个性化教学知识图谱更新系统，其特征在于，为系统设计有限状态转换规则，用于实现对外界事件的响应，所述系统包括：p>
7.根据权利要求6所述的基于多模态数据的个性化教学知识图谱更新系统，其特征在于，所述有限状态转换规则设计如下：
...【技术特征摘要】
1.基于多模态数据的个性化教学知识图谱更新方法，其特征在于：
2.根据权利要求1所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，通过外设设备建立智慧课堂教室，所述外设设备包括但不限于头戴式脑电设备、贴片式心电设备、悬挂式监控设备，其中：
3.根据权利要求2所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，关键特征提取处理的方法如下：
4.根据权利要求3所述的基于多模态数据的个性化教学知识图谱更新方法，其特征在于，多模态生理数据的关键特征融合挖掘方法设计如下：
5.根据权利要求4所...
【专利技术属性】
技术研发人员：吴响，杨明昭，王丽丽，余泽华，刘莘，张永婷，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。