隨著教育水平的不斷提升,人們?cè)絹?lái)越重視學(xué)習(xí)過(guò)程的管理。以教師為中心的教育方式逐漸被以學(xué)生為中心的教育理念所取代。掌握學(xué)生的個(gè)性化學(xué)習(xí)特點(diǎn),做到因材施教是學(xué)校教育改革的重點(diǎn)方向。隨著信息技術(shù)的快速發(fā)展,教學(xué)環(huán)境中對(duì)學(xué)生學(xué)習(xí)狀態(tài)進(jìn)行智能化分析成為可能,即計(jì)算機(jī)通過(guò)獲取學(xué)生的視覺(jué)、聽覺(jué)或生理信號(hào)等,分析出目前的學(xué)習(xí)狀態(tài),使教師能夠全面及時(shí)的獲取每一位同學(xué)的學(xué)習(xí)狀態(tài)信息。在諸多方式中,通過(guò)腦電信號(hào)對(duì)學(xué)生學(xué)習(xí)狀態(tài)進(jìn)行分析是一種先進(jìn)、客觀的新方法。目前對(duì)腦電信號(hào)的采集還處在單對(duì)單的形式,不適用于多人協(xié)同學(xué)習(xí)場(chǎng)景。因此本文提出了一種可以同時(shí)采集多人腦電信號(hào)并且通過(guò)無(wú)線方式匯總的分布式腦電信號(hào)采集方案;在數(shù)據(jù)采集上,以往的腦機(jī)接口設(shè)備通常為32極或64極設(shè)備,繁雜的采集設(shè)備對(duì)學(xué)生學(xué)習(xí)的干擾較大,獲得的數(shù)據(jù)不能真實(shí)的反映學(xué)生的學(xué)習(xí)狀態(tài);在特征提取上,本系統(tǒng)選用的腦電設(shè)備能夠提取腦波能量,若能使用腦波能量分析學(xué)生學(xué)習(xí)狀態(tài),將極大降低系統(tǒng)復(fù)雜度。為了降低采集設(shè)備對(duì)學(xué)生的學(xué)習(xí)狀態(tài)分析的干擾以及系統(tǒng)復(fù)雜程度,本文通過(guò)實(shí)驗(yàn)對(duì)DEAP數(shù)據(jù)集中使用前額單通道采集的數(shù)據(jù)和多通道采集數(shù)據(jù)以及腦波能量作為特征值對(duì)情感模型分... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 腦電信號(hào)
        1.2.2 腦電信號(hào)分析方法
        1.2.3 情感狀態(tài)識(shí)別
        1.2.4 學(xué)習(xí)狀態(tài)分析
    1.3 論文研究?jī)?nèi)容
        1.3.1 論文主要工作
        1.3.2 論文結(jié)構(gòu)
第二章 分布式腦電信號(hào)采集系統(tǒng)設(shè)計(jì)
    2.1 系統(tǒng)需求分析
    2.2 系統(tǒng)硬件部分設(shè)計(jì)
        2.2.1 采集設(shè)備選取
        2.2.2 腦電信號(hào)傳輸原理
        2.2.3 傳輸方式選擇
        2.2.4 硬件設(shè)備選取及連接器設(shè)計(jì)
        2.2.5 固件程序設(shè)計(jì)
    2.3 系統(tǒng)軟件部分設(shè)計(jì)
        2.3.1 需求分析
        2.3.2 整體設(shè)計(jì)與用戶軟件主程序設(shè)計(jì)
        2.3.3 Wi-Fi信號(hào)接收模塊設(shè)計(jì)
        2.3.4 解碼模塊設(shè)計(jì)
        2.3.5 數(shù)據(jù)保存模塊設(shè)計(jì)
        2.3.6 用戶界面設(shè)計(jì)與結(jié)果展示
    2.4 本章小結(jié)
第三章 基于DEAP數(shù)據(jù)庫(kù)的腦電信號(hào)通道和特征選擇分析
    3.1 通道以及特征選擇的必要性
        3.1.1 通道選擇的必要性
        3.1.2 基于大腦的結(jié)構(gòu)與功能的通道選擇分析
        3.1.3 特征選擇
    3.2 DEAP數(shù)據(jù)簡(jiǎn)介
    3.3 腦電信號(hào)通道及特征選擇分析
        3.3.1 分類方法
        3.3.2 基于DEAP數(shù)據(jù)的特征選擇分析
            3.3.2.1 常用的20種特征值
            3.3.2.2 腦波能量特征值
            3.3.2.3 特征選擇結(jié)果分析
        3.3.3 基于DEAP數(shù)據(jù)的通道選擇驗(yàn)證
    3.4 本章小結(jié)
第四章 學(xué)習(xí)狀態(tài)分析模型及數(shù)據(jù)采集
    4.1 學(xué)習(xí)狀態(tài)分析
        4.1.1 學(xué)習(xí)情感
        4.1.2 學(xué)習(xí)狀態(tài)模型建立
        4.1.3 學(xué)習(xí)狀態(tài)與腦電信號(hào)的關(guān)系
        4.1.4 興趣度、愉悅度、專注度權(quán)重分析
            4.1.4.1 層次分析法
            4.1.4.2 數(shù)據(jù)獲取
            4.1.4.3 數(shù)據(jù)分析
        4.1.5 學(xué)習(xí)狀態(tài)評(píng)估
    4.2 數(shù)據(jù)采集
        4.2.1 實(shí)驗(yàn)場(chǎng)地選取
        4.2.2 問(wèn)卷調(diào)查設(shè)計(jì)
        4.2.3 學(xué)習(xí)狀態(tài)自我評(píng)估表
        4.2.4 學(xué)習(xí)狀態(tài)誘導(dǎo)視頻選取
        4.2.5 受試者招募
        4.2.6 實(shí)驗(yàn)流程
        4.2.7 實(shí)驗(yàn)數(shù)據(jù)介紹
    4.3 本章小結(jié)
第五章 基于單極腦電信號(hào)的學(xué)習(xí)狀態(tài)分析方法研究
    5.1 數(shù)據(jù)篩選
    5.2 特征值選取
    5.3 參數(shù)優(yōu)化
        5.3.1 支持向量機(jī)參數(shù)選擇
        5.3.2 多層感知器調(diào)參
    5.4 結(jié)果分析
        5.4.1 分類準(zhǔn)確度結(jié)果分析
        5.4.2 學(xué)習(xí)狀態(tài)分類結(jié)果分析
    5.5 面向協(xié)作式學(xué)習(xí)的學(xué)習(xí)狀態(tài)分析系統(tǒng)測(cè)試
        5.5.1 情景設(shè)計(jì)
        5.5.2 測(cè)試結(jié)果
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻(xiàn)
在學(xué)期間的研究成果
致謝



本文編號(hào)：3172917