申请/专利权人：海道(深圳)教育科技有限责任公司

申请日：2023-11-01

公开（公告）日：2024-06-04

公开（公告）号：CN117408564B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/20;G06V40/16;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明公开了一种在线学业辅导系统，包括生物数据收集模块、学习计划制定模块、面部分析模块、学习计划调整模块，所述生物数据收集模块用于收集用户的生物节律数据和面部表情数据；所述学习计划制定模块，包括生物节律分析模块和学习计划生成模块，所述生物节律分析模块应用机器学习算法对收集的生物节律数据进行分析，基于所述生物节律数据确定用户当前的学习效率；所述学习计划生成模块根据数据分析模块确定的用户当前的学习效率；所述面部分析模块包括面部数据处理模块和面部表情识别模块，所述面部数据处理模块对收集的面部表情数据进行预处理；通过实时分析处理以上的学习数据调整用户的学习计划，提高和优化学习的效率。

主权项：1.一种在线学业辅导系统，所述系统包括生物数据收集模块、学习计划制定模块、面部分析模块、学习计划调整模块，其中：所述生物数据收集模块用于在用户学习开始前，收集用户的生物节律数据，以及在用户学习过程中，收集用户的面部表情数据；所述学习计划制定模块，包括生物节律分析模块和学习计划生成模块，其中：所述生物节律分析模块应用机器学习算法对收集的生物节律数据进行分析，基于所述生物节律数据确定用户当前的学习效率；所述学习计划生成模块根据数据分析模块确定的用户当前的学习效率，用户的学习风格和学习目标，制定用户的当前学习计划，所述学习计划包括学习时间、休息时间、互动时间、复习和新知识的占比；所述面部分析模块包括面部数据处理模块和面部表情识别模块，其中：所述面部数据处理模块对收集的面部表情数据进行预处理；所述面部表情识别模块使用深度学习算法对处理后的面部表情数据进行分类，识别出用户的疲劳和焦虑情绪状态的概率值；所述学习计划调整模块用于根据面部表情识别的输出的用户的疲劳和焦虑情绪状态的概率值调整学习计划中的学习时间、休息时间、互动时间、复习和新知识的占比；所述生物节律分析模块应用机器学习算法对收集的生物节律数据进行分析，基于所述生物节律数据确定用户当前的学习效率之前，对从用户的智能手表、健康追踪器设备接口收集的用户的心跳、睡眠情况生物节律数据进行异常状态强化处理；所述用户的心跳、睡眠情况生物节律数据包括心跳数据、24小时睡眠时长和24小时睡眠质量数据；对于24小时睡眠质量的时间序列数据，所述时间序列为根据采样点生成的以曲线图形式表示的24小时的睡眠质量，对所述曲线图设定滑动窗口，将连续的数据分成多个小段，每个窗口包含一小时时间段的数据，计算窗口内数据的平均值和标准偏差，然后对每个数据点计算Z-Score；对于每个窗口，如果窗口内的数据点的Z-Score的绝对值大于设定的阈值的数据点数量超过50%比例，那么将整个窗口标记为异常时间段；对于被标记为异常的窗口，将窗口内的所有数据点赋予更大的权重，使用窗口内数据点Z-Score的绝对值的平均值作为权重；在用户学习开始前，通过与用户的智能手表、健康追踪器设备的接口，收集用户在24小时内的睡眠质量的时间序列数据，时间序列采样数据可以是长度的在近24小时内的所有采样点获得的数据；对于所述24小时睡眠质量对应的权重序列，滑动窗口为一小时，使用一个124长度的向量来表示，每个向量值代表与24小时睡眠质量的时间序列数据对应小时段的权重值；在该权重序列中，如果为该时段对应非睡眠状态，则在该时间序列段对应位置标记为0；如果该时段对应为睡眠状态，且检测到异常则使用窗口内数据点Z-Score的绝对值的平均值作为权重；如果该时段对应为睡眠状态，但未检测到异常，则标记为1；生物节律分析模块基于多头神经网络进行预测学习效率的输出，所述多头神经网络模型包含三个头部和一个汇总层；所述多头神经网络模型包含三个头部，包括：心跳数据头部：这个头部接收心跳数据作为输入，通过一系列的神经网络层进行处理，包括全连接层和激活函数层，最后输出一个值，这个值代表了心跳数据对学习效率的预测；24小时睡眠时长数据头部，这个头部接收24小时睡眠时长数据作为输入，同样通过一系列的神经网络层进行处理，包括全连接层和激活函数层，最后输出一个值，这个值代表了24小时睡眠时长数据对学习效率的预测；24小时睡眠质量数据头部：这个头部接收24小时睡眠质量数据作为输入，基于处理序列数据的神经网络层长短期记忆网络LSTM层进行处理，每个窗口的数据都会输出一个值，这些值组成了一个向量，代表了24小时睡眠质量数据对学习效率的预测；汇总层可以将心脏数据头部和24小时睡眠时长数据头部的输出值乘以其对应的权重，然后和注意力处理后的24小时睡眠质量数据头部的输出相加，得到一个当前学习效率值，用下面的公式表示：当前学习效率=基础学习效率-w1基础学习效率-心跳数据头部的输出+w2基础学习效率-24小时睡眠时长数据头部的输出+基础学习效率-注意力处理后的24小时睡眠质量数据头部的输出；其中，基础学习效率是一个预设的值，表示在没有任何异常或不良状态的情况下，应该达到的理想学习效率；w1,w2是心脏数据头部和24小时睡眠时长数据头部的权重，代表了心脏数据头部和24小时睡眠时长数据头部的输出中异常状态强化后的减益程度；注意力处理后的24小时睡眠质量数据头部的输出是由注意力网络处理后得到的。

全文数据：

权利要求：

百度查询： 海道(深圳)教育科技有限责任公司 一种在线学业辅导系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD