一种基于传感器数据与学习操作行为的移动学习场景感知方法

摘要

本发明为一种基于传感器数据与学习操作行为的移动学习场景感知方法，采集传感器数据与学习操作行为日志，并采用特定预处理方法对传感器数据进行缺失值插补；由学生选择输入的场景类型作为训练集数据并选取合适的传感器数据特征值与学习操作行为指标特征值，将计算出的特征值作为监督学习分类算法的输入特征值，对移动学习场景进行感知。

说明书

技术领域

本发明属于现代教育学习技术领域，特别涉及一种基于传感器数据与学习操作行为的移动学习场景感知方法。

背景技术

随着移动设备的普及和流行，在移动学习场景的识别对于自主教育领域有着至关重要的推动力。因此，发明一种基于传感器数据与学习操作行为的移动学习场景感知方法，在教育过程中的地位和意义是十分必要的。申请人经过查新，检索到3篇与本发明相关的专利，它们分别是：

1.中国专利201310352432.4一种基于移动终端的场景采集识别方法

2.中国专利201310483335.9一种融合传感器信息的室外场景识别方法

3.中国专利201310483341.4一种基于二进制特征码的场景信息搜索方法

在上述专利1中涉及一种基于移动终端的场景采集识别方法，包括以下步骤：1)信息采集，2)位置信息识别处理，3)位置服务提供，本发明克服了传统移动终端定位系统的缺点和局限性，提供一种基于移动终端的场景采集识别方法，通过多维位置采集和识别技术，从全新的角度发挥位置信息采集和识别技术在人们生活中的重要作用。

在上述专利2中提供了一种融合传感器信息的室外场景识别方法，利用该方法可以快速对室外场景进行识别，且识别正确率高。具体过程为：步骤1：移动终端采集当前场景的待识别图像，获取移动终端采集图像时的重力信息；步骤2：将待识别图像和重力信息打包成一个压缩文件并发送给服务器；步骤3：服务器根据压缩文件中的重力信息计算待识别图像的重力方向θg；步骤4：检测待识别图像中的直线；步骤5：剔除水平和竖直两类直线中的错误直线；步骤6：计算水平消隐点和竖直消隐点；步骤7：对待识别图像进行透视失真校正；步骤8：进行图像匹配，寻找最相近的样本图像，并将该样本图像对应的场景信息返回给移动终端，实现场景识别。

上述专利3提供了一种基于二进制特征码的场景信息搜索方法，属于移动增强现实技术领域，具体过程为：步骤1：采集当前场景的待识别图像，并获取GPS信息和重力方向信息；步骤2：待识别图像的描述符特征向量；步骤3：将GPS信息、重力方向信息以及描述符特征向量打包成一个描述符文件发送给服务器；步骤4：服务器计算描述符特征向量的主方向和重力方向之间的夹角；步骤5：将描述符特征向量，采用Hash函数进行映射；步骤6：查找与GPS信息距离最近的GPS信息所对应的链表；步骤7：获得到Hash表集；步骤8：基于所述夹角对Hash表进行过滤；步骤9：在过滤得到Hash表集中，寻找最匹配样本图像，将该样本图像对应的场景信息返回给移动终端。

根据上述查新，现有方法存在的问题是：没有将移动终端上的传感器与学习操作行为结合起来，识别移动学习场景。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于传感器数据与学习操作行为的移动学习场景感知方法，支持收集移动终端的传感器数据和学习操作行为日志，计算特征值共同作为场景分类算法的输入，识别移动学习场景。

为了实现上述目的，本发明采用的技术方案是：

一种基于传感器数据与学习操作行为的移动学习场景感知方法，包括：

在移动学习过程中，检测传感器数据的变化和学习操作记录，上传至服务器；

对收集到的数据进行预处理，利用不同传感器属性之间的相关性和传感器数据自身的时间序列特性进行缺失值插补；

由学生选择输入的场景类型作为训练集数据，分别提取传感器数据和学习操作日志的特征值，共同作为分类算法的输入，识别移动学习场景。

与现有技术相比，本发明的有益效果是：

在仅基于传感器数据的基础上，加入移动学习操作日志特征值，有效提高了场景感知算法的准确率，并验证了基于传感器和学习操作日志进行场景感知的可行性和有效性。

附图说明

图1是本发明基于传感器数据和学习操作行为的移动学习场景感知方法流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

如附图1所示，本发明为一种基于传感器数据和学习操作行为的移动学习场景感知方法，首先在移动学习过程中，检测传感器数据的变化和学习操作记录，如果传感器数据有变化，则产生传感器数据文件，否则一直检测，然后将产生的传感受器数据和学习操作日志上传至服务器，对收集到的数据进行预处理，利用不同传感器属性之间的相关性和传感器数据自身的时间序列特性进行缺失值插补；最后由学生选择输入的场景类型作为训练集数据，分别提取传感器数据和学习操作日志的特征值，共同作为分类算法的输入，识别移动学习场景。

下面分步骤对本发明的技术方案进行详细叙述。

1、采集数据时为方便数据写入和后续进行的数据分析，保存传感器数据和麦克风声音数据的文件格式选择CSV格式，该格式是一种通用的、相对简单的文件格式，很容易转换成表格格式的数据。采集过程如下：学生进入移动学习应用开始学习课程视频时，应用在后台通过传感器数据监听接口以20Hz的频率监听并采集各类传感器数据并保存在手机SD卡中，同时通过播放器的相关操作接口采集学生学习过程中的4项操作行为信息，包括以上4种操作发生的时刻和对应的时长。学习结束后将传感器数据文件与学习操作行为记录发送到特定服务器，为区分不同的学生和课程，服务器端相同学生的传感文件置于以学号命名的文件夹中。

2、由于加速度传感器数据中包含重力加速度，首先要过滤重力加速度，具体方法是把加速度分量分解为重力加速度和线性加速度，采用截止频率为0.2HZ的低通滤波器对线性加速度量进行过滤。

采用高通滤波、加权平均滤波等方法对数据进行过滤，基于不同传感器属性之间的相关性插补的过程是根据皮尔相关系数对不同属性数据估算其相似度，进行缺失值的插补；基于时间序列的插补是通过将采集到的传感器看作时间序列数据：

S_i＝(<v_i1,T₁>,...,<v_in,T_n>)

式中v_ik是T_k时刻该传感器的监测值，如果某检测值丢失，可以通过某些已知数据点进行线性插值或构建分段线性函数来描述数据变化。

3、选择合适的传感器数据特征值和学习操作行为指标特征值，其特征在于选取与手机方向无关的特征量，即针对包含手机三个方向上数据的加速度传感器、三轴陀螺仪传感器和旋转矢量传感器这三类传感器数据，计算出三轴数据的标准差作为信号强度矢量。

针对每类传感器数据，计算出平均值(Mean)、标准偏差(Standard Deviation)、中值(Median)、偏度(Skewness)、峰态(Kurtosis)和四分位点范围(IR)共6种特征值，偏度和峰态的计算公式分别如下：

其中，Avg是x_i的平均值，std是x_i的标准偏差。

基于学习操作行为日志计算出以下特征值：某场景下的学习时长、暂停次数、暂停时长、以及拖动次数、拖动时长共5个学习操作行为指标特征值。

4、本文中使用8种类型的传感器(加速度传感器、重力传感器、旋转矢量传感器、陀螺仪、温度传感器、光线传感器、湿度传感器和麦克风)，数据分别对应8种属性值，每个属性值有6个统计学特征量，计算产生48个特征值，与5个学习操作特征值一起作为分类算法的输入，将学生手动选择的场景类型数据作为训练集数据，验证基于传感器与学习操作行为进行场景感知的可行性和有效性。

5、分类时，首先根据三轴加速度传感器的标准差值将场景分为动态场景和静态场景两类,三轴加速度的标准差大于3.0即为动态场景，否则为静态场景；然后对动态场景和静态场景进行进一步细化：利用属性评估器将经过抽样的传感器数据特征值进行排序，得出对分类影响较大的一些属性，输入分类算法得出具体的移动学习场景。

例：在对动态场景进行细化时，首先利用Weka中的工具箱和排序方法对所有的传感器特征值和学习操作行为进行排序，选取前10个特征值，特征选取结果为加速度中值、加速度标准差、学习时长、加速度四分位点范围、暂停时长、陀螺仪偏度、拖动次数、拖动时长、加速度峰态、音量偏度，然后采用不同分类算法进行建模，采用十字交叉验证，如表1所示，加入学习行为后的分类结果比只使用传感器数据作为依据有了明显的提升。表2为动态场景细化分类结果。

表1对比仅使用传感器数据特征值作为算法输入结果

表2动态场景细化分类结果