CN113509189A - 一种学习状态监控方法及其相关设备 - Google Patents

Abstract

本申请公开了一种学习状态监控方法及其相关设备，该方法包括：在确定被监控对象完成待评测试题之后，根据该被监控对象的待使用脑电数据、该被监控对象的待使用眼动数据、该被监控对象的待使用答题信息和该待评测试题的属性信息，确定该被监控对象的待使用疲劳评分；若该被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定该被监控对象在答复该待评测试题时所具有的学习状态为疲劳状态，如此实现针对被监控对象的学习状态进行实时监控。

Description

一种学习状态监控方法及其相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种学习状态监控方法及其相关设备。

背景技术

长久以来，学习一直是研究的重点。对于学生而言，学习状态是影响其学习效率、成绩的一个重要原因。学生学习主要是进行脑力活动，而高强度或长时间持续的脑力活动会给学生带来不适状态(如，疲劳状态)，该不适状态会导致该学生的学习能力减弱、学习效率降低以及心理上的“筋疲力尽”，同时还会导致该学生对学习产生厌倦等情绪反应，久而久之该学生的学习效果可能会越来越差。

然而，如何进行学习状态监控仍然是一项亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提供一种学习状态监控方法及其相关设备，能够实现针对学习状态进行监控。

本申请实施例提供了一种学习状态监控方法，所述方法包括：

在确定被监控对象完成待评测试题之后，根据所述被监控对象的待使用脑电数据、所述被监控对象的待使用眼动数据、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分；其中，所述被监控对象的待使用脑电数据包括所述被监控对象在答复所述待评测试题时出现的脑电数据；所述被监控对象的待使用眼动数据包括所述被监控对象在答复所述待评测试题时出现的眼动数据；所述被监控对象的待使用答题信息包括所述被监控对象针对所述待评测试题的答复数据；

若所述被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定所述被监控对象在答复所述待评测试题时所具有的学习状态为疲劳状态。

在一种可能的实施方式中，所述被监控对象的待使用疲劳评分的确定过程，包括：

根据所述被监控对象的待使用脑电数据和所述被监控对象的待使用眼动数据，确定所述被监控对象的身体疲劳得分；

根据所述被监控对象的身体疲劳得分、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述被监控对象的身体疲劳得分的确定过程，包括：

对所述被监控对象的待使用脑电数据进行特征提取，得到所述被监控对象的待使用脑电特征；

对所述被监控对象的待使用眼动数据进行特征分析，得到所述被监控对象的待使用眼动特征；

对所述被监控对象的待使用脑电特征和所述被监控对象的待使用眼动特征进行因子分析，得到至少一个公因子和所述至少一个公因子对应的加权权重；

按照所述至少一个公因子对应的加权权重，对所述至少一个公因子进行加权求和，得到所述被监控对象的身体疲劳得分。

在一种可能的实施方式中，若所述待使用答题信息包括待使用答题时长和待使用答题准确率，且所述属性信息包括参考时长，则所述根据所述被监控对象的身体疲劳得分、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分，包括：

根据所述被监控对象的待使用答题时长与所述待评测试题的参考时长之间的比值，确定所述被监控对象的答复时长得分；其中，所述被监控对象的待使用答题时长是指所述被监控对象针对所述待评测试题的答复时长；

根据所述被监控对象的待使用答题准确率的倒数，确定所述被监控对象的答复准确率得分；其中，所述被监控对象的待使用答题准确率是指所述被监控对象针对所述待评测试题的答复准确率；

根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分，确定所述被监控对象的待使用疲劳评分，包括：

根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分之间的乘积，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述疲劳评分阈值是根据样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和样本试题的属性信息生成的；其中，所述样本试题与所述待评测试题之间满足预设关联关系；所述样本对象的样本脑电数据包括所述样本对象在答复所述样本试题时出现的脑电数据；所述样本对象的样本眼动数据包括所述样本对象在答复所述样本试题时出现的眼动数据；所述样本对象的样本答题信息包括所述样本对象针对所述样本试题的答复数据。

在一种可能的实施方式中，所述样本试题与所述待评测试题之间满足预设关联关系，包括：

所述样本试题的试题难度与所述待评测试题的试题难度相同；

或者，

所述样本试题的试题类型与所述待评测试题的试题类型相同；

或者，

所述样本试题的试题类型以及试题难度分别与所述待评测试题的试题类型以及试题难度相同；

或者，

所述样本试题为所述待评测试题。

在一种可能的实施方式中，所述疲劳评分阈值的生成过程，包括：

根据所述样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和所述样本试题的属性信息，确定所述样本对象的样本疲劳评分；

获取所述样本对象的至少一个人格得分；

根据所述样本对象的至少一个人格得分和所述样本对象的样本疲劳评分，确定所述疲劳评分阈值。

在一种可能的实施方式中，若所述人格得分的个数为N，且所述样本对象的个数为M，则所述根据所述样本对象的至少一个人格得分和所述样本对象的样本疲劳评分，确定所述疲劳评分阈值，包括：

根据M个样本对象的样本疲劳评分，得到所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差和所述样本疲劳评分对应的正态分布图；其中，M为正整数；

根据所述M个样本对象的第n个人格得分，确定所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差和所述第n个人格得分对应的正态分布图；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分、所述样本疲劳评分对应的正态分布图、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述N个人格得分对应的正态分布图、所述N个人格得分对应的正态分布均值、和所述N个人格得分对应的正态分布标准差，确定所述疲劳评分阈值。

在一种可能的实施方式中，所述疲劳评分阈值的确定过程，包括：

根据所述M个样本对象的第n个人格得分、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差、以及所述样本疲劳评分对应的正态分布图与所述第n个人格得分对应的正态分布图之间的相关程度，确定所述第n个人格得分对应的试题评分；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分和所述N个人格得分对应的试题评分，确定所述疲劳评分阈值。

在一种可能的实施方式中，所述方法还包括：

在确定所述被监控对象的待使用疲劳评分高于疲劳评分阈值之后，生成提醒信息，并将所述提醒信息发送给所述被监控对象；其中，所述提醒信息用于提醒所述被监控对象进行休息。

本申请实施例还提供了一种学习状态监控装置，包括：

评分确定单元，用于在确定被监控对象完成待评测试题之后，根据所述被监控对象的待使用脑电数据、所述被监控对象的待使用眼动数据、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分；其中，所述被监控对象的待使用脑电数据包括所述被监控对象在答复所述待评测试题时出现的脑电数据；所述被监控对象的待使用眼动数据包括所述被监控对象在答复所述待评测试题时出现的眼动数据；所述被监控对象的待使用答题信息包括所述被监控对象针对所述待评测试题的答复数据；

疲劳确定单元，用于若所述被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定所述被监控对象在答复所述待评测试题时所具有的学习状态为疲劳状态。

本申请实施例还提供了一种学习状态监控系统，所述系统包括：脑电波采集设备、眼动采集设备和本申请实施例提供的学习状态监控装置的任一实施方式；其中，所述脑电波采集设备用于采集被监控对象的待使用脑电数据并将所述被监控对象的待使用脑电数据发送给所述学习状态监控装置；所述眼动采集设备用于采集所述被监控对象的待使用眼动数据并将所述被监控对象的待使用眼动数据发送给所述学习状态监控装置。

本申请实施例还提供了一种设备，所述设备包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行本申请实施例提供的学习状态监控方法的任一实施方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行本申请实施例提供的学习状态监控方法的任一实施方式。

本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的学习状态监控方法的任一实施方式。

基于上述技术方案，本申请具有以下有益效果：

本申请提供的技术方案中，在确定被监控对象完成待评测试题之后，根据该被监控对象的待使用脑电数据、该被监控对象的待使用眼动数据、该被监控对象的待使用答题信息和该待评测试题的属性信息，确定该被监控对象的待使用疲劳评分；若该被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定该被监控对象在答复该待评测试题时所具有的学习状态为疲劳状态，如此实现针对被监控对象的学习状态进行监控。

其中，因被监控对象的待使用脑电数据包括该被监控对象在答复该待评测试题时出现的脑电数据，该被监控对象的待使用眼动数据包括该被监控对象在答复该待评测试题时出现的眼动数据，且该被监控对象的待使用答题信息包括该被监控对象针对该待评测试题的答复数据，使得基于这些数据确定的被监控对象的待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时所具有的学习状态(如，是否处于疲劳状态)，从而使得该待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时是否出现疲劳状态，如此使得基于该待使用疲劳评分实现的学习状态监控过程更准确，从而有利于提高被监控对象的学习效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种学习状态监控方法的流程图；

图2为本申请实施例提供的一种因子分析的示意图；

图3为本申请实施例提供的一种学习状态监控装置的结构示意图；

图4为本申请实施例提供的一种学习状态监控系统的结构示意图。

具体实施方式

发明人在针对学习状态的研究中发现，有时可以从时间角度衡量学习状态(例如，若一个学生的学习时长达到30-40分钟，则确定该学生处于疲劳状态)。然而，在相同时间要求下面对相同难度的试题(或者相同类型的试题，或者同一道试题)时，具有不同性格特点的学生在面对相同外部环境变化或者均处于相同突发压力情境下，各自的表现也都不尽相同，如此使得具有不同性格特点的学生达到疲劳状态的发生时间点也不同。此时，若依旧按照上述时长(如，30-40分钟)确定这些学生的休息时间点，则可能导致部分学生在上述时长对应的学习过程中早已出现了疲劳状态。又因疲劳状态下的学习更是一种无效学习(例如，在此状态下可能会导致学生对掌握的知识都会出现错误的情况，从而进行了错误的无效练习)，使得上述“部分学生”在上述时长对应的学习过程中无法持续保持高效学习，从而导致这些学生的学习效果较差。

基于上述发现，为了解决背景技术部分的技术问题，本申请实施例提供了一种学习状态监控方法，该方法包括：在确定被监控对象完成待评测试题之后，根据该被监控对象的待使用脑电数据、该被监控对象的待使用眼动数据、该被监控对象的待使用答题信息和该待评测试题的属性信息，确定该被监控对象的待使用疲劳评分；若该被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定该被监控对象在答复该待评测试题时所具有的学习状态为疲劳状态，如此实现针对被监控对象的学习状态进行监控。

其中，因被监控对象的待使用脑电数据包括该被监控对象在答复该待评测试题时出现的脑电数据，该被监控对象的待使用眼动数据包括该被监控对象在答复该待评测试题时出现的眼动数据，且该被监控对象的待使用答题信息包括该被监控对象针对该待评测试题的答复数据，使得基于这些数据确定的被监控对象的待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时所具有的学习状态(如，是否处于疲劳状态)，从而使得该待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时是否出现疲劳状态，如此使得基于该待使用疲劳评分实现的学习状态监控过程更准确，从而有利于提高被监控对象的学习效果。

另外，本申请实施例不限定学习状态监控方法的执行主体，例如，本申请实施例提供的学习状态监控方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant，PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

方法实施例

参见图1，该图为本申请实施例提供的一种学习状态监控方法的流程图。

本申请实施例提供的学习状态监控方法，包括S1-S2：

S1：在确定被监控对象完成待评测试题之后，根据该被监控对象的待使用脑电数据、该被监控对象的待使用眼动数据、该被监控对象的待使用答题信息和该待评测试题的属性信息，确定该被监控对象的待使用疲劳评分。

其中，被监控对象是指需要进行学习状态监控的学生。

待评测试题是指被监控对象已完成的试题；而且本申请实施例不限定待评测试题，例如，为了提高学习状态的监控实时性，该待评测试题可以是指距离当前时刻最近的且由被监控对象已完成的试题。也就是，为了提高学习状态的监控实时性，可以在被监控对象每完成一道试题之后，立刻采用本申请实施例提供的“学习状态监控方法”来确定该被监控对象的学习状态，如此能够尽可能地减少该被监控对象在疲劳状态下的学习时长，如此有利于提高该被监控对象的学习效果。

被监控对象的待使用脑电数据是指针对该被监控对象进行学习状态监控时所需参考的脑电波信息；而且该被监控对象的待使用脑电数据包括该被监控对象在答复待评测试题时出现的脑电数据。

本申请实施例不限定“脑电数据”，例如，因研究表明脑电α波(8-13Hz)、脑电θ波(4-7Hz)、脑电δ波(1-3Hz)的幅值与疲劳息息相关，故该“脑电数据”可以包括脑电α波的排列熵特征、脑电θ波的排列熵特征、脑电δ波的排列熵特征等。另外，本申请实施例也不限定“脑电数据”的采集方式，例如，可以采用现有的或者未来出现的任一种能够进行脑电波采集的设备进行实施。

被监控对象的待使用眼动数据是指针对该被监控对象进行学习状态监控时所需参考的眼动信息；而且该被监控对象的待使用眼动数据包括该被监控对象在答复待评测试题时出现的眼动数据。

本申请实施例不限定“眼动数据”，例如，其具体可以包括：跳视、眼动轨迹、注视、瞳孔、眨眼等相关眼动指标的变化特征。另外，本申请实施例也不限定“眼动数据”的采集方式，例如，其可以采用眼动仪进行实施。其中，眼动仪是一种复杂的心理学精密仪器，而且其能够基于瞳孔-角膜反射原理或注视点记录原理，记录人在处理视觉信息时的跳视、眼动轨迹、注视、瞳孔、眨眼等相关眼动指标的变化特征。

被监控对象的待使用答题信息是指针对该被监控对象进行学习状态监控时所需参考的试题答复数据；而且该被监控对象的待使用答题信息包括该被监控对象针对待评测试题的答复数据。

本申请实施例不限定“答复数据”，例如，其具体可以包括：答复时长和/或答复准确率。其中，答复时长用于表示一个学生答复一道试题所消耗的时间。答复准确率用于表示一个学生针对一道试题的得分情况。另外，本申请实施例也不限定“答复数据”的获取方式，例如，若被监控对象是在一个答题系统上针对待评测试题进行答复的，则该“答复数据”可以从该答题系统对应的系统后台(如，服务器)中进行读取。

待评测试题的属性信息用于描述该待评测试题的试题特点。另外，本申请实施例不限定“属性信息”，例如，其可以包括试题难度、试题类型、参考时长中的至少一个。

其中，参考时长用于表示答复一道试题时所需参考的时间长度；而且本申请实施例不限定“参考时长”，例如，该参考时长可以是指该道试题的标准答复时长，也可以是指包括该道试题的试题集(如，一张试卷等)的标准答复时长(例如，若被监控对象正在答复一个试题集，且该试题集包括该待评测试题，则该“待评测试题的参考时长”可以是指该试题集的标准答复时长)。

被监控对象的待使用疲劳评分用于表示该被监控对象在答复待评测试题时所达到的疲劳程度，以使该“被监控对象的待使用疲劳评分”能够准确地表示出该被监控对象在答复待评测试题时所处的学习状态。

另外，本申请实施例不限定“被监控对象的待使用疲劳评分”的确定过程，例如，在一种可能的实施方式下，其具体可以包括步骤11-步骤12：

步骤11：根据被监控对象的待使用脑电数据和该被监控对象的待使用眼动数据，确定该被监控对象的身体疲劳得分。

其中，被监控对象的身体疲劳得分用于表示该被监控对象在答复待评测试题时从身体状态上所呈现的疲劳程度。

另外，本申请实施例不限定步骤11的实施方式，例如，在一种可能的实施方式下，步骤11具体可以包括步骤111-步骤114：

步骤111：对被监控对象的待使用脑电数据进行特征提取，得到该被监控对象的待使用脑电特征。

其中，被监控对象的待使用脑电特征是指上述“被监控对象的待使用脑电数据”所携带的脑电波特征(例如，频谱、能量谱、功率谱等)，以使该“被监控对象的待使用脑电特征”能够准确地表示出该被监控对象在答复待评测试题时所呈现的脑电波状态特点。

另外，本申请实施例不限定步骤111的实施方式，例如，可以采用现有的或者未来出现的任一种能够从脑电数据中提取出脑电波特征的方法进行实施。

步骤112：对被监控对象的待使用眼动数据进行特征分析，得到该被监控对象的待使用眼动特征。

其中，被监控对象的待使用眼动特征是指上述“被监控对象的待使用眼动数据”所携带的眼动特征(如，眼跳平均速度、平均注视时间、跳视主序参数(眼睛从当前注视点移动到下一注视点的幅度、频率等参数)等特征)，以使该“被监控对象的待使用眼动特征”能够准确地表示出该被监控对象在答复待评测试题时所呈现的眼动状态特点。

另外，本申请实施例不限定步骤112的实施方式，例如，可以采用现有的或者未来出现的任一种能够从眼动数据中提取出眼动特征的方法进行实施。

步骤113：对被监控对象的待使用脑电特征和该被监控对象的待使用眼动特征进行因子分析，得到至少一个公因子和该至少一个公因子对应的加权权重。

本申请实施例中，在获取到被监控对象的待使用脑电特征和该被监控对象的待使用眼动特征之后，可以直接对这些特征进行因子分析(如图2所示)，得到至少一个公因子(如，图2中公因子1至公因子H)以及各个公因子对应的加权权重(如，图2中权重1至权重H)，以便后续能够基于这些公因子及其对应的加权权重，确定出该被监控对象的身体疲劳得分。其中，H为正整数。

步骤114：按照至少一个公因子对应的加权权重，对至少一个公因子进行加权求和，得到被监控对象的身体疲劳得分。

作为示例，如图2所示，若上述“至少一个公因子”包括公因子1、公因子2、……、以及公因子H，且该公因子1对应的加权权重为权重1、该公因子2对应的加权权重为权重2、……、以及该公因子H对应的加权权重为权重H，则被监控对象的身体疲劳得分＝公因子1×权重1+公因子2×权重2+……+公因子H×权重H。

基于上述步骤11的相关内容可知，在采集到被监控对象的待使用脑电数据以及待使用眼动数据之后，可以先从这些数据中提取出身体状态特征(如，脑电波特征和眼动特征等)；再参考这些身体状态特征计算被监控对象的身体疲劳得分，以使该身体疲劳得分能够准确地表示该被监控对象在答复待评测试题时从身体状态上所呈现的疲劳程度，以便后续能够基于该身体疲劳得分，确定出该被监控对象的待使用疲劳评分。

步骤12：根据被监控对象的身体疲劳得分、被监控对象的待使用答题信息和待评测试题的属性信息，确定被监控对象的待使用疲劳评分。

本申请实施例不限定步骤12的实施方式，例如，若待使用答题信息包括待使用答题时长和待使用答题准确率，且属性信息包括参考时长，则步骤12具体可以包括步骤121-步骤123：

步骤121：根据被监控对象的待使用答题时长与待评测试题的参考时长之间的比值，确定该被监控对象的答复时长得分。

其中，被监控对象的待使用答题时长用于表示该被监控对象答复该待评测试题所消耗的时间。

待评测试题的参考时长是指针对该待评测试题进行答复时长评分时所需参考的时长；而且该参考时长可以预先设定。需要说明的是，“参考时长”的相关内容请参见上文。

被监控对象的答复时长得分用于表示被监控对象在答复待评测试题时从答题时长上所呈现的疲劳程度；而且“被监控对象的答复时长得分”与“被监控对象的待使用答题时长”之间正相关。

另外，本申请实施例不限定“被监控对象的答复时长得分”的确定过程，例如，其具体可以包括：将被监控对象的待使用答题时长与待评测试题的参考时长之间的比值，确定为该被监控对象的答复时长得分。

步骤122：根据被监控对象的待使用答题准确率的倒数，确定该被监控对象的答复准确率得分。

其中，被监控对象的待使用答题准确率是指被监控对象针对待评测试题的答复准确率。

被监控对象的答复准确率得分用于表示被监控对象在答复待评测试题时从答题得分上所呈现的疲劳程度；而且“被监控对象的答复准确率得分”与“被监控对象的待使用答题准确率”之间负相关。

另外，本申请实施例不限定“被监控对象的答复准确率得分”的确定过程，例如，其具体可以包括：将被监控对象的待使用答题准确率的倒数，确定为该被监控对象的答复准确率得分。

步骤123：根据被监控对象的身体疲劳得分、该被监控对象的答复时长得分和该被监控对象的答复准确率得分，确定该被监控对象的待使用疲劳评分。

示例1，步骤123具体可以包括：根据被监控对象的身体疲劳得分、该被监控对象的答复时长得分和该被监控对象的答复准确率得分之间的乘积，确定该被监控对象的待使用疲劳评分。

可见，在获取到被监控对象的身体疲劳得分、该被监控对象的答复时长得分和该被监控对象的答复准确率得分之后，可以参考上述三者之间的乘积，确定该被监控对象的待使用疲劳评分(如公式(1)所示，可以直接将上述三者之间的乘积，确定为该被监控对象的待使用疲劳评分)。

P_score＝z×(t_use/T_refer)/acc_score (1)

式中，P_score表示被监控对象的待使用疲劳评分；z表示被监控对象的身体疲劳得分；t_use表示被监控对象的待使用答题时长；T_refer表示待评测试题的参考时长；acc_score表示被监控对象的待使用答题准确率。

示例2，步骤123具体可以包括：根据被监控对象的身体疲劳得分、该被监控对象的答复时长得分和该被监控对象的答复准确率得分之间的和值，确定该被监控对象的待使用疲劳评分。

可见，在获取到被监控对象的身体疲劳得分、该被监控对象的答复时长得分和该被监控对象的答复准确率得分之后，可以参考上述三者之间的和值，确定该被监控对象的待使用疲劳评分(例如，可以直接将上述三者之间的和值，确定为该被监控对象的待使用疲劳评分)。

基于上述S1的相关内容可知，当被监控对象完成待评测试题之后，可以根据该被监控对象在答复待评测试题时出现的脑电数据与眼动数据、被监控对象针对待评测试题的答复数据、以及该待评测试题的属性信息，确定被监控对象的待使用疲劳评分，以使该待使用疲劳评分能够准确地表示被监控对象在答复待评测试题时所达到的疲劳程度，以便后续能够基于该待使用疲劳评分判断该被监控对象是否已处于疲劳状态。

S2：若被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定被监控对象在答复待评测试题时所具有的学习状态为疲劳状态。

其中，疲劳评分阈值用于描述疲劳状态与非疲劳状态之间的分界线；而且本申请实施例不限定疲劳评分阈值的确定方式，例如，疲劳评分阈值可以预先设定。

在一些情况下，为了进一步提高疲劳评分阈值的准确性，具有不同属性信息的试题可以对应于不同疲劳评分阈值。基于此，本申请实施例还提供了学习状态监控方法的一种可能的实施方式，其在S2之前还包括：从第一映射关系中查找待评测试题的属性信息对应的疲劳评分阈值。其中，第一映射关系包括待评测试题的属性信息与该待评测试题的属性信息对应的疲劳评分阈值之间的对应关系。

可见，第一映射关系用于记录不同属性信息(如，试题难度和/或试题类型)所对应的疲劳评分阈值，故为了进一步提高疲劳评分阈值的准确性，可以在获取到待评测试题的属性信息之后，可以从第一映射关系中查找待评测试题的属性信息对应的疲劳评分阈值(例如，若第一映射关系用于记录不同试题难度所对应的疲劳评分阈值，则可以从第一映射关系中查找待评测试题的试题难度对应的疲劳评分阈值。又如，若第一映射关系用于记录不同试题类型所对应的疲劳评分阈值，则可以从第一映射关系中查找待评测试题的试题类型对应的疲劳评分阈值。还如，若第一映射关系用于记录不同二元组(试题难度，试题类型)所对应的疲劳评分阈值，则可以从第一映射关系中查找二元组(待评测试题的试题难度，待评测试题的试题类型)对应的疲劳评分阈值)，以便后续能够利用该疲劳评分阈值与被监控对象的待使用疲劳评分进行比较。

在一些情况下，为了进一步提高疲劳评分阈值的准确性，不同试题可以对应于不同疲劳评分阈值。基于此，本申请实施例还提供了学习状态监控方法的一种可能的实施方式，其在S2之前还包括：从第二映射关系中查找待评测试题对应的疲劳评分阈值。其中，第二映射关系包括待评测试题与该待评测试题对应的疲劳评分阈值之间的对应关系。

可见，第二映射关系用于记录不同试题所对应的疲劳评分阈值，故为了进一步提高疲劳评分阈值的准确性，可以在获取到待评测试题之后，可以从第二映射关系中查找待评测试题对应的疲劳评分阈值，以便后续能够利用该疲劳评分阈值与被监控对象的待使用疲劳评分进行比较。

另外，本申请实施例不限定上述第一映射关系或者第二映射关系中各个疲劳评分阈值的获取方式，例如，可以预先设定。又如，可以预先基于一些样本数据进行生成，为了便于理解，下面以一个疲劳评分阈值的生成过程为例进行说明。

作为示例，疲劳评分阈值可以预先根据样本对象的样本脑电数据、该样本对象的样本眼动数据、该样本对象的样本答题信息和样本试题的属性信息进行生成。

其中，样本对象是指生成疲劳评分阈值时所需参考的学生；而且，本申请实施例不限定样本对象的个数，例如，样本对象的个数可以为M，M为正整数。

样本试题是指样本对象已完成的试题；而且该样本试题与上述“待评测试题”之间满足预设关联关系。

另外，本申请实施例不限定上述“预设关联关系”，例如，该“预设关联关系”可以包括以下任一种关系：

关系1：样本试题的试题难度与待评测试题的试题难度相同。

关系2：样本试题的试题类型与待评测试题的试题类型相同。

关系3：样本试题的试题类型以及试题难度分别与待评测试题的试题类型以及试题难度相同。

关系4：样本试题为待评测试题。

此外，本申请实施例不限定上述“预设关联关系”确定过程，例如，在一种可能的实施方式中，上述“预设关联关系”可以根据当前应用场景下的监控精确度要求进行确定；其具体可以包括：若当前应用场景下的监控精确度要求包括达到试题难度级别精确度，则可以确定同一试题难度下所有试题共享同一个疲劳评分阈值，故可以确定上述“预设关联关系”包括“样本试题的试题难度与待评测试题的试题难度相同”；若当前应用场景下的监控精确度要求包括达到试题类型级别精确度，则可以确定属于同一试题类型的所有试题共享同一个疲劳评分阈值，故可以确定将上述“预设关联关系”包括“样本试题的试题类型与待评测试题的试题类型相同”；若当前应用场景下的监控精确度要求是达到试题级别精确度，则可以确定各个试题分别对应于不同疲劳评分阈值，故可以确定上述“预设关联关系”包括“样本试题为待评测试题”。

可见，上述“关系1”可以用于构建记录有不同试题难度所对应的疲劳评分阈值的第一映射关系；上述“关系2”可以用于构建记录有不同试题类型所对应的疲劳评分阈值的第一映射关系；上述“关系3”可以用于构建记录有不同二元组(试题难度，试题类型)所对应的疲劳评分阈值的第一映射关系；上述“关系4”可以用于构建记录有不同试题所对应的疲劳评分阈值的第二映射关系。

样本对象的样本脑电数据是指利用样本试题对该样本对象进行学习状态监控时所需参考的脑电波信息；而且该样本对象的样本脑电数据可以包括该样本对象在答复该样本试题时出现的脑电数据。需要说明的是，“脑电数据”的相关内容请参见上文S1。

样本对象的样本眼动数据是指利用样本试题对该样本对象进行学习状态监控时所需参考的眼动信息；而且该样本对象的样本眼动数据包括该样本对象在答复该样本试题时出现的眼动数据。需要说明的是，“眼动数据”的相关内容请参见上文S1。

样本对象的样本答题信息是指利用样本试题对该样本对象进行学习状态监控时所需参考的试题答复数据；而且该样本对象的样本答题信息包括该样本对象针对该样本试题的答复数据。需要说明的是，“答复数据”的相关内容请参见上文S1。

另外，本申请实施例不限定“疲劳评分阈值”的生成过程，例如，在一种可能的实施方式下，若样本对象的个数为M，则“疲劳评分阈值”的生成过程具体可以包括步骤21-步骤23：

步骤21：根据第m个样本对象的样本脑电数据、该第m个样本对象的样本眼动数据、该第m个样本对象的样本答题信息和该第m个样本试题的属性信息，确定该第m个样本对象的样本疲劳评分。其中，m为正整数；m≤M，M为正整数。

其中，第m个样本对象的样本疲劳评分用于表示该第m个样本对象在答复样本试题时所达到的疲劳程度，以使该“第m个样本对象的样本疲劳评分”能够准确地表示出该第m个样本对象在答复样本试题时所处的学习状态。

另外，“第m个样本对象的样本疲劳评分”的确定过程可以采用上文“被监控对象的待使用疲劳评分”的确定过程的任一实施方式进行实施，只需将上文被监控对象的待使用疲劳评分”的确定过程的任一实施方式中“被监控对象”替换为“第m个样本对象”、以及“待使用疲劳评分”替换为“样本疲劳评分”即可。

步骤22：获取第m个样本对象的至少一个人格得分；其中，m为正整数；m≤M，M为正整数。

其中，第m个样本对象的至少一个人格得分用于描述该第m个样本对象在至少一个人格维度上所呈现的人格特点。

另外，本申请实施例不限定“至少一个人格”，例如，其具体可以包括大五人格问卷所测量的人格(也就是，开放性、责任心、外倾性、宜人性、神经质)，也可以包括卡特尔16种人格因素问卷所测量的人格(也就是，乐群性、聪慧性、稳定性、恃强性、兴奋性、有恒性、敢为性、敏感性、怀疑性、幻想性、世故性、忧虑性、实验性、独立性、自律性、紧张性)，还可以包括艾森克人格问卷所测量的人格(也就是，内外向性、神经质、精神质)。

此外，本申请实施例不限定步骤22的实施方式，例如，其具体可以包括：根据第m个样本对象在预设人格测量问卷(如，大五人格问卷、卡特尔16种人格因素问卷、艾森克人格问卷等)上的测量结果，确定该第m个样本对象的至少一个人格得分。

步骤23：根据M个样本对象的样本疲劳评分和该M个样本对象的至少一个人格得分，确定疲劳评分阈值。

作为示例，若人格得分的个数为N，则步骤23具体可以包括步骤231-步骤233：

步骤231：根据M个样本对象的样本疲劳评分，得到样本疲劳评分对应的正态分布均值、样本疲劳评分对应的正态分布标准差和样本疲劳评分对应的正态分布图。

本申请实施例不限定步骤231的实施方式，为了便于理解，下面结合两个示例进行说明。

示例1，步骤231具体可以包括步骤31-步骤33：

步骤31：根据M个样本对象的样本疲劳评分之间的平均值，确定样本疲劳评分对应的正态分布均值。

本申请实施例中，在获取到M个样本对象的样本疲劳评分之后，可以先计算该M个样本对象的样本疲劳评分之间的平均值；再根据该平均值确定样本疲劳评分对应的正态分布均值(例如，可以直接将该平均值确定为样本疲劳评分对应的正态分布均值)。

步骤32：根据M个样本对象的样本疲劳评分之间的方差，确定样本疲劳评分对应的正态分布标准差。

本申请实施例中，在获取到M个样本对象的样本疲劳评分之后，先计算该M个样本对象的样本疲劳评分之间的方差；再根据该平均值确定样本疲劳评分对应的正态分布标准差(例如，可以直接将该方差确定为样本疲劳评分对应的正态分布标准差)。

步骤33：根据样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差，构建该样本疲劳评分对应的正态分布图。

本申请实施例中，在获取到样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差之后，可以依据上述两者构建该样本疲劳评分对应的正态分布图，以使该正态分布图能够按照该样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差进行数据分布。

基于上述步骤31至步骤33的相关内容可知，在获取到M个样本对象的样本疲劳评分之后，可以先依据该M个样本对象的样本疲劳评分，确定样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差；再参考上述两个正态分布参数构建该样本疲劳评分对应的正态分布图，以使该正态分布图能够准确地表示出该M个样本对象的样本疲劳评分的正态分布状态。

示例2，步骤231具体可以包括步骤41-步骤42：

步骤41：对M个样本对象的样本疲劳评分进行正态分布拟合，得到样本疲劳评分对应的正态分布图。

需要说明的是，本申请实施例不限定步骤41中“正态分布拟合”的实施方式，可以采用现有的或者未来出现的任一种能够从一些数据中拟合出正态分布图的方法进行实施。

步骤42：根据样本疲劳评分对应的正态分布图，确定该样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差。

基于上述步骤41至步骤42的相关内容可知，在获取到M个样本对象的样本疲劳评分之后，可以先依据对M个样本对象的样本疲劳评分进行正态分布拟合，得到样本疲劳评分对应的正态分布图，以使该正态分布图能够准确地表示出该M个样本对象的样本疲劳评分的正态分布状态；再从该正态分布图中提取出该样本疲劳评分对应的正态分布均值和该样本疲劳评分对应的正态分布标准差。

基于上述步骤232的相关内容可知，在获取到M个样本对象的样本疲劳评分之后，可以从该M个样本对象的样本疲劳评分中分析出样本疲劳评分对应的正态分布均值、样本疲劳评分对应的正态分布标准差和样本疲劳评分对应的正态分布图，以便后续能够基于这些数据确定疲劳评分阈值。

步骤232：根据M个样本对象的第n个人格得分，确定第n个人格得分对应的正态分布均值、第n个人格得分对应的正态分布标准差和第n个人格得分对应的正态分布图；其中，n为正整数，n≤N，N为正整数。

本申请实施例不限定步骤231的实施方式，为了便于理解，下面结合两个示例进行说明。

示例1，步骤232具体可以包括步骤51-步骤53：

步骤51：根据M个样本对象的第n个人格得分之间的平均值，确定第n个人格得分对应的正态分布均值。

本申请实施例中，在获取到M个样本对象的第n个人格得分之后，可以先计算该M个样本对象的第n个人格得分之间的平均值；再根据该平均值确定第n个人格得分对应的正态分布均值(例如，可以直接将该平均值确定为第n个人格得分对应的正态分布均值)。

步骤52：根据M个样本对象的第n个人格得分之间的方差，确定第n个人格得分对应的正态分布标准差。

本申请实施例中，在获取到M个样本对象的第n个人格得分之后，先计算该M个样本对象的第n个人格得分之间的方差；再根据该平均值确定第n个人格得分对应的正态分布标准差(例如，可以直接将该方差确定为第n个人格得分对应的正态分布标准差)。

步骤53：根据第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差，构建该第n个人格得分对应的正态分布图。

本申请实施例中，在获取到第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差之后，可以依据上述两者构建该第n个人格得分对应的正态分布图，以使该正态分布图按照该第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差进行数据分布。

基于上述步骤51至步骤53的相关内容可知，在获取到M个样本对象的第n个人格得分之后，可以先依据该M个样本对象的第n个人格得分，确定第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差；再参考上述两个正态分布参数构建该第n个人格得分对应的正态分布图，以使该正态分布图能够准确地表示出该M个样本对象的第n个人格得分的正态分布状态。

示例2，步骤232具体可以包括步骤61-步骤62：

步骤61：对M个样本对象的第n个人格得分进行正态分布拟合，得到第n个人格得分对应的正态分布图。

需要说明的是，本申请实施例不限定步骤61中“正态分布拟合”的实施方式，可以采用现有的或者未来出现的任一种能够从一些数据中拟合出正态分布图的方法进行实施。

步骤62：根据第n个人格得分对应的正态分布图，确定该第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差。

基于上述步骤61至步骤62的相关内容可知，在获取到M个样本对象的第n个人格得分之后，可以先依据对M个样本对象的第n个人格得分进行正态分布拟合，得到第n个人格得分对应的正态分布图，以使该正态分布图能够准确地表示出该M个样本对象的第n个人格得分的正态分布状态；再从该正态分布图中提取出该第n个人格得分对应的正态分布均值和该第n个人格得分对应的正态分布标准差。

基于上述步骤232的相关内容可知，在获取到M个样本对象的第n个人格得分之后，可以从该M个样本对象的第n个人格得分中分析出第n个人格得分对应的正态分布均值、第n个人格得分对应的正态分布标准差和第n个人格得分对应的正态分布图，以便后续能够基于这些数据确定疲劳评分阈值。其中，n为正整数，n≤N，N为正整数。

步骤233：根据M个样本对象的N个人格得分、样本疲劳评分对应的正态分布图、该样本疲劳评分对应的正态分布均值、该样本疲劳评分对应的正态分布标准差、该N个人格得分对应的正态分布图、该N个人格得分对应的正态分布均值、和该N个人格得分对应的正态分布标准差，确定疲劳评分阈值。

本申请实施例不限定步骤233的实施方式，例如，其具体可以包括步骤71-步骤72：

步骤71：根据M个样本对象的第n个人格得分、样本疲劳评分对应的正态分布均值、该样本疲劳评分对应的正态分布标准差、第n个人格得分对应的正态分布均值、该第n个人格得分对应的正态分布标准差、以及样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度，确定第n个人格得分对应的试题评分。其中，n为正整数，n≤N，N为正整数。

其中，上述“样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度”用于表示样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关性。

另外，本申请实施例不限定上述“样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度”的确定过程，例如，可以先利用js散度(Jensen–Shannon divergence)计算出样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的距离；再将样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的距离的倒数，确定为“样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度”。

第n个人格得分对应的试题评分用于表示上述“M个样本对象”在答复样本试题时在第n个人格得分上所呈现的学习状态(例如，疲劳程度)。

另外，本申请实施例不限定步骤71的实施方式，为了便于理解，下面结合两个示例进行说明。

示例一，若第n个人格得分对应的试题评分只包括一个数值，则步骤71可以利用公式(2)进行实施。

式中，

表示第n个人格得分对应的试题评分；U_z表示样本疲劳评分对应的正态分布均值；sd_z表示样本疲劳评分对应的正态分布标准差；

表示第m个样本对象的第n个人格得分；

表示第n个人格得分对应的正态分布均值；

表示第n个人格得分对应的正态分布标准差；d_n表示样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度。

示例二，若第n个人格得分对应的试题评分包括M个数值，则步骤71可以利用公式(3)进行实施。

式中，

表示第n个人格得分对应的试题评分中第m个数值(也就是，第n个人格得分对应的试题评分包括

)；U_z表示样本疲劳评分对应的正态分布均值；sd_z表示样本疲劳评分对应的正态分布标准差；

表示第m个样本对象的第n个人格得分；

表示第n个人格得分对应的正态分布均值；

表示第n个人格得分对应的正态分布标准差；d_n表示样本疲劳评分对应的正态分布图与第n个人格得分对应的正态分布图之间的相关程度。

基于上述步骤71的相关内容可知，在获取到样本疲劳评分对应的正态分布均值、样本疲劳评分对应的正态分布标准差、第n个人格得分对应的正态分布均值、第n个人格得分对应的正态分布标准差、以及第n个人格得分对应的正态分布图之后，可以参考这些信息以及M个样本对象的第n个人格得分，确定该第n个人格得分对应的试题评分，以使该第n个人格得分对应的试题评分能够准确地表示出上述“M个样本对象”在答复样本试题时在第n个人格得分上所呈现的疲劳程度。

步骤72：根据M个样本对象的N个人格得分和该N个人格得分对应的试题评分，确定疲劳评分阈值。

本申请实施例不限定步骤72的实施方式，为了便于理解，下面结合两个示例进行说明。

示例一：若第n个人格得分对应的试题评分为上述

则步骤72具体可以利用公式(4)进行实施。

式中，P_threshold表示疲劳评分阈值；；

表示第m个样本对象的第n个人格得分；

表示第n个人格得分对应的试题评分。

示例二，若第n个人格得分对应的试题评分包括

则骤72具体可以利用公式(5)进行实施。

式中，P_threshold表示疲劳评分阈值；；

表示第m个样本对象的第n个人格得分；

表示第n个人格得分对应的试题评分中第m个数值。

基于上述疲劳评分阈值的相关内容可知，疲劳评分阈值能够准确地表示出处于正常状态(也就是，未达到疲劳状态)的学生在答复待评测试题时所呈现的学习状态(例如，疲劳程度)，故后续可以将该疲劳评分阈值作为参考值来监控一个学生的学习状态。

可见，在获取到被监控对象的待使用疲劳评分之后，若该被监控对象的待使用疲劳评分高于疲劳评分阈值(如，待评测试题的试题难度对应的疲劳评分阈值、待评测试题的试题类型对应的疲劳评分阈值、二元组(待评测试题的试题难度，待评测试题的试题类型)对应的疲劳评分阈值、或者待评测试题对应的疲劳评分阈值)，则表示该被监控对象在答复待评测试题时所呈现的疲劳程度较高，从而可以确定该被监控对象在答复待评测试题时所具有的学习状态为疲劳状态；若该被监控对象的待使用疲劳评分不高于该疲劳评分阈值，则表示该被监控对象在答复待评测试题时所呈现的疲劳程度较低，从而可以确定该被监控对象在答复待评测试题时所具有的学习状态为正常状态。

另外，为了能够进一步提高被监控对象的学习效果，可以在确定被监控对象的待使用疲劳评分高于疲劳评分阈值之后，生成提醒信息并将该提醒信息发送给该被监控对象，以使该提醒信息用于提醒该被监控对象进行休息。

可见，在确定被监控对象的待使用疲劳评分高于疲劳评分阈值之后，可以确定该被监控对象在答复待评测试题时所达到的疲劳程度比较高，从而可以确定该被监控对象的学习能力已经开始下降，故可以借助提醒信息向该被监控对象进行休息提醒，以使该被监控对象能够及时地进行休息，如此能够尽可能地避免被监控对象在疲劳状态下进行无效学习，如此有利于提高该被监控对象的学习效果。

需要说明的是，本申请实施例不限定上述“提醒信息”的发送方式，例如，其具体可以为借助显示屏进行显示、借助短信进行发送、借助邮件进行发送等。

基于上述S1至S2的相关内容可知，对于本申请实施例提供的学习状态监控方法来说，在确定被监控对象完成待评测试题之后，根据该被监控对象的待使用脑电数据、该被监控对象的待使用眼动数据、该被监控对象的待使用答题信息和该待评测试题的属性信息，确定该被监控对象的待使用疲劳评分；若该被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定该被监控对象在答复该待评测试题时所具有的学习状态为疲劳状态，如此实现针对被监控对象的学习状态进行监控。

其中，因被监控对象的待使用脑电数据包括该被监控对象在答复该待评测试题时出现的脑电数据，被监控对象的待使用眼动数据包括该被监控对象在答复该待评测试题时出现的眼动数据，且被监控对象的待使用答题信息包括该被监控对象针对该待评测试题的答复数据，使得基于这些数据确定的被监控对象的待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时所具有的学习状态，从而使得该待使用疲劳评分能够更准确地表示出该被监控对象在答复该待评测试题时是否出现疲劳状态，如此使得基于该待使用疲劳评分实现的学习状态监控过程更准确，从而有利于提高被监控对象的学习效果。

基于上述方法实施例提供的学习状态监控方法，本申请实施例还提供了一种学习状态监控装置，下面结合附图进行解释和说明。

装置实施例

装置实施例对学习状态监控装置进行介绍，相关内容请参见上述方法实施例。

参见图3，该图为本申请实施例提供的一种学习状态监控装置的结构示意图。

本申请实施例提供的学习状态监控装置300，包括：

评分确定单元301，用于在确定被监控对象完成待评测试题之后，根据所述被监控对象的待使用脑电数据、所述被监控对象的待使用眼动数据、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分；其中，所述被监控对象的待使用脑电数据包括所述被监控对象在答复所述待评测试题时出现的脑电数据；所述被监控对象的待使用眼动数据包括所述被监控对象在答复所述待评测试题时出现的眼动数据；所述被监控对象的待使用答题信息包括所述被监控对象针对所述待评测试题的答复数据；

疲劳确定单元302，用于若所述被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定所述被监控对象在答复所述待评测试题时所具有的学习状态为疲劳状态。

在一种可能的实施方式中，所述评分确定单元301，包括：

第一确定子单元，用于根据所述被监控对象的待使用脑电数据和所述被监控对象的待使用眼动数据，确定所述被监控对象的身体疲劳得分；

第二确定子单元，用于根据所述被监控对象的身体疲劳得分、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述第一确定子单元，具体用于：对所述被监控对象的待使用脑电数据进行特征提取，得到所述被监控对象的待使用脑电特征；对所述被监控对象的待使用眼动数据进行特征分析，得到所述被监控对象的待使用眼动特征；对所述被监控对象的待使用脑电特征和所述被监控对象的待使用眼动特征进行因子分析，得到至少一个公因子和所述至少一个公因子对应的加权权重；按照所述至少一个公因子对应的加权权重，对所述至少一个公因子进行加权求和，得到所述被监控对象的身体疲劳得分。

在一种可能的实施方式中，所述第二确定子单元，包括：

第三确定子单元，用于若所述待使用答题信息包括待使用答题时长和待使用答题准确率，且所述属性信息包括参考时长，则根据所述被监控对象的待使用答题时长与所述待评测试题的参考时长之间的比值，确定所述被监控对象的答复时长得分；其中，所述被监控对象的待使用答题时长是指所述被监控对象针对所述待评测试题的答复时长；

第四确定子单元，用于根据所述被监控对象的待使用答题准确率的倒数，确定所述被监控对象的答复准确率得分；其中，所述被监控对象的待使用答题准确率是指所述被监控对象针对所述待评测试题的答复准确率；

第五确定子单元，用于根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述第五确定子单元，具体用于：根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分之间的乘积，确定所述被监控对象的待使用疲劳评分。

在一种可能的实施方式中，所述疲劳评分阈值是根据样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和样本试题的属性信息生成的；其中，所述样本试题与所述待评测试题之间满足预设关联关系；所述样本对象的样本脑电数据包括所述样本对象在答复所述样本试题时出现的脑电数据；所述样本对象的样本眼动数据包括所述样本对象在答复所述样本试题时出现的眼动数据；所述样本对象的样本答题信息包括所述样本对象针对所述样本试题的答复数据。

在一种可能的实施方式中，所述样本试题与所述待评测试题之间满足预设关联关系，包括：

所述样本试题的试题难度与所述待评测试题的试题难度相同；

或者，

所述样本试题的试题类型与所述待评测试题的试题类型相同；

或者，

所述样本试题的试题类型以及试题难度分别与所述待评测试题的试题类型以及试题难度相同；

或者，

所述样本试题为所述待评测试题。

在一种可能的实施方式中，所述疲劳评分阈值的生成过程，包括：

根据所述样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和所述样本试题的属性信息，确定所述样本对象的样本疲劳评分；

获取所述样本对象的至少一个人格得分；

根据所述样本对象的至少一个人格得分和所述样本对象的样本疲劳评分，确定所述疲劳评分阈值。

在一种可能的实施方式中，若所述人格得分的个数为N，且所述样本对象的个数为M，则所述疲劳评分阈值的确定过程，包括：

根据M个样本对象的样本疲劳评分，得到所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差和所述样本疲劳评分对应的正态分布图；其中，M为正整数；

根据所述M个样本对象的第n个人格得分，确定所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差和所述第n个人格得分对应的正态分布图；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分、所述样本疲劳评分对应的正态分布图、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述N个人格得分对应的正态分布图、所述N个人格得分对应的正态分布均值、和所述N个人格得分对应的正态分布标准差，确定所述疲劳评分阈值。

在一种可能的实施方式中，所述疲劳评分阈值的确定过程，包括：

根据所述M个样本对象的第n个人格得分、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差、以及所述样本疲劳评分对应的正态分布图与所述第n个人格得分对应的正态分布图之间的相关程度，确定所述第n个人格得分对应的试题评分；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分和所述N个人格得分对应的试题评分，确定所述疲劳评分阈值。

在一种可能的实施方式中，所述学习状态监控装置300还包括：

信息提醒单元，用于在确定所述被监控对象的待使用疲劳评分高于疲劳评分阈值之后，生成提醒信息，并将所述提醒信息发送给所述被监控对象；其中，所述提醒信息用于提醒所述被监控对象进行休息。

基于上述学习状态监控装置300的相关内容，如图4所示，本申请实施例还提供了一种学习状态监控系统400，所述系统400包括：脑电波采集设备401、眼动采集设备402和本申请实施例提供的学习状态监控装置300的任一实施方式；其中，所述脑电波采集设备401用于采集被监控对象的待使用脑电数据并将所述被监控对象的待使用脑电数据发送给所述学习状态监控装置300；所述眼动采集设备402用于采集所述被监控对象的待使用眼动数据并将所述被监控对象的待使用眼动数据发送给所述学习状态监控装置300。

进一步地，本申请实施例还提供了一种学习状态监控设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述学习状态监控方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述学习状态监控方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述学习状态监控方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (16)

1.一种学习状态监控方法，其特征在于，所述方法包括：

在确定被监控对象完成待评测试题之后，根据所述被监控对象的待使用脑电数据、所述被监控对象的待使用眼动数据、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分；其中，所述被监控对象的待使用脑电数据包括所述被监控对象在答复所述待评测试题时出现的脑电数据；所述被监控对象的待使用眼动数据包括所述被监控对象在答复所述待评测试题时出现的眼动数据；所述被监控对象的待使用答题信息包括所述被监控对象针对所述待评测试题的答复数据；

若所述被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定所述被监控对象在答复所述待评测试题时所具有的学习状态为疲劳状态。

2.根据权利要求1所述的方法，其特征在于，所述被监控对象的待使用疲劳评分的确定过程，包括：

根据所述被监控对象的待使用脑电数据和所述被监控对象的待使用眼动数据，确定所述被监控对象的身体疲劳得分；

根据所述被监控对象的身体疲劳得分、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分。

3.根据权利要求2所述的方法，其特征在于，所述被监控对象的身体疲劳得分的确定过程，包括：

对所述被监控对象的待使用脑电数据进行特征提取，得到所述被监控对象的待使用脑电特征；

对所述被监控对象的待使用眼动数据进行特征分析，得到所述被监控对象的待使用眼动特征；

对所述被监控对象的待使用脑电特征和所述被监控对象的待使用眼动特征进行因子分析，得到至少一个公因子和所述至少一个公因子对应的加权权重；

按照所述至少一个公因子对应的加权权重，对所述至少一个公因子进行加权求和，得到所述被监控对象的身体疲劳得分。

4.根据权利要求2所述的方法，其特征在于，若所述待使用答题信息包括待使用答题时长和待使用答题准确率，且所述属性信息包括参考时长，则所述根据所述被监控对象的身体疲劳得分、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分，包括：

根据所述被监控对象的待使用答题时长与所述待评测试题的参考时长之间的比值，确定所述被监控对象的答复时长得分；其中，所述被监控对象的待使用答题时长是指所述被监控对象针对所述待评测试题的答复时长；

根据所述被监控对象的待使用答题准确率的倒数，确定所述被监控对象的答复准确率得分；其中，所述被监控对象的待使用答题准确率是指所述被监控对象针对所述待评测试题的答复准确率；

根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分，确定所述被监控对象的待使用疲劳评分。

5.根据权利要求4所述的方法，其特征在于，所述根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分，确定所述被监控对象的待使用疲劳评分，包括：

根据所述被监控对象的身体疲劳得分、所述被监控对象的答复时长得分和所述被监控对象的答复准确率得分之间的乘积，确定所述被监控对象的待使用疲劳评分。

6.根据权利要求1所述的方法，其特征在于，所述疲劳评分阈值是根据样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和样本试题的属性信息生成的；其中，所述样本试题与所述待评测试题之间满足预设关联关系；所述样本对象的样本脑电数据包括所述样本对象在答复所述样本试题时出现的脑电数据；所述样本对象的样本眼动数据包括所述样本对象在答复所述样本试题时出现的眼动数据；所述样本对象的样本答题信息包括所述样本对象针对所述样本试题的答复数据。

7.根据权利要求6所述的方法，其特征在于，所述样本试题与所述待评测试题之间满足预设关联关系，包括：

所述样本试题的试题难度与所述待评测试题的试题难度相同；

或者，

所述样本试题的试题类型与所述待评测试题的试题类型相同；

或者，

所述样本试题的试题类型以及试题难度分别与所述待评测试题的试题类型以及试题难度相同；

或者，

所述样本试题为所述待评测试题。

8.根据权利要求6所述的方法，其特征在于，所述疲劳评分阈值的生成过程，包括：

根据所述样本对象的样本脑电数据、所述样本对象的样本眼动数据、所述样本对象的样本答题信息和所述样本试题的属性信息，确定所述样本对象的样本疲劳评分；

获取所述样本对象的至少一个人格得分；

根据所述样本对象的至少一个人格得分和所述样本对象的样本疲劳评分，确定所述疲劳评分阈值。

9.根据权利要求8所述的方法，其特征在于，若所述人格得分的个数为N，且所述样本对象的个数为M，则所述根据所述样本对象的至少一个人格得分和所述样本对象的样本疲劳评分，确定所述疲劳评分阈值，包括：

根据M个样本对象的样本疲劳评分，得到所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差和所述样本疲劳评分对应的正态分布图；其中，M为正整数；

根据所述M个样本对象的第n个人格得分，确定所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差和所述第n个人格得分对应的正态分布图；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分、所述样本疲劳评分对应的正态分布图、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述N个人格得分对应的正态分布图、所述N个人格得分对应的正态分布均值、和所述N个人格得分对应的正态分布标准差，确定所述疲劳评分阈值。

10.根据权利要求9所述的方法，其特征在于，所述疲劳评分阈值的确定过程，包括：

根据所述M个样本对象的第n个人格得分、所述样本疲劳评分对应的正态分布均值、所述样本疲劳评分对应的正态分布标准差、所述第n个人格得分对应的正态分布均值、所述第n个人格得分对应的正态分布标准差、以及所述样本疲劳评分对应的正态分布图与所述第n个人格得分对应的正态分布图之间的相关程度，确定所述第n个人格得分对应的试题评分；其中，n为正整数，n≤N，N为正整数；

根据所述M个样本对象的N个人格得分和所述N个人格得分对应的试题评分，确定所述疲劳评分阈值。

11.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在确定所述被监控对象的待使用疲劳评分高于疲劳评分阈值之后，生成提醒信息，并将所述提醒信息发送给所述被监控对象；其中，所述提醒信息用于提醒所述被监控对象进行休息。

12.一种学习状态监控装置，其特征在于，包括：

评分确定单元，用于在确定被监控对象完成待评测试题之后，根据所述被监控对象的待使用脑电数据、所述被监控对象的待使用眼动数据、所述被监控对象的待使用答题信息和所述待评测试题的属性信息，确定所述被监控对象的待使用疲劳评分；其中，所述被监控对象的待使用脑电数据包括所述被监控对象在答复所述待评测试题时出现的脑电数据；所述被监控对象的待使用眼动数据包括所述被监控对象在答复所述待评测试题时出现的眼动数据；所述被监控对象的待使用答题信息包括所述被监控对象针对所述待评测试题的答复数据；

疲劳确定单元，用于若所述被监控对象的待使用疲劳评分高于疲劳评分阈值，则确定所述被监控对象在答复所述待评测试题时所具有的学习状态为疲劳状态。

13.一种学习状态监控系统，其特征在于，所述系统包括：脑电波采集设备、眼动采集设备和权利要求12所述的学习状态监控装置；其中，所述脑电波采集设备用于采集被监控对象的待使用脑电数据并将所述被监控对象的待使用脑电数据发送给所述学习状态监控装置；所述眼动采集设备用于采集所述被监控对象的待使用眼动数据并将所述被监控对象的待使用眼动数据发送给所述学习状态监控装置。

14.一种设备，其特征在于，所述设备包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1至11任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1至11任一项所述的方法。

16.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行权利要求1至11任一项所述的方法。

Images