多项式SVM算法在可穿戴设备监测学习过程的应用

刘 峥，申 红，徐小勇

(西安铁路职业技术学院交通运输学院，陕西 西安 710064)

通过自我监控、自我评价来评估学生在不同阶段的学习效果，可帮助教师改进教学设计。为了监测学生的学习过程，相关研究使用了问卷调查方法[1]，对学生从学习情况、学习态度、对课程的评价及建议进行了调查分析，但这种方法并不是总能达到理想效果。为了提高问卷效度，学生需花费不少的时间和精力，且不可能将该问卷多次应用于所有课程。目前，价格低廉、具有获取和存储日常活动数据能力的可穿戴设备已经得到广泛应用。通过可穿戴设备，教师可以监测教学互动质量、学生心理健康和学习参与度[2]。

笔者在课堂活动中使用腕戴式设备捕获学生生理数据，并应用机器学习技术从生理数据推断学习效果。随后通过将学生在课堂上的相关信息提供给教师，促进教师不断提高教学质量，从而达到高效教学的目的[3]，以期为机器学习算法与人体生理数据研究领域提供新思路。

1 材料与方法

生理感知和量化自我技术的融合可以提供真实而细致的学习活动数据，从而为教师教学提供参考[4-5]。相关研究[6]表明，生理数据来源(包括可穿戴和稳定的设备)可以提供重要的信息来源，从而为使用可穿戴设备监测学生学习过程提供有力的数据保障。

在监测人体生理数据时，学者们往往关注来自自主神经系统的生理测量数据[7-8]，与中枢神经系统监测相比，自主神经系统监测成本更低、速度更快、佩戴更隐蔽，在生理学上更有效。近年来，相关专家学者对腕戴式可穿戴传感设备的研究越来越广泛，涉及的领域包括健身、医疗、娱乐、游戏和生活方式等。

量化自我技术可以帮助学生增强学习动机，做出明智的学习选择[9-10]，提高其元认知能力。例如，假设学生想要了解他的学习效率在一天的几个小时、一学期的几个时间段(例如，学期开始、考试前)等的变化情况，用传统的工具来评估学生的学习过程是无法实现的；而自我量化技术提供了这种可能，该技术可以帮助人们收集关于其行为、习惯和思想的个人数据，目的是让用户参与自我监控和自我反思，从而调节其生活中的各个方面。腕戴式可穿戴设备除了具有自我量化技术的非侵入性、可以进行高频用户活动跟踪等优点外，还提供了一种增强意识、动力和行为变化的方法。诸如，健身跟踪器可以为佩戴者提供其活动的信息[11]，并允许设定自己的目标。将健身追踪器的类比应用到学习环境中，有可能改变学生学习和教师教学的方式，并为各种学习设计、决策提供信息。

1.1 样本来源

为了在课堂活动中捕获细粒度的生理数据，本研究在某高校课堂中进行。参与者为31名年龄在18～24岁 (平均值为20.48，标准差(standard deviation，SD)为1.81)的计算机科学专业的学生，其中包括12名女生和19名男生，分为6组(5组5人，1组6人)。在每节课结束时，要求学生根据一份标准化的问卷来评估其在这堂课中的学习效果。

1.2 程序和装置

在每堂课开始时，参与者便戴上由本课题组自行设计、研发的腕戴设备。在课程结束时，每个参与者都要完成一份问卷调查表，该表记录的是其学习过程。上课时间约45 min(平均44.26 min，SD 6.4 min)，其中大约35 min是实际上课时间(平均35.1 min，SD 13.1 min)。参与者所用的腕戴式可穿戴设备能够同时捕获所有数据流，并且具有很高的准确性，同时入侵和维护需求少。

1.3 实验设计

实验设计为单组时间序列，实验时对每组进行连续生理数据监测和问卷调查测量，并进行数据处理。对每个参与者记录3次数据(每周1节课，持续3周)，并记录了3种不同的课堂活动，平均持续35.1 min。图1为实验方案，每个参与者花3～4 min入座并佩戴腕戴式可穿戴设备，开始课堂活动。参与者最终花费5～6 min完成问卷。每节课(包括设置设备、课堂活动加上填写问卷的时间)持续34.26 min。

图1 实验方案

1.4 测量

每节课结束时，学生们都要完成一份书面调查用于收集学生对学习过程的反馈，包括：1)满意度(SAT)；2)有用性(USE)；3)成绩(PER)。在每个课堂活动结束时，这3个因素被用来量化学生的学习体验。在所有的测量中，均采用7点李克特量表。

由于生理参数与情绪和认知过程密切相关，因此可以使用皮肤电活动(EDA)来检查潜意识中可能发生的内隐情绪反应[12-13]。此外，某些情绪会触发诸如肾上腺素之类的激素的释放，从而增加血流量，为肌肉带来更多的氧气，并增加血压。其中血流量的变化与血压和周围温度成正比。这些反应被用于推断各种与学习相关的参数，包括认知负荷、感知困难和学习成绩。

在学生上课期间，使用腕戴式可穿戴设备捕获参与者的生理参数数据，其中包括血液流变(HR)、血压(BP)、体温(TEMP)和皮肤电活动(EDA)水平[14-15]。参与者用非惯用手佩戴腕带，并记录4种不同的测量值：1)1 Hz时的HR；2)4 Hz时的EDA；3)4 Hz时的TEMP；4)64 Hz时的BP。

2 结果与讨论

2.1 可穿戴设备数据预处理和特征提取

腕戴式可穿戴设备数据会受到年龄、性别、一天中的不同时间段以及其他生理状况的影响。为了消除时间序列数据中的个人偏差和其他条件偏差，将时间序列归一化为数据前10 s的平均值。此外，使用MinMax归一化来使所有数据在0到1范围内。为了消除可穿戴设备数据源(EDA，HR，BP，TEMP)中的噪声，在时间序列数据上拟合样条曲线。图2显示了从原始时间序列到平滑时间序列的过程。

图2 数据预处理过程

2.2 问卷测量的聚合效度

聚合效度是指运用不同测量方法测定同一特征时测量结果的相似程度，即不同测量方式应在相同特征的测定中聚合在一起。本研究使用3个参数来评估聚合效度，即组合信度、项目信度、平均方差提取值(AVE)。

本文对组合信度和维度进行了分析，以检查问卷中所使用量表的有效性。关于量表的可靠性，使用克朗巴哈系数α，通过测量加载到基础结构上的因子来评估每个项目的信度，包括3个因子：满意度、有用性、成绩，如表1所示。AVE测量的是总体变异数与测量误差引起的变异数之间的关系。当平均方差提取值大于或等于0.50时，聚合效度满足要求。

表1 问卷测量量表

本文使用皮尔逊相关系数P确定3个变量之间的相关性，该系数量化了变量之间关系的强度。如表2所示，皮尔逊检验证明了这3个因素之间存在较强的相关性。此外，还对变量进行了区分效度检验，要求每个变量平均方差提取值的平方根大于其与其余变量的相关性。

表2 各个因素之间的P值

2.3 学习过程预测的可行性

本文考虑了4种数据流，即BVP(blood volume pulse，血容量脉搏)、HR、EDA、TEMP。对于每种数据流，分别使用4种不同的训练算法——随机森林(RF)，线性内核(SVM)、径向基内核(SVM)和多项式内核(SVM)来计算与3个问卷调查因子(SAT、USE、PER)有关的均方根误差(RMSE)。4种训练算法的选择符合普适计算的相关工作，也与算法的质量有关。这4种训练算法都可以用于预测分类目标变量和连续目标变量。

图3显示了不同训练算法和不同数据流(BVP、HR、EDA、TEMP)的比较，其中具有多项式内核的SVM优于其他算法。结果表明，USE的最小错误率为13.8%，PER的最小错误率为11.0%，SAT的最小错误率为11.8%。

图3 不同训练算法和不同数据流(BVP、HR、EDA、TEMP)的比较

总体而言，多项式SVM优于其他训练算法。从图3可以看出，多项式SVM和径向SVM之间的成对差异表明没有统计学上的显著差异(P>0.05)。与径向SVM和多项式SVM相比，RF的性能较差(P<0.05)。由表3可知，线性SVM在统计上不及其他3种训练算法(P<0.001)。

表3 RF、线性SVM、径向SVM和多项式SVM成对差异t检验结果

上述研究结果表明，从可穿戴式传感器获得的生理数据可以反映学生的学习过程。将生理数据与机器学习算法相结合对学习效果进行评估可以取得更为准确的结果和自我责任感。使用可穿戴式传感设备自动捕获学生学习过程的可能性为使用量化自我技术的学生增强学习动机开辟了新途径。由于该方法为学生和老师提供了早期反馈，因此它使教师有可能得到关于精神不集中、不投入、不感兴趣的预警，并提醒学生和教师尽早采取补救措施。研究发现，利用生理数据可以很好地预测心理行为、学习参与度和学习成果。由此可知，可穿戴式传感技术在学习中的实际意义已大大增强。

研究结果对学习和人机交互研究还有一些启示。其一，提供了利用传感数据收集和检测学生学习过程可行性的证据，使得教师能够以相对容易和敏捷的方式来探索不同的教学和学习设计决策的有效性；其二，它为无法提供问卷反馈的学生群体(如由于缺乏语言能力或行为能力缺陷)提供了一种新的研究方向。总之，可穿戴传感技术与量化自我技术的结合可支持学习中的自我监测、评估和元认知反思，具有重要的实践意义和理论意义。

3 结束语

宝贵的学习经验可为学习者节省大量的时间，有利于推动学习目标的实现。如果能将学生在课堂上的体验信息提供给教师，则教师也能对自己的教学表现进行反思，设计出有效的、以学生为中心的教学方法。然而，要建立这样的反馈系统，首先需要设计有效的方法来获取学生的学习过程。为此，本文提出了基于可穿戴设备监测学生学习过程的方法，分别使用4种训练算法评估了与问卷调查因子有关的均方根误差。结果表明，相比于其他算法，多项式SVM算法在有用性、成绩、满意度方面具有优势，为可穿戴传感技术的发展提供了新的方向。