具体实施方式

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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

需要提前说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

需要提前说明的是，本申请实施例涉及到的装置或电子设备等可以执行在单个服务器上，也可以执行在服务器组。服务器组可以是集中式的，也可以是分布式的。在一些实施例中，服务器相对于终端，可以是本地的，也可以是远程的。例如，服务器可以经由网络访问存储在服务请求方终端、服务提供方终端、或数据库、或其任意组合中的信息和/或数据。作为另一示例，服务器可以直接连接到服务请求方终端、服务提供方终端和数据库中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。

另外，本申请实施例涉及到的装置或电子设备可以执行在接入设备或者第三方设备上，具体可以包括：移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能头盔、智能手表、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、增强现实头盔等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。

实施例一

图1为本申请实施例提供的一种数据监测方法的流程图，如图1所示，所述方法通过以下步骤实现：

步骤101、在获取到目标用户在目标时段内的一组心电信号之后，根据该组心电信号中每个心电信号的发生时刻和发生强度，确定该组心电信号的至少两个波峰的发生时刻。

具体的，为目标用户穿戴能够检测到心电信号的检测设备，检测设备通过蓝牙等无线或有线的方式将检测到的心电信号发送给数据处理中心。目标用户可以是一个，也可以是多个；当目标用户为多个时，为每个目标用户穿戴一套检测设备，同时通过每套检测设备获取该多个目标用户在目标时段内的多组心电信号。在本申请实施例中，数据处理中心是基于计算机完成数据处理的。目标时段的时长是预先设置的，可以进行调整。

对于获取的每组心电信号，需要先对心电信号进行去噪等一系列处理，将该组心电信号进行光滑处理。根据该组心电信号中每个心电信号的发生时刻和发生强度，确定出该组心电信号的波峰以及波峰发生的时刻。波峰可以通过该心电信号的心电图确定，也可以通过该组心电信号中每个心电信号数据的计算确定。

步骤102、按照所述发生时刻的先后顺序，计算两两相邻波峰的发生时刻之间的差值，以将所述差值作为RR间期的间隔值，将所述两两相邻波峰的发生时刻之间的时间段作为所述RR间期的发生时段。

具体的，RR间期为心电图上QRS波群(用于反映左、右心室的除极电位和时间变化情况的波形的组合)中连续两个R波之间的时长；RR间期的间隔值为该RR间期对应的两个R波之间时长的大小。所述波峰为R波所在的波峰。对于获取的每组心电信号，该组心电信号中每个心电信号都是按照该心电信号的发生时刻从小到大排列在该组心电信号中的，因此，该组心电信号间隔值的计算也是按照该发生时刻的顺序进行的。在步骤101确定该组心电信号的至少两个波峰的发生时刻之后，能够获取到如下数据。

举例说明，假设经过处理后的一组心电信号的波峰及波峰的发生时刻为：

则，在确定出上述数据之后，该组心电信号的RR间期为：

步骤103、在计算出至少一个RR间期的间隔值之后，确定包含所述RR间期的RR间期序列；其中，所述RR间期是按照计算的先后顺序进行排列的，所述RR间期包括所述间隔值和该RR间期的发生时段。

具体的，根据步骤102例中计算的RR间期，可以确定该组心电信号的RR间期序列为：0.6s、0.4s、1s。可知，RR间期序列中RR间期的顺序是按照RR间期的发生时段的先后顺序进行排列的。

步骤104、将所述RR间期序列中的RR间期作为输入数据，分别输入到至少两个用于计算特征值的预设子模型中，得到用于表示该组心电信号的波动特性的至少两个特征值；其中，不同的预设子模型用于计算波动特性在不同维度上的特征值。

具体的，根据步骤103中确定的RR间期序列，将RR间期序列作为输入数据输入到预设子模型中。其中，每个预设子模型能够对应的计算出一个维度的特征值，预设子模型中包含能够计算出该特征值的计算公式或计算程序。计算的所述特征值能从不同维度反映该组心电信号的时域、频域和非线性特性。

步骤105、按照预设组合方式将至少一个所述特征值进行组合，以将组合的至少一个结果作为待测组；其中，所述预设组合方式是通过SBS(Sequential BackwardSelection，序列后向选择)确定的。

具体的，SBS是指将多个所述特征值进行选择，在削减特征值的数量后，计算剩余的特征值组合中识别率最高的一组，如此往复，直到将预设组合方式中特征值的数量减少到预设组合数量，从而通过减少预设组合方式中特征值的数量，来减少运算时的计算量。其中，所述预设组合数量是预先设置的，能够对所述预设组合数量进行调整。所述预设组合方式中包含有预设组合数量的特征值。在本申请实施例中，设置了多个学习状态，通过SBS为每个学习状态确定一个对应的预设组合方式。根据步骤104计算得到的多个维度的特征值，对特征值进行组合，将按照多种预设组合方式组成的特征值的多个组合结果，作为该心电信号的多个待测组。

步骤106、在将所述待测组输入到监测模型之后，通过所述监测模型对所述待测组对应的该组心电信号标记用于表示学生的学习状态的标识，以根据所述标识监测所述学生的学习情况。

具体的，每组心电信号对应多个学习状态，在每个学习状态下，监测模型能够对待测组对应的一组心电信号进行标记，通过为该组心电信号标记用于表示学生学习状态的标识，当只对一组心电信号进行监测的时候，能够根据该标识确定出该组心电信号对应的学生的学习状态；当对多组心电信号进行监测的时候，能够根据对多组心电信号标记的标识的统计情况，确定出当前多组心电信号对应的多位同学的综合学习状态。在本申请实施例中，在确定了学生在不同学习状态下的学习标识之后，还能够对学生的学习状态、标识以及标识的统计结果进行展示。

本申请实施例通过获取的目标用户的心电信号，确定该组心电信号的RR间期序列，通过该RR间期序列，得到该RR间期序列对应的该组心电信号多个维度的特征值，以通过不同特征值的大小，反应当前该组心电信号的波动情况。从而根据特征值反应的波动情况，通过监测模型，为该组心电信号标记用于表示学生的学习状态的标识。对于监测模型来说，为每组心电信号标记标识的标准是相同的，与现有技术中教师通过学生的表情、表现以及形态，主观判断学生的学习状态的方法相比，监测模型标记的标识更具有客观性和真实性。通过上述方法，当目标用户设置为全班同学或具体某个同学时，教师能够根据监测模型标记的标识，了解到全班或具体某个同学的学习状态，能够对学生的学习状态进行监测，解决了现有技术中教师在上课时无法正确判断学生的学习状态问题。

在一个可行的实施方案中，图2为本申请实施例提供的另一种数据监测方法的流程图，如图2所示，可知，在执行步骤106时，步骤106中的所述监测模型是通过以下步骤进行训练的：

步骤201、针对每个学习状态，在获取到预设数量的目标用户的至少一组心电信号之后，为每组心电信号标记用于表示学生在该学习状态下的第一标识；其中，所述学习状态包括：知识学习状态与解决问题状态、学习阶段认知负荷匹配状态与不匹配状态、测试阶段认知负荷匹配状态与不匹配状态、知识点难度与群体学习能力匹配状态与不匹配状态、精神不疲劳与疲劳状态。

具体的，与传统的教学任务相比，基于认知负荷理论的教学任务效率更高，因为它们需要更少的训练时间和更少的脑力劳动来达到相同或者更好的学习和迁移效果。学习者的信息处理能力除了受到工作记忆的约束，还受到他们精神疲劳状态的约束。当长时间处于高强度的认知负荷中，学习者容易出现精神疲劳这一心理生理状态，无法有效地利用认知资源，导致信息处理效率降低。监测学习过程的以下三组状态对改善学习效果有重要意义，它们分别是：(1)信息输入/加工和加工/提取状态，(2)认知负荷匹配和不匹配的状态，(3)精神疲劳与不疲劳的状态。

因此，所述多个学习状态是根据认知负荷理论进行划分的，在本申请实施例中，将学习状态划分为：知识学习状态与解决问题状态、学习阶段认知负荷匹配状态与不匹配状态、测试阶段认知负荷匹配状态与不匹配状态、知识点难度与群体学习能力匹配状态与不匹配状态、精神不疲劳与疲劳状态。

对监测模型进行训练，以通过训练后的监测模型对每组心电信号的多个学习状态进行监测。因此，为了提高所述监测模型对每个学习状态监测的准确度，针对每个学习状态，需要使用该学习状态下的多组心电信号对该监测模型进行训练。在本申请实施例中，首先根据教育学理论对学生的学习状态进行划分，定义5个学习状态，每个学习状态对应两种学习情况，根据这五个学习状态，建模为五个二分类问题，并为每个学习状态下的标定标识的规则进行定义，根据定义的标定规则为每个学习状态对应的学生数据标记标识，采用有监督学习的方式，通过包含标识的学生数据对监测模型进行训练。所述标识分为阴性的标识和阳性的标识。阴性和阳性分别代表同一学习状态下的不同学习情况，用阳性表示学生的学习情况理想，用阴性表示学生的学习情况不理想。针对不同的学习状态，阴性、阳性代表的含义不同。在进行标记时，用0代表阳性、1代表阴性。

其中，对每个所述学习状态的数据来源，以及该学习状态下数据的标定规则进行如下介绍：

获取知识学习状态与解决问题状态下的预设数量的目标用户的至少一组心电信号。其中，知识学习状态与解决问题状态下的心电信号是在学生听课时(知识学习状态)和参与课堂测试时(解决问题状态)采集到的心电信号。例如，当预设数量为5时，分别采集5位同学在该知识学习状态与解决问题状态下对应的5组心电信号；当预设数量为10时，分别采集10位同学在该知识学习状态与解决问题状态下对应的10组心电信号。其中，每组心电信号的采集时长是预设的，可以进行修改。在在该知识学习状态与解决问题状态下，将听课时采集到的每组心电信号(知识学习状态的数据)的第一标识标记为0，将参与课堂测试时采集到的每组心电信号(解决问题状态的数据)的第一标识标记为1。

学习阶段认知负荷匹配状态与不匹配状态下的心电信号是学生在练习课堂测试题时采集到的心电信号；在学习阶段认知负荷匹配状态与不匹配状态下，将课堂测试题的分数大于或等于第一预设分数的学生的心电信号(学习阶段认知负荷匹配状态的数据)的第一标识标记为0；将成绩低于预设分数的学生的心电信号(学习阶段认知负荷不匹配状态的数据)的第一标识标记为1。

测试阶段认知负荷匹配状态与不匹配状态下的心电信号是学生在做考试测试题时采集到的心电信号；在测试阶段认知负荷匹配状态与不匹配状态下，将考试测试题的分数大于或等于第二预设分数(测试阶段的认知负荷匹配状态)的学生的心电信号的第一标识标记为0；将成绩低于预设分数(测试阶段的认知负荷不匹配状态)的学生的心电信号的第一标识标记为1。

第一预设分数和第二预设分数可以是具体的预设值，也可以是根据公式D＝(X_h-X_l)/W得到的。其中，W为测试题总分，X_h为测试题成绩排名在前A％学生成绩的平均分，X_l为测试题分数排名后A％的学生成绩的平均分。在计算第一预设分数时，将W作为课堂测试题的总分；在计算第二预设分数时，将W作为考试测试题的总分；A是预先设置的区分值，例如可以设置A＝27；通过改变A的大小，X_h、X_l均会发生改变，从而调整D的数值。根据实际情况，确定D的理想数值，并将使得D达到理想数值的A作为实际区分值。当测试题为课堂测试题时，将处于A％处的学生的成绩作为第一预设分数；当测试题为考试测试题时，将处于A％处的学生的成绩作为第二预设分数。

知识点难度与群体学习能力匹配状态与不匹配状态下的心电信号为学生在进行新知识学习时的心电信号；在知识点难度与群体学习能力匹配状态与不匹配状态下，根据学生提交的知识点难度调查结果和测试题成绩，将学生测试成绩优秀率为30％-50％区间之间的学生对应的每组心电信号(知识点难度与群体学习能力匹配状态的数据)标记为0；将学生测试成绩优秀率为30％-50％区间之外的学生对应的每组心电信号(知识点难度与群体学习能力不匹配状态的数据)标记为1。

精神不疲劳与疲劳状态下的心电信号是根据获取的在不同学习状态下的同一个学生的每组心电信号，根据学生的疲劳情况调查结果，将调查结果为疲劳的学生所对应的每组心电信号(精神不疲劳的数据)标记为1；将调查结果为不疲劳的学生所对应的每组心电信号(精神疲劳的数据)标记为0。

步骤202、针对携带有所述第一标识的每组心电信号，分别通过所述预设子模型计算该组心电信号在不同维度上的至少两个特征值。

具体的，在步骤201为每组心电信号标记用于表示学生在该学习状态下的第一标识之后，计算每组心电信号对应的RR间期，并得到该组心电信号对应的RR间期序列。将该组心电信号的RR间期序列输入到监测模型中，通过监测模型中的多个预设子模型计算多个维度的特征值。携带有第一标识的每组心电信号特征值的计算方法与步骤104中计算特征值的方法是相同的。

步骤203、将所述至少两个特征值按照全组合的组合方式组成该组心电信号的至少一个训练组；其中，所述全组合的组合方式是从n个不同特征值里每次取出1个、2个、…、n个不同特征值构成的多种组合方式；n为特征值的维度数。

具体的，举例说明全组合的组合方式，例如，特征值为a、b；则全组合的组合方式分别包括：a；b；a、b三种组合方式。同理，特征值为a、b、c；则全组合的组合方式包括：a；b；c；a、b；a、c；b、c；a、b、c；七种组合方式。依次类推，可得到n个特征值构成的2ⁿ-1个组合方式。

在执行完步骤202之后，已经获取到了每组心电信号的至少两个特征值，针对每组心电信号，将所述至少两个特征值按照全组合的组合方式组成该组心电信号的至少一个训练组。其中，训练组的组合方式为全组合的组合方式中的任意一种，并为每一种组合方式生成该组心电信号下的一个训练组。由于每组心电信号计算出的特征值的维度是相同的，即每组心电信号对应的训练组的组合方式的数量也是相同的。即，假设特征值的维度n为2，则特征值的组合方式共有3种，则每组心电信号对应的训练组为3组。

步骤204、针对训练组的每个组合方式，在获取到预设数量的目标用户的训练组之后，将由所述预设数量的训练组构成的训练集，传入所述监测模型中，以通过所述监测模型中的分类器对所述训练集中的每个所述训练组对应的每组心电信号进行标记；其中，所述分类器包括KNN(K-NearestNeighbor，邻近算法)、SVM-rbf(核函数为径向基函数rbf的支持向量机)、DT(Decision Tree，决策树)。

具体的，监测模型包括用来对每个特征值组合所对应的每组心电信号进行标记的分类器。在步骤203中，已经为每组心电信号生成了对应数量的训练组，例如每组心电信号对应训练组为3组。由于每组心电信号都是按照这3种方式组成的，因此，针对训练组的每种组合方式，将按照同一个组合方式组成的多个目标用户的训练组构成的训练集作为该组合方式下的训练集。即，假设目标用户的预设数量为30，则对于每个目标用户来说，每个目标用户对应的每组心电信号都对应3个训练组；将这30个目标用户对应的90个训练组按照每个训练组的组合方式进行分类，将组合方式相同的训练组放入同一个训练集，则会生成3个训练集，每个训练集对应训练组的一种组合方式以及每个训练集包含该组合方式下的30个训练组，每个训练组对应一个目标用户的一组心电信号。在完成训练集的分组之后，针对每个训练集，将训练集传入监测模型中，以执行步骤205。

步骤205、针对每个分类器，该分类器通过留一法确定所述训练集中每个所述训练组对应的每组心电信号在该学习状态下的标识，以为携带有第一标识的每组心电信号标记第二标识；其中，所述第一标识、所述第二标识均为所述标识；所述标识分为阴性、阳性。

具体的，留一法是指，假设所述训练集中包括30个携带有第一标识的训练组，在每次进行训练的时候，将29个训练组作为样本训练该分类器，剩下的1个训练组作为测试样本，测试前29个训练组对该分类器的训练结果。

在执行完步骤204之后，所述监测模型中已经传入了携带有第一标识的多个训练组构成的训练集，假设训练集中训练组的数量为30，针对每个训练集，应用留一法，将该30个训练组依次作为测试样本，使用该训练集对该分类器训练30次，在30次训练结束之后，该分类器为每个作为测试样本的训练组都标记了第二标识。

步骤206、统计每组心电信号的所述第一标识与所述第二标识的对比结果，以根据所述对比结果，确定每个分类器针对每个训练集的Accuracy(识别率)。

具体的，在步骤205训练结束后，每个训练集中的每个训练组对应的每组心电信号，都携带有第一标识和第二标识。将每组心电信号的第一标识和第二标识进行对比，判断所述第一标识和第二标识的阴性阳性是否对应相同，并将每组心电信号的对比的结果进行统计，根据统计的结果，计算每个分类器对每个训练集的Accuracy。其中，根据步骤204可知，每个训练集中训练组的组合方式是不同的，因此，每个分类器对不同组合方式下训练组构成的训练集得到的Accuracy的大小也是不同的。

在一个可行的实施方案中，在执行完步骤206之后，根据获取的每个分类器针对每个训练集的Accuracy，还需要通过以下步骤确定所述预设组合方式：

步骤301、针对每个学习状态，将超过预设阈值的Accuracy所对应的训练组作为目标训练组，以按照预设方法将其中一个所述目标训练组的组合方式确定为该学习状态下的预设组合方式。

具体的，预设阈值是根据实际情况设置的，预设阈值越高，代表要求分类器计算得到的Accuracy越高。根据步骤204可知，监测模型中包括KNN、SVM-rbf、DT这3个分类器，将步骤204例中的3个训练集分别针对上述3个分类器进行训练，共得到9种分类器和训练集的组合方式，即得到9个Accuracy，每个Accuracy都是由一个分类器对一个训练集的训练结果得到的。将所述9个Accuracy与预设阈值分别进行对比，将超过预设阈值的Accuracy所对应的训练集中的训练组作为目标训练组，对每个训练集来说，该训练集中所有的训练组的组合方式均是相同的，因此可以将该训练集中的任意一个训练组作为目标训练组。因此，假设所述9个Accuracy均超过预设阈值，则9个Accuracy对应九个目标训练组。将其中一个所述目标训练组的组合方式确定为该学习状态下的预设组合方式。例如，9种分类器和训练集的组合方式对应的9个Accuracy，可以选取最高的Accuracy所对应的分类器和训练集的组合中的训练组作为目标训练组；或者，可以根据训练集中训练组中特征值的维数和9个Accuracy的大小作为标准进行选取。

举例说明，3个分类器分别为：KNN、SVM-rbf、DT。共设置了3个维度的特征值，分别是特征值a、特征值b、特征值c；则，根据步骤203可知，训练组的组合方式包括：a；b；a、b三种组合方式。其中，每组心电信号针对同一维度的特征值的大小是不同的。

则9种分类器和训练集的组合方式及每种组合方式对应的Accuracy(假设值)为：

组合一、分类器为KNN，训练组中包含a；Accuracy：60％。

组合二、分类器为KNN，训练组中包含b；Accuracy：61％。

组合三、分类器为KNN，训练组中包含a、b；Accuracy：62％。

组合四、分类器为SVM-rbf，训练组中包含a；Accuracy：63％。

组合五、分类器为SVM-rbf，训练组中包含b；Accuracy：64％。

组合六、分类器为SVM-rbf，训练组中包含a、b；Accuracy：60％。

组合七、分类器为DT，训练组中包含a；Accuracy：64％。

组合八、分类器为DT，训练组中包含b；Accuracy：65％。

组合九、分类器为DT，训练组中包含a、b；Accuracy：66％。

因此，目标训练组的选择方式可以是，假设预设阈值为65％，则Accuracy超过预设阈值的组合方式为组合八、组合九。

本申请实施例不对选择目标训练组的方法进行限制，例如，对于超过预设阈值的Accuracy，选取最大的Accuracy所对应的训练组作为目标训练组，即选择组合九中的其中一个训练组作为目标训练组，并将该目标训练组的组合方式(a、b)作为该学习状态下的预设组合方式；还可以根据训练组中特征值的维数确定，例如，对于超过预设阈值的Accuracy，选取Accuracy对应的训练集中特征值维数小的训练组作为目标训练组，即选择组合八中的其中一个训练组作为目标训练组，并将该目标训练组的组合方式(b)作为该学习状态下的预设组合方式。

步骤302、针对每个预设组合方式，对该预设组合方式对应的目标训练组的第一识别率以及该预设组合方式对应的验证组的第二识别率进行加权计算，以得到目标分类器在该预设组合方式下得到的综合分值；其中，所述目标分类器为使得所述目标训练组得到所述Accuracy的分类器；所述验证组与所述目标训练组的组合方式、分类器以及识别率的计算方法相同；所述验证组对应的每组心电信号与所述目标训练组对应的每组心电信号不同。

具体的，所述第一识别率是不同的分类器针对目标训练组构成的训练集得到的；第二识别率是不同的分类器针对验证组构成的验证集得到的。验证集和训练集的区别在于，验证集和训练集获取的心电信号对应的目标用户是不同的；

根据步骤301中的例子，当选择组合九中的训练组作为目标训练组时，则组合九中的分类器DT为目标分类器；当选择组合八中的训练组作为目标训练组时，则组合八中的分类器DT为目标分类器。或者，若选择组合一中的训练组作为目标训练组时，则组合一中的分类器KNN为目标分类器。对于组合一、组合二、……、组合九来说，综合分值是指，对于每个组合得到的第一识别率和第二识别率，将第一识别率和第二识别率进行加权计算得到的识别率的综合分值。例如，当第一识别率和第二识别率的权重相同时，对于组合一来说，分别将验证集和训练集放入所述组合一对应的模型，得到KNN分类器针对训练集的第一识别率60％，得到KNN分类器针对验证集的第二识别率80％，则综合分值为70％。

在执行步骤301得到不同学习状态下的预设组合方式之后，如步骤301中的例子所示，9种分类器和训练集的组合方式，对应着9种分类器和验证集的组合方式。通过相同的组合方式，将新的心电信号组作为验证组，按照得到第一识别率的相同方法，得到基于验证集中验证组对应的新的心电信号组的第二识别率。本申请实施例不对综合分值的计算方法进行限制，可根据实际情况调整第一识别率和第二识别率对于综合分值的权重，根据设置的实际权重，确定目标分类器在预设组合方式下的综合分值。

步骤303、当目标分类器在该预设组合方式下能够达到的综合分值大于或等于预设分值时，将该目标分类器固定为用来监测所述待测组的分类器；其中，所述待测组是按照该预设组合方式组成的。

具体的，在执行完步骤302之后，根据步骤302中的例子，可以分别确定出组合一、组合二、……、组合九所对应的综合分值。通过确定预设分值的方式，确定出分类器与按照预设组合方式组成的待测组之间固定的监测组合。例如，设置组合一到组合九中最高的综合分值作为预设分值，并将该综合分值最高的组合中分类器和训练组的搭配结果，作为监测该学习状态下心电信号的固定监测组合。

在本申请实施方式中，为每个学习状态确定的固定监测组合分别为：

针对知识学习状态与解决问题状态：分类器为SVM-rbf，预设组合方式中的特征值为：第一特征值、第三特征值、第十一特征值。

针对学习阶段认知负荷匹配状态与不匹配状态：分类器为KNN，预设组合方式中的特征值为：第一特征值、第四特征值、第五特征值。

针对测试阶段认知负荷匹配状态与不匹配状态：分类器为SVM-rbf，预设组合方式中的特征值为：第二特征值、第六特征值、第十一特征值。

针对知识点难度与群体学习能力匹配状态与不匹配状态：分类器为DT，预设组合方式中的特征值为：第七特征值、第八特征值、第九特征值、第十特征值。

针对精神不疲劳与疲劳状态：分类器为DT，预设组合方式中的特征值为：第五特征值、第十二特征值。

在一个可行的实施方案中，所述Accuracy的计算公式为：

其中，N_FP表示假阳性样本的数量，N_TP表示真阳性样本的数量，N_TN表示真阴性样本的数量，N_FN表示假阴性样本的数量；所述假阳性样本为所述第一标识为阴性、所述第二标识为阳性的训练组；所述真阳性样本为所述第一标识与所述第二标识均为阳性的训练组；所述真阴性样本为所述第一标识与所述第二标识均为阴性的训练组；所述假阴性样本为所述第一标识为阳性，所述第二标识为阴性的训练组。

具体的，第一识别率和第二识别率都采用所述Accuracy的计算公式，将其中的训练组更换成验证组，则得到的Accuracy即为第二识别率。

在一个可行的实施方案中，所述特征值的计算是通过将所述输入数据输入到预设模型中完成的；其中，所述预设模型包括用于计算不同维度的特征值的预设子模型。

所述预设模型用于：

计算所述间隔值超过第一预设数值的输入数据的数量与所述输入数据总数的第一预设比值，以及所述间隔值超过第二预设数值的输入数据的数量与所述输入数据总数的第二预设比值，以将所述第一预设比值作为第一特征值，将所述第二预设比值作为第二特征值。

具体的，第一预设数值为20ms、第二预设数值为30ms；第一预设比值为间隔值超过20毫秒的RR间期的数量与RR间期序列中RR间期总数的比值；第二预设比值为间隔值超过30毫秒的RR间期的数量与RR间期序列中RR间期总数的比值。

计算所述输入数据的标准差与平均值的比值，以将所述标准差与平均值的比值作为第三特征值。

计算所述RR间期序列的ApEn(近似熵)，SampEn(样本熵)，庞加莱散点图中的半长轴SD1、半短轴SD2，所述SD1与所述SD2的比值，以将所述ApEn作为第四特征值，将所述SampEn作为第五特征值，将所述SD1作为第六特征值，将所述SD1与所述SD2的比值作为第七特征值；其中，所述庞加莱散点图是由所述RR间期序列中的连续的两个输入数据的间隔值分别作为横坐标和纵坐标绘制而成的；所述ApEn、SampEn、SD1、SD2均是由对应的MATLAB(用于进行数据分析、无线通信、深度学习、图像处理等操作的软件)计算程序计算出来的。

具体的，所述ApEn为近似熵，它是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数；所述SampEn为样本熵，它是基于近似熵的一种用于度量时间序列复杂性的改进方法。所述SD1为庞加莱散点图垂直于X＝Y方向上散点图区域最长两点的距离。所述SD2为庞加莱散点图垂直于X＝Y方向上区域最短两点的距离。

通过输入DFA(Detrended fluctuation analysis，去趋势波动分析法)的计算程序，计算心率变异性HRV曲线图中的由第一预设部分的输入数据构成的拟合直线的第一斜率α₁，由第二预设部分的输入数据构成的拟合直线的第二斜率α₂，所述第二斜率与所述第一斜率的比值α₂/α₁，以将所述α₂作为第八特征值，将所述α₂/α₁作为第九特征值；其中，所述HRV曲线图是根据所述输入数据绘制的用于描述心跳快慢的变化情况的曲线图。

具体的，在本申请实施例中，第一预设部分为HRV曲线去趋势波动分析中的第4～16个点；第二预设部分为HRV曲线去趋势波动分析中的第16～32个点。

计算所述输入数据的平均值，所述输入数据的一阶导的绝对值的平均值，所述HRV曲线图中的处于预设频率部分的所述输入数据的功率，以将所述输入数据的平均值作为第十特征值，将所述输入数据的一阶导的绝对值的平均值作为第十一特征值，将所述功率作为第十二特征值。其中，所述预设频率为：0.0033～0.04Hz。

实施例二

图3为本申请实施例提供的一种数据监测装置的结构示意图，如图3所示，所述装置包括：分析单元311、第一计算单元312、数据单元313、第二计算单元314、第一组合单元315和第一标记单元316。

分析单元311，用于在获取到目标用户在目标时段内的一组心电信号之后，根据该组心电信号中每个心电信号的发生时刻和发生强度，确定该组心电信号的至少两个波峰的发生时刻。

第一计算单元312，用于按照所述发生时刻的先后顺序，计算两两相邻波峰的发生时刻之间的差值，以将所述差值作为RR间期的间隔值，将所述两两相邻波峰的发生时刻之间的时间段作为所述RR间期的发生时段。

数据单元313，用于在计算出至少一个RR间期的间隔值之后，确定包含所述RR间期的RR间期序列；其中，所述RR间期是按照计算的先后顺序进行排列的，所述RR间期包括所述间隔值和该RR间期的发生时段。

第二计算单元314，用于将所述RR间期序列中的RR间期作为输入数据，分别输入到至少两个用于计算特征值的预设子模型中，得到用于表示该组心电信号的波动特性的至少两个特征值；其中，不同的预设子模型用于计算波动特性在不同维度上的特征值。

第一组合单元315，用于按照预设组合方式将至少一个所述特征值进行组合，以将组合的至少一个结果作为待测组；其中，所述预设组合方式是通过SBS确定的。

第一标记单元316，用于在将所述待测组输入到监测模型之后，通过所述监测模型对所述待测组对应的该组心电信号标记用于表示学生的学习状态的标识，以根据所述标识监测所述学生的学习情况。

在一个可行的实施方案中，标记单元中的所述监测模型是通过以下方法训练的：

第二标记单元，用于针对每个学习状态，在获取到预设数量的目标用户的至少一组心电信号之后，为每组心电信号标记用于表示学生在该学习状态下的第一标识；其中，所述学习状态包括：知识学习状态与解决问题状态、学习阶段认知负荷匹配状态与不匹配状态、测试阶段认知负荷匹配状态与不匹配状态、知识点难度与群体学习能力匹配状态与不匹配状态、精神不疲劳与疲劳状态。

第三计算单元，用于针对携带有所述第一标识的每组心电信号，分别通过所述预设子模型计算该组心电信号在不同维度上的至少两个特征值。

第二组合单元，用于将所述至少两个特征值按照全组合的组合方式组成该组心电信号的至少一个训练组；其中，所述全组合的组合方式是从n个不同特征值里每次取出1个、2个、…、n个不同特征值构成的多种组合方式；n为特征值的维度数。

数据传入单元，用于针对训练组的每个组合方式，在获取到预设数量的目标用户的训练组之后，将由所述预设数量的训练组构成的训练集，传入所述监测模型中，以通过所述监测模型中的分类器对所述训练集中的每个所述训练组对应的每组心电信号进行标记；其中，所述分类器包括KNN、SVM-rbf、DT。

第三标记单元，用于针对每个分类器，该分类器通过留一法确定所述训练集中每个所述训练组对应的每组心电信号在该学习状态下的标识，以为携带有第一标识的每组心电信号标记第二标识；其中，所述第一标识、所述第二标识均为所述标识；所述标识分为阴性、阳性。

统计单元，用于统计每组心电信号的所述第一标识与所述第二标识的对比结果，以根据所述对比结果，确定每个分类器针对每个训练集的Accuracy。

在一个可行的实施方案中，所述装置还包括：

设置组合单元，用于针对每个学习状态，将超过预设阈值的Accuracy所对应的训练组作为目标训练组，以按照预设方法将其中一个所述目标训练组的组合方式确定为该学习状态下的预设组合方式。

分值计算单元，用于针对每个预设组合方式，对该预设组合方式对应的目标训练组的第一识别率以及该预设组合方式对应的验证组的第二识别率进行加权计算，以得到目标分类器在该预设组合方式下得到的综合分值；其中，所述目标分类器为使得所述目标训练组得到所述Accuracy的分类器；所述验证组与所述目标训练组的组合方式、分类器以及识别率的计算方法相同；所述验证组对应的每组心电信号与所述目标训练组对应的每组心电信号不同。

分类器确定单元，用于当目标分类器在该预设组合方式下能够达到的综合分值大于或等于预设分值时，将该目标分类器固定为用来监测所述待测组的分类器；其中，所述待测组是按照该预设组合方式组成的。

在一个可行的实施方案中，所述Accuracy的计算公式为：

其中，N_FP表示假阳性样本的数量，N_TP表示真阳性样本的数量，N_TN表示真阴性样本的数量，N_FN表示假阴性样本的数量；所述假阳性样本为所述第一标识为阴性、所述第二标识为阳性的训练组；所述真阳性样本为所述第一标识与所述第二标识均为阳性的训练组；所述真阴性样本为所述第一标识与所述第二标识均为阴性的训练组；所述假阴性样本为所述第一标识为阳性，所述第二标识为阴性的训练组。

在一个可行的实施方案中，所述特征值的计算是通过将所述输入数据输入到预设模型中完成的；其中，所述预设模型包括用于计算不同维度的特征值的预设子模型。

所述预设模型用于：

计算所述间隔值超过第一预设数值的输入数据的数量与所述输入数据总数的第一预设比值，以及所述间隔值超过第二预设数值的输入数据的数量与所述输入数据总数的第二预设比值，以将所述第一预设比值作为第一特征值，将所述第二预设比值作为第二特征值。

计算所述输入数据的标准差与平均值的比值，以将所述标准差与平均值的比值作为第三特征值。

计算所述RR间期序列的ApEn，SampEn，庞加莱散点图中的半长轴SD1、半短轴SD2，所述SD1与所述SD2的比值，以将所述ApEn作为第四特征值，将所述SampEn作为第五特征值，将所述SD1作为第六特征值，将所述SD1与所述SD2的比值作为第七特征值；其中，所述庞加莱散点图是由所述RR间期序列中的连续的两个输入数据的间隔值分别作为横坐标和纵坐标绘制而成的；所述ApEn、SampEn、SD1、SD2均是由对应的MATLAB计算程序计算出来的。

通过输入DFA的计算程序，计算心率变异性HRV曲线图中的由第一预设部分的输入数据构成的拟合直线的第一斜率α₁，由第二预设部分的输入数据构成的拟合直线的第二斜率α₂，所述第二斜率与所述第一斜率的比值α₂/α₁，以将所述α₂作为第八特征值，将所述α₂/α₁作为第九特征值；其中，所述HRV曲线图是根据所述输入数据绘制的用于描述心跳快慢的变化情况的曲线图。

计算所述输入数据的平均值，所述输入数据的一阶导的绝对值的平均值，所述HRV曲线图中的处于预设频率部分的所述输入数据的功率，以将所述输入数据的平均值作为第十特征值，将所述输入数据的一阶导的绝对值的平均值作为第十一特征值，将所述功率作为第十二特征值。

本申请实施例通过获取的目标用户的心电信号，确定该组心电信号的RR间期序列，通过该RR间期序列，得到该RR间期序列对应的该组心电信号多个维度的特征值，以通过不同特征值的大小，反应当前该组心电信号的波动情况。从而根据特征值反应的波动情况，通过监测模型，为该组心电信号标记用于表示学生的学习状态的标识。对于监测模型来说，为每组心电信号标记标识的标准是相同的，与现有技术中教师通过学生的表情、表现以及形态，主观判断学生的学习状态的方法相比，监测模型标记的标识更具有客观性和真实性。通过上述方法，当目标用户设置为全班同学或具体某个同学时，教师能够根据监测模型标记的标识，了解到全班或具体某个同学的学习状态，能够对学生的学习状态进行监测，解决了现有技术中教师在上课时无法正确判断学生的学习状态问题。

实施例三

图4为本申请实施例三提供的一种电子设备的结构示意图，包括：处理器401、存储介质402和总线403，所述存储介质402存储有所述处理器401可执行的机器可读指令，当电子设备运行如实施例一中的方法时，所述处理器401与所述存储介质402之间通过总线403通信，所述处理器401执行所述机器可读指令，以执行如实施例一中的步骤。

在本申请实施例中，所述存储介质402还可以执行其它机器可读指令，以执行如实施例一中其它所述的方法，关于具体执行的方法步骤和原理参见实施例一的说明，在此不再详细赘述。

实施例四

本申请实施例四还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，以执行如实施例一中的步骤。

在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例一中其它所述的方法，关于具体执行的方法步骤和原理参见实施例一的说明，在此不再详细赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。