买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请公开了一种基于虚拟现实的智能教学管理方法，涉及虚拟教学领域，包括：获取历史教学数据和虚拟教学场景元数据；将预处理后的生理特征数据和情绪特征数据输入特征融合模型，获取包含生理信息和情绪信息的融合表示向量；将融合表示向量作为输入，结合用户的个体属性数据，获取每个虚拟场景下每个用户的生理健康度和情绪健康度；利用预训练的梯度提升决策树模型，生成场景难度系数；通过加权平均算法计算每个虚拟教学场景的平均生理健康度和平均情绪健康度，结合场景难度系数，构建虚拟教学场景的等级评估矩阵，通过矩阵变换生成虚拟教学场景综合等级得分；针对现有技术中虚拟教学场景中个性化程度低，本申请提高了虚拟教学中用户的针对性。

主权项：1.一种基于虚拟现实的智能教学管理方法，其特征在于：S1，获取历史教学数据和虚拟教学场景元数据；其中，历史教学数据包含多个虚拟教学场景下多个用户的生理特征数据和情绪特征数据；虚拟教学场景元数据包含教学场景知识点覆盖率和用户完成时长数据；S2，对获取的生理特征数据和情绪特征数据进行预处理；S3，将预处理后的生理特征数据和情绪特征数据输入特征融合模型，通过特征融合模型获取包含生理信息和情绪信息的融合表示向量，特征融合模型采用多层次结构设计；S4，将获取的融合表示向量作为输入，通过多层全连接神经网络，结合用户的个体属性数据，获取每个虚拟场景下每个用户的生理健康度和情绪健康度，作为健康状态特征向量；其中，用户的个体属性包含年龄和性别；S5，将获取的虚拟教学场景元数据作为输入，利用预训练的梯度提升决策树模型，生成场景难度系数；S6，根据各个虚拟场景下所有用户的健康状态特征向量和对应的场景难度系数，通过加权平均算法计算每个虚拟教学场景的平均生理健康度和平均情绪健康度，结合场景难度系数，构建虚拟教学场景的等级评估矩阵，通过矩阵变换生成虚拟教学场景综合等级得分；S7，当接收到目标用户的教学请求时，根据目标用户的历史教学数据，通过协同过滤算法计算目标用户与各虚拟教学场景的匹配度，结合虚拟教学场景综合等级得分，生成推荐优先级排序，选取排序前N个虚拟教学场景推荐给目标用户；S3，特征融合模型采用多层次结构设计，包括：第一层使用门控循环单元提取生理特征数据和情绪特征数据的时序依赖关系，通过设置注意力机制调整不同时间步的特征权重，根据当前时刻的隐藏状态和注意力权重对过去的隐藏状态进行加权求和，获取时间维度上的生理特征表示和情绪特征表示；第二层使用多头注意力机制计算生理特征表示和情绪特征表示在不同特征子空间的关联性，通过跨模态注意力加权获得语义对齐的特征表示；第三层采用多层感知机对第二层输出的语义对齐的特征表示进行非线性变换，通过多个全连接层和非线性激活函数提取高层语义信息，再通过残差连接方式将第三层的输出与第二层的输出进行逐元素相加，得到包含高层语义信息和低层特征信息的融合特征表示；其中，高层语义信息表示跨模态融合特征表示经过多层感知机变换后提取到的抽象特征模式，反映了生理特征和情绪特征在更高语音层次上的交互关系；低层特征信息表示跨模态融合特征表示中保留的浅层特征表示，反映了生理特征和情绪特征在原始数据层面的局部关联性；第四层采用多尺度自注意力机制对第三层输出的融合特征进行全局信息聚合，通过多个不同大小的注意力核函数计算融合特征表示在不同区域之间的依赖关系，得到不同尺度的注意力权重，根据注意力权重对融合特征表示进行加权池化，生成层次化的融合表示向量输出；通过联合损失函数优化特征融合模型的参数，联合损失函数包含重构损失函数、对比损失函数和分类损失函数；其中，重构损失函数采用变分自编码器的框架；对比损失函数采用对比学习的范式；分类损失函数采用交叉熵函数；在模型训练过程中，通过多任务学习的方式将重构损失函数、对比损失函数和分类损失函数进行加权求和形成联合损失函数；重构损失函数采用变分自编码器的框架，包括：将原始的生理特征数据通过编码器映射到生理隐空间，得到生理隐变量；其中，生理隐空间用于表示原始生理特征数据的压缩表示；将原始的情绪特征数据通过编码器映射到情绪隐空间，得到情绪隐变量；其中，情绪隐空间用于表示原始情绪特征数据的压缩表示；将生理隐变量通过解码器重构为生理特征数据；将情绪隐变量通过解码器重构为情绪特征数据；基于重构的生理特征数据和原始的生理特征数据，通过最大平均差异损失函数计算生理特征重构损失；基于重构的情绪特征数据和原始的情绪特征数据，通过最大平均差异损失函数计算情绪特征重构损失；将生理特征重构损失和情绪特征重构损失相加，得到重构损失函数；最大平均差异损失函数的计算公式如下： ;其中，表示最大平均差异损失；和分别表示将第i个生理特征数据和情绪特征数据映射到再生核希尔伯特空间RKHS的特征映射函数；表示RKHS空间；和分别表示第i个生理特征原始数据和情绪特征原始数据；和分别表示生理特征数据和情绪特征数据的样本数量；和分别表示第i个重构生理特征原始数据和情绪特征原始数据；表示在RKHS空间中的范数平方；对比损失函数采用对比学习的范式，包括：将第四层输出的层次化的融合表示向量作为锚点向量；基于锚点向量在同一个用户的生理特征数据和情绪特征数据中采样得到正样本向量，在不同用户的生理特征数据和情绪特征数据中采样得到负样本向量；计算锚点向量与正样本向量的相似度，计算锚点向量与负样本向量的相似度；基于锚点向量与正样本向量的相似度，计算锚点向量与负样本向量的相似度，通过InfoNCELoss计算对比损失函数；对比损失函数表达式为： ;其中，V表示视角的数量；N表示用于对比学习的样本总数；表示温度系数；和分别表示生理特征负样本数量和情绪特征样负样本数量；和分别表示第i个样本在第v个视角下的生理特征表示和情绪特征表示；和分别表示第i个样本在第v个视角下的正样本生理特征表示和正样本情绪特征表示；和分别表示第i个样本在第v个视角下的第j个负样本生理特征表示和负样本情绪特征表示；分类损失函数采用交叉熵函数，包括：将第四层输出的层次化的融合表示向量输入分类器，通过分类器对融合特征向量进行特征变换和非线性映射，得到预测概率向量；将预测概率向量通过softmax函数进行归一化处理，得到归一化的预测概率向量；将归一化的预测概率向量与标注的真实标签进行逐元素比较，基于交叉熵函数计算分类损失函数，衡量预测概率与真实标签之间的差异；交叉熵函数计算公式如下： ;其中，表示第i个样本属于第c类的预测概率；表示第i个样本的真实标签的one-hot编码向量的第c个元素；表示类别衡量因子；表示类别特异性聚焦参数，不同的类别设置不同的聚焦参数；表示样本权重因子，用于调节不同样本对损失函数的贡献度； ;其中，表示第c类样本的数量，N表示总样本数量； ;其中，表示第t-1次迭代中第i个样本的预测概率。

全文数据：

权利要求：

百度查询： 西昌学院 桂林中电广信科技有限公司 南宁残疾人康复研究会 一种基于虚拟现实的智能教学管理方法