构建基于高采样率眼动仪（采样频率≥1000Hz，精度≤0.1°）与高密度脑电图（EEG，通道数≥64，采样率≥1000Hz）同步采集系统，实现眼动数据（注视点坐标、注视时长、扫视幅度与速度）与脑电信号（δ波0.5 - 4Hz、θ波4 - 8Hz、α波8 - 13Hz、β波13 - 30Hz、γ波30 - 100Hz功率谱密度）的微秒级时间同步与空间对齐 🆔 ID: 247352 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用典型相关分析（CCA）算法，挖掘眼动特征（平均注视时长≥300ms、扫视次数≥5次/秒）与脑电节律（θ - γ跨频耦合强度≥0.12、α波功率在前额叶皮层降低≥15%）之间的多维度关联模式，提取联合特征向量（累计贡献率≥85%），实现学习认知状态的初步分类（准确率≥80%） 🆔 ID: 247353 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建深度卷积神经网络（CNN，架构为ResNet - 50，训练集准确率≥92%，验证集准确率≥89%），输入融合后的眼动 - 脑电数据（经过归一化处理，眼动数据缩放至[0, 1]区间，脑电数据经带通滤波0.5 - 50Hz），自动识别学习过程中的注意力集中（注意力评分≥0.8）、困惑（困惑指数≥0.6）、理解（理解得分≥0.7）三种典型认知状态，分类准确率达≥90% 🆔 ID: 247354 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
通过隐马尔可夫模型（HMM），分析眼动 - 脑电数据的时间序列动态变化（状态转移概率矩阵收敛阈值≤0.01），识别学习任务（如阅读理解、数学解题）中的认知阶段转换（如信息编码、信息整合、问题解决），确定各阶段持续时间（平均误差≤±5秒）与转换概率（≥0.7为显著转换） 🆔 ID: 247355 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用独立成分分析（ICA）算法，分离眼动伪迹（眼电伪迹去除率≥95%）与脑电信号中的其他干扰成分（肌电伪迹去除率≥90%、工频干扰去除率≥99%），提取纯净的脑电特征（如事件相关电位P300波幅≥5μV、N400波幅≥ - 4μV），结合眼动注视点分布（兴趣区注视占比≥60%），解读学习内容（如文本关键信息、图像重点区域）的认知加工过程 🆔 ID: 247356 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建多模态数据融合的深度信念网络（DBN，隐含层数3层，每层节点数分别为128、64、32，训练误差≤0.05），整合眼动（微观眼动：微跳视幅度≤0.5°、持续时间≤20ms；宏观眼动：凝视点停留≥1秒）与脑电（不同脑区α波功率比值≥1.2、θ波节律同步性≥0.8）的多源信息，预测学习效果（如知识掌握程度评分≥0.8、任务完成正确率≥85%），预测准确率达≥88% 🆔 ID: 247357 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
通过动态时间规整（DTW）算法，对齐不同学习者（样本量n≥100）的眼动 - 脑电时间序列（时间偏差≤±3秒），分析个体间学习模式差异（如视觉搜索策略、认知加工速度），提取群体共性特征（如多数学习者在关键信息处注视时长≥400ms、θ波功率升高≥20%），为个性化学习提供参考 🆔 ID: 247358 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用图神经网络（GNN，节点表示眼动注视点与脑电电极，边表示空间与时间关联），构建眼动 - 脑电关联图（节点特征包含注视特征与脑电频域特征，边权重基于相关性≥0.6），挖掘学习过程中的信息交互模式（如眼动引导的脑电区域激活、脑电状态影响的眼动决策），识别关键信息节点（如学习内容中的重点概念对应注视点与脑电高激活区） 🆔 ID: 247359 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建基于支持向量机（SVM，核函数为径向基函数RBF，惩罚参数C = 10，核参数γ = 0.1，分类准确率≥91%）的多模态分类器，输入融合的眼动（注视轨迹复杂度≥2.5、扫视路径长度≥10cm）与脑电（β波功率在工作记忆任务中升高≥30%）特征，区分不同学习风格（如视觉型、听觉型、动觉型），区分准确率达≥89% 🆔 ID: 247360 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
通过主成分分析（PCA）算法，对眼动 - 脑电融合数据（数据维度≥100）进行降维处理（保留90%以上方差信息），提取主要成分（前5 - 8个主成分累计贡献率≥85%），简化数据结构，同时保留关键认知信息，用于后续的聚类分析与模式识别 🆔 ID: 247361 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用长短期记忆网络（LSTM，隐藏层神经元数量为128，训练轮数≥100，损失函数均方误差MSE≤0.01），处理眼动 - 脑电的时序数据（序列长度≥100个时间步），预测学习者在后续任务（如下一道题目、下一段文本）中的表现（如答题正确率预测误差≤±8%、反应时间预测误差≤±15%），实现学习过程的动态监控与预警 🆔 ID: 247362 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建多模态数据融合的注意力评估模型（基于眼动注视稳定性（注视点抖动标准差≤0.3°）、注视时长占比（≥70%在关键区域）与脑电α波功率（在前额叶皮层降低≥20%）），量化学习者的注意力水平（注意力评分范围0 - 1，≥0.8为高注意力），评估学习过程中的注意力波动（波动幅度≤0.2为稳定），为教学干预提供依据 🆔 ID: 247363 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
通过相干性分析（计算眼动频率（扫视频率≥2Hz）与脑电节律（θ波、α波）的相干系数，相干系数≥0.4为显著相关），揭示眼动与脑电在认知加工（如视觉信息处理、注意力分配）中的协同工作机制，确定关键频段（如θ - α频段相干性≥0.5）与对应的眼动行为（如注视特定区域时的脑电节律变化） 🆔 ID: 247364 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用深度聚类算法（如深度嵌入聚类DEC，聚类数根据轮廓系数确定，轮廓系数≥0.6），对大量学习者（样本量n≥500）的眼动 - 脑电融合数据进行聚类分析，识别不同的学习认知模式（如高效学习模式、困难学习模式），每种模式占比≥10%，为个性化学习策略制定提供群体特征参考 🆔 ID: 247365 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建基于生成对抗网络（GAN，生成器与判别器均为多层感知机MLP，训练迭代次数≥5000，判别器准确率≤0.3）的眼动 - 脑电数据生成模型，生成模拟的学习认知状态数据（与真实数据分布相似度≥0.9，通过KL散度评估），用于补充稀缺数据、验证分析模型的鲁棒性，提升多模态学习分析的泛化能力 🆔 ID: 247366 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
通过事件相关电位（ERP）分析（刺激呈现后100 - 800ms内），结合眼动注视事件（如注视开始、注视结束），提取与学习相关的ERP成分（如N100、P200、N400、P600），分析其波幅（≥2μV为显著波幅）、潜伏期（在正常范围内波动±10ms）与眼动特征（注视点位置、注视时长）的关系，解读学习过程中的早期认知加工（如信息感知、语义理解） 🆔 ID: 247367 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
运用多模态数据融合的回归模型（如弹性网络回归，正则化参数λ = 0.1，训练决定系数R2≥0.8），以眼动（注视点数量、平均扫视速度）与脑电（各频段功率均值）特征为自变量，学习效果（如考试成绩、任务完成时间）为因变量，量化各因素对学习效果的贡献度（贡献度≥10%的因素为重点关注对象），为优化学习过程提供精准指导 🆔 ID: 247368 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
构建基于注意力机制的多模态融合模型（如Transformer架构，多头注意力头数≥8，训练损失函数交叉熵≤0.05），自动学习眼动与脑电数据（经过嵌入层处理，维度≥64）之间的复杂关系，融合多源信息（融合权重动态调整，根据任务需求优化），实现对学习认知状态（如深度理解、浅层记忆）的高精度识别（准确率≥92%），为智能学习系统提供实时反馈与个性化支持 🆔 ID: 247369 ✅ 可用
社会科学-教育学
🤖 AI智能指令 - ⚡ 专业高效 - 🌐 多平台支持 - 🎯 精准执行
📊 共 18 条记录，当前显示第 1- 条
上一页
1
下一页