【技术实现步骤摘要】
本专利技术涉及信息技术、数据挖掘和人工智能领域，具体涉及一种利用深度学习模型和功能性近红外光谱数据来检测识别英语作为第二语言学习过程中的数学干扰的方法、设备和介质。
技术介绍
1、英语作为全球最广泛使用的语言之一，在教育和国际交流中扮演着至关重要的角色。随着全球化的不断深入，英语教育已经成为非英语母语国家教育体系的重要组成部分。学习者不仅需要掌握基本的语言技能，还要能够运用英语进行复杂的认知活动，如数学逻辑推理。数学训练是否会为英语阅读增加认知负荷，一直是教育实践中亟待解释的谜题。然而，现有研究多集中于英语学习的行为观察层面，对于如何利用人工智能和神经科学技术深入理解学习过程中的数学干扰现象，以及如何通过数据驱动的方法提高英语学习效率，尚缺乏深入探索。
2、在英语学习领域，智能化的认知辅助工具的开发受到了广泛关注。目前具有代表性的国际化研究是high-level mathematical thinking for l2 phonologicalprocessing（hmt-l2pp），该研究针对中文为母语的学习者，收集了英语学习行为观测数据，揭示了高水平数学思维对中国人将英语作为第二语言学习时，语音处理活动受数学干扰的影响机制，揭示了第二语言习得与数学思维能力之间的紧密联系，涵盖了数学计算、逻辑推理和视觉理解等方面。英语阅读的流利度要求在言语产生和理解上的熟练，同时需要理解他人传递信息背后的逻辑结构。大脑的不同区域，如布洛卡区和韦尼克区，在语言处理中扮演着关键角色，而理解他人意图和预测则主要涉及颞顶交界区和内侧前额叶
3、尽管已有研究建立了语言学习与数学思维之间的联系，但当前的英语教育研究主要依赖行为分析，通过观察和问卷调查等手段来评估学习效果。这些方法虽然能够提供一定的信息，但对于揭示学习者在认知层面上的数学干扰现象，以及如何通过神经科学方法来优化学习策略，存在明显的局限性。此外，由于大脑活动的复杂性，单纯依赖行为分析难以全面理解学习过程中的内在机制。
4、为了克服这些局限性，本专利技术提出了一种基于深度学习模型和功能性近红外光谱数据（functional near-infrared spectroscopy,fnirs）的英语学习中数学干扰检测方法。fnirs作为一种新兴的神经影像技术，能够无创地测量大脑皮层的血氧活动，为研究大脑功能提供了一种有效的工具。结合本专利技术提出的注意力增强的长短时记忆网络（attention-augmented long short-term memory, ac-lstm）架构，不仅能够实时监测学习者的不同脑区通道的活动，还能够对数据进行分析和识别，从而揭示数学训练对英语学习者脑功能的具体影响。
技术实现思路
1、本专利技术所要解决的技术问题是，现有英语作为第二语言学习研究中，对学习者在认知层面上的大脑活动理解不足，尤其是在英语学习过程中数学干扰对学习效率的影响缺乏深入的神经科学证据。传统的研究方法主要依赖行为分析，未能充分揭示大脑内部的神经机制，特别是在处理语言和数学逻辑时大脑区域的活动和交互。为了克服这些限制，本专利技术提出了一种创新的检测方法，该方法通过功能性近红外光谱(fnirs)技术采集学习者在进行英语阅读和数学训练任务时的大脑活动数据，利用ac-lstm深度学习模型结合关联性分析算法，对学习过程中的数学干扰进行准确识别和量化分析，找出被激活的关键脑区，以及脑区之间的关联关系。
2、本专利技术通过下述技术方案实现：
3、本专利技术第一方面一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，包括以下具体步骤：
4、s1、利用慧创nirsmart ii-3000a头帽分别获取学习者在纯英语阅读以及加入数学训练任务时的大脑互动数据，捕获头帽对应49个通道上的血液动力学信号，覆盖脑区包括了额叶、颞叶、顶叶和枕叶等，以实现对大脑整体功能的监测和分析；
5、s2、通过beer-lambert定律计算局部氧合血红蛋白(oxygenated hemoglobin,hbo)和脱氧血红蛋白(eoxygenated hemoglobin,hbr)浓度的变化,将原始fnirs信号提取并转换为结构化数据，以便于在深度学习模型中进行特征提取和分类;
6、s3、构建基于注意力增强的长短期记忆网络(ac-lstm)深度学习模型，该模型集成了lstm模块、多头注意力机制和分类器，通过融合注意力机制架构和时序特征，实现对英语学习者大脑中的数学干扰进行检测识别；
7、s4、通过梯度提升决策树(gradient boosting decision tree,gbdt)模型的网格搜索算法，从49个通道中识别出与数学干扰存在显著相关性的关键脑功能通道，并通过对比分析，可视化展示出这些通道在不同学习任务中的活动水平差异，从而揭示数学训练对英语学习者大脑特定区域活动的影响；
8、s5、将49个通道与23脑兴趣区域（roi,regions of interest）进行对应，利用关联规则方法量化不同脑区间的相互关系，并以图结构（graph）形式可视化表示，揭示数学干扰对纯英语学习组和数学训练组脑区活动模式的影响，分析关键脑区活动的变化幅度。
9、本专利技术根据英语学习活动前是否进行了数学思维训练，将英语学习者分为了两个组进行对照，即无干扰的纯英语阅读组和包含数学干扰组；使用nirsmart ii-3000a头帽获取英语学习者所有过程性的fnirs数据后，采用自主构建的ac-lstm深度网络架构，检测出英语学习过程中的数学干扰信号，并对三种不同的数学干扰进行分类；而后，使用网格搜索方法，迭代的将不同脑通道信号带入模型，搜索出受数学干扰最为明显的通道并完成可视化；最后，使用关联规则算法，依据23个脑区之间的关联支持度和置信度对关联性最强的脑区进行可视化分析，对英语学习任务中数学所导致的脑区动态变化进行可视化展示，从而为理解大脑在多任务处理中的资源分配和性能优化提供科学依据。
10、进一步地，所述用于检测英语学习过程中数学干扰的深度网络架构ac-lstm融合了lstm模块、transformer模块和分类模块；其中，transformer模块叠加在lstm模块之后，主要作用是通过注意力增强机制提升长短时记忆网络（lstm）对序列数据中关键信息的捕捉能力，该ac-lstm架构具体包括：
11、lstm模块包含了处理一维向量的存储单元，通过构建输入门(）、遗忘门(）和输出门(）机制调节信息流，使网络能够顺序处理输入序列，以学习复杂的时间关联。
12、所述输入门()根据当前输入和上一时间步的输出，以及遗忘门的权重，控制新信息的流入比例，生成新的状态；输入门主要功能在于，允许网络选择性地更新记忆单元的内容，保留与当前任务相关的信息；
13、所述遗忘门()根据当前输入和上一时间步的输出，确定哪些信息应本文档来自技高网...
【技术保护点】
1.一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述fNIRS设备为慧创落地式近红外脑功能成像头帽NirSmart II-3000A，该设备用于采集学习者在进行英语阅读和数学任务时大脑皮层的血液动力学信号，包括氧合血红蛋白和脱氧血红蛋白的浓度变化。
3.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述通道数量为49个，对应于大脑皮层的23个不同区域，包括但不限于额叶、颞叶、顶叶和枕叶等，以实现对大脑整体功能的监测和分析。
4.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，使用AC-LSTM深度学习模型进行数学干扰识别，所述AC-LSTM模型具体包括：
5.根据权利要求4所述的AC-LSTM深度学习模型，其特征在于，所述LSTM模块为双向LSTM模块，包括两
6.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述关键脑功能通道筛选并可视化的数量为20个，这些通道与大脑皮层的特定区域相关联，包括但不限于右脑布洛卡区(R-Broca)、左脑布洛卡区(L-Broca)、左运动感觉区(L-motor sensory)和右运动感觉区(R-motor sensory)等，通过对比分析这些通道在不同学习任务中的活动水平差异，揭示数学训练对英语学习者大脑特定区域活动的影响。
7.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述脑兴趣区域的数量为23个，且每个区域对应于至少一个fNIRS通道。
8.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述关联规则方法使用支持度和置信度两个超参数来控制强关联规则，具体的，将支持度和置信度的阈值分别设置为0.35和0.8，即同时高于这两个阈值的项集被定义为强关联规则，以保证规则的可靠性和有效性。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法。
...【技术特征摘要】
1.一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述fnirs设备为慧创落地式近红外脑功能成像头帽nirsmart ii-3000a，该设备用于采集学习者在进行英语阅读和数学任务时大脑皮层的血液动力学信号，包括氧合血红蛋白和脱氧血红蛋白的浓度变化。
3.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述通道数量为49个，对应于大脑皮层的23个不同区域，包括但不限于额叶、颞叶、顶叶和枕叶等，以实现对大脑整体功能的监测和分析。
4.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，使用ac-lstm深度学习模型进行数学干扰识别，所述ac-lstm模型具体包括：
5.根据权利要求4所述的ac-lstm深度学习模型，其特征在于，所述lstm模块为双向lstm模块，包括两个单向lstm模块，一个按正向时间序列编码输入特征，另一个按逆向编码，以利用时间相关性减轻信息不平衡。
6.根据权利要求1所述的一种基于深度学习和功能性近红外光谱数据的第二语言学习中数学干扰识别方法，其特征在于，所述关键脑功能通道筛选并可...
【专利技术属性】
技术研发人员：梁智杰，杨娟，王玲，孙波，苏建宇，梁婷，吴祉豪，何浩，
申请(专利权)人：四川师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。