StudySmarter：使用Arduino和ML监控学习习惯

描述

介绍

如今，我们的生活中有很多破坏性因素，尤其是在学习或工作时，尤其是需要高度集中注意力的时候。在这些认知要求很高的过程中，一个人很难客观地识别这些因素并将它们排除在他的环境之外。一旦我们意识到自己的坏习惯，改掉它们就容易多了，从而使我们的学习更有效率。

故事板

 

解决方案

我们的解决方案使用一种算法来识别您学习期间的干扰性声音。它专门搜索通知、语音和其他所有可能在您的环境中造成干扰的噪音的声音。在您的会话结束时，我们的系统会通知检测到的模式。根据收到的信息，您可以在下次会议中改正这些不良习惯。

描述

该系统由一个 Arduino Nano 33 BLE Sense 和一个 Android 应用程序组成。首先，用户使用我们的 Android 应用程序启动监控。当会话开始时，应用程序通过 BLE 收集有关会话的数据。更重要的是，当用户环境中有干扰性声音时，Arduino 板 LED 会改变颜色，从而实时警告他干扰因素。最后，当用户结束会话（使用应用程序）时，应用程序会显示它的统计信息。

硬件和连接

对于这个项目，我们决定使用 Arduino Nano 33 BLE Sense。为了连接到我们的 Android 应用程序，我们使用了板 BLE 支持。对于声音监听，我们使用了内置麦克风 MP34DT05。

机器学习

我们的机器学习模型具有三个不同的类别：有效、通知和语音。我们整个模型的准确率约为 94%。

 

软件

android应用程序是用java编写的。我们使用 Android 的 BLE 支持来接收 Arduino 板传输的数据。对于统计饼图，使用 liprary MPAndroidChart。当用户打开应用程序时，它会通过搜索其 BLE 名称自动连接到 Arduino 板。

 

 

 

 

1 / 4

 

演示

下一步是什么？

我们相信我们的原型代表了一个很好的起点，可以发展我们的解决方案并创建一个更先进和用户友好的系统。未来，我们将进行以下改进：

• 扩展 ML 模型以检测更广泛的破坏性噪声
• 在我们的应用程序中实现会话历史的查看以及一些高级统计信息
• 实现更好的用户体验