【摘要】：隨著信息技術(shù)與教育教學的深度融合,學習者的學習方式受到信息化和網(wǎng)絡(luò)化猛烈沖擊,在線學習已經(jīng)成為未來重要的學習趨勢。因此在這種無人監(jiān)督的環(huán)境下,及時發(fā)現(xiàn)學習者的學習規(guī)律和學習問題顯得至關(guān)重要。在此背景下,本文以慣性測量和模式識別理論為基礎(chǔ),對在線學習狀態(tài)下的頭部運動姿態(tài)檢測和運動模式識別方法進行了深入研究,設(shè)計并實現(xiàn)了基于磁強計、陀螺儀和加速度計(Magnetic,Angular Rate and Gravity,MARG)傳感器的學習狀態(tài)檢測與識別系統(tǒng),能夠?qū)崟r檢測學習者的頭部運動姿態(tài)和運動模式。本文完成的主要工作如下:(1)針對傳統(tǒng)姿態(tài)解算算法精度粗略和穩(wěn)定性差等缺點,提出了一種基于改進互補濾波算法與擴展卡爾曼濾波算法相結(jié)合的姿態(tài)融合解算方法。將互補濾波算法與比例-積分算法相結(jié)合估算陀螺儀的漂移誤差,再通過擴展卡爾曼濾波算法實現(xiàn)姿態(tài)數(shù)據(jù)融合。與單獨的擴展卡爾曼濾波算法對比,結(jié)果表明這種算法對陀螺儀自身的漂移和加速度計噪聲有抑制作用,提高了姿態(tài)解算的精度和穩(wěn)定性。(2)本文提出了一種新的學習狀態(tài)識別方法,將學習狀態(tài)模式分為姿態(tài)、動作、狀態(tài)三個層面。應(yīng)用支持向量機設(shè)計了學習姿態(tài)識別算法,實現(xiàn)左轉(zhuǎn)頭、右轉(zhuǎn)頭、抬頭、低頭、左偏頭、右偏頭以及平視七種姿態(tài)的識別;應(yīng)用BP神經(jīng)網(wǎng)絡(luò)設(shè)計了學習動作識別算法,實現(xiàn)對點頭、搖頭、轉(zhuǎn)頭、正常四種動作的識別;在此基礎(chǔ)上,采用閾值法設(shè)計了學習狀態(tài)識別算法,實現(xiàn)了在學習場景下注意力狀態(tài)和疲勞狀態(tài)的判別。(3)以CC1310為處理器,選用9軸傳感器MPU9250,設(shè)計了學習狀態(tài)檢測與識別硬件系統(tǒng)。然后設(shè)計了頭部運動姿態(tài)測量實驗和多級分層的學習狀態(tài)識別實驗。姿態(tài)測量實驗表明,采用本文改進的姿態(tài)解算算法能夠獲得準確的頭部運動姿態(tài)信息;多級分層的學習狀態(tài)識別實驗結(jié)果表明,本文設(shè)計的學習姿態(tài)識別算法對姿態(tài)的平均識別率達到98.1053%;學習動作識別算法對動作的平均識別率達到92.2200%;學習狀態(tài)識別算法對疲勞狀態(tài)的平均識別率達到90.8000%,對注意力不集中狀態(tài)的平均識別率達到92%。本文設(shè)計的學習狀態(tài)檢測與識別系統(tǒng)實現(xiàn)了對學習者學習狀態(tài)的檢測與識別,對規(guī)范學習者的學習行為和提高學習者的學習效率具有重要意義。
【學位授予單位】：天津工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN713;TP212
【圖文】：

ｚ［ｋ）邋＝邋Ｈ邋（＾ｘ｛ｋ）ｙｘ（ｋ）＋ｙ［ｋ）＋ｖｋ邐（２－３７）逡逑根據(jù)描述，擴展卡爾曼濾波算法的原理框圖如圖２－２所示。逡逑｜ｐ（0ｙ，Ａｒ＝Ｔ］邐｜５＿（°）＊＾＝３逡逑戶（ＪＵ邋—１如——邐—｜邐一邋１）逡逑}瑁危澹藻危撟�、辶x�？邋Ｋｔ邋（Ａ}╁澹藉澹荊ǎ粒海蓿歟潁ǎ粒海郟ǎ粒海荊ǎ粒潁粒海歟潁ǎ蓿╁澹澹�？（＾）］逦▲逦卜逦Ｔ「逦「＿辶x希輟巍垮澹兀ǎ耄╁澹藉澹兀耄粒埽╁澹澹耍耍ǎ耄埽ǎ耄瑁埽ǎ�，ｋ－＼），ｋ＼＼辶x賢跡玻怖┱箍ǘ瞬ㄋ惴ǖ腦砜蟯煎義顯諭跡玻菜鏡睦┱箍ǘ瞬ㄋ惴ǖ腦砜蟯賈�，；表示为系蜎_義獻刺淞康墓蘭浦擔硎疚低匙刺徊階憑卣�，表示为辶x舷低吃げ夤蘭菩講罹卣螅硎疚低吃肷講罹卣�，表示为辶x舷低匙鈑趴ǘ鲆

本文編號：2794576