發(fā)布時間：2021-12-24 11:59

　　隨著教育改革的逐漸深入,因材施教、個性化人才培養(yǎng)是未來教育的重要方向。中國國情決定了大班制授課方式在短期內無法得到有效緩解,導致教師無法實時的獲取每一名學生的真實學習狀態(tài),也就無法實現(xiàn)真正的針對性教學與指導。在學習狀態(tài)分析中,專注度（表征課堂參與程度）是其中非常重要的一個因素,對學習者的學習效果有著重要的影響。在傳統(tǒng)的課堂環(huán)境中,學生的課堂參與研究大多是通過課后設計的問卷調查獲得的,缺乏在課堂上實時的學習監(jiān)控和分析,已經遠遠不能滿足現(xiàn)代教育發(fā)展的需要,因此,急需要研究一種借助人工智能技術,對學生進行全員、全過程評估的自動化的學習狀態(tài)評價方法,輔助教師認識和掌握學生的學習狀態(tài),采取針對性的教學方法,提高學生的個性化培養(yǎng)水平。根據現(xiàn)有的研究成果,學生課堂專注程度（參與程度）與學生出勤率、課堂互動行為、注意目標和學習過程中的情感狀態(tài)直接相關。目前自動化學生學習監(jiān)控分析大多是基于學生的學習情緒或學習中的動作姿態(tài)中的單一維度,都不足以準確的反映學生的真實學習狀態(tài)。本文從三個維度對學生專注度進行綜合分析,分別是反映學生興趣的學習情緒、反映學生關注范圍的頭部姿態(tài)和反映學生精力集中程度的身體特征這三個... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

錄像信息示意圖

丶?闈綴投認蛄砍〗餼齬丶?愕木劾轡侍狻Ｋ?奶氐?就是采用了自上而下的解析（parse），這樣效率更高，并且排除了人數(shù)的干擾。OpenPose采用了兩個分支，也就是前面所述的branch，其中一個是關鍵點置信度預測網絡，另一個是關鍵點親和度向量場預測網絡。圖2-2表示一個二級架構的多階段CNN[20]。第一個分支中的每個階段預測置信度圖tS，第二個分支中的每個階段預測PAFstL。每個階段結束后，將兩個分支的預測與圖像特征連接起來，進行下一個階段。其中S是置信度網絡,L是親和度向量場網絡。圖2-3顯示的Openpose的整體流程圖。圖2-2OpenPose多階段示意圖

第二章基于OpenPose的專注度關鍵點信息提取11圖2-3OpenPose流程圖2.2關鍵點信息及特征提取2.2.1面部特征點提取在過去的一些研究工作中，人體骨骼關節(jié)點、人臉關鍵點以及手部關節(jié)點的提取是分開的。人體骨骼關節(jié)點的提取一般是由對身體行為分析識別進行研究的有關人員來完成，而面部關鍵點提取是由人臉識別或者一些美顏算法的有關開發(fā)團隊來完成，手部關節(jié)點由手勢識別人機交互團隊來研究、開發(fā)和完善，這些都屬于不同的細分方向。直到后來出現(xiàn)的CMU團隊，在前期人體骨骼關節(jié)點識別的基礎上，將面部與手部都結合起來，做成了一個統(tǒng)一的圖像，并且效果極佳，也就是本文所用的OpenPose平臺。它能提取到面部70個關鍵點，其中邊緣點是從0到26，其余43個關鍵點即27到70號點都在臉部中央體現(xiàn)出來。圖2-4具體展示了OpenPose提取的這70個關鍵點。圖2-4OpenPose提取的人臉關鍵點示意圖由于本文研究內容是基于學生表情強度變化的專注度分析，所以我們只選取這70個關鍵點中的19個點。通過這19個點計算可以得到f1到f24這24個值，其中f12到f16是可以為這次研究工作所用。f12和f13分別表示左右兩個眼睛的

【參考文獻】：
期刊論文
[1]上市公司創(chuàng)新能力指數(shù)的構建[J]. 肖淑芳,石琦,張一鳴.  北京理工大學學報(社會科學版). 2020(01)
[2]初中“導師制+導生制”學生發(fā)展指導模式的探索[J]. 陳國才,蘇海燕,楊楓.  基礎教育參考. 2019(24)
[3]基于多模態(tài)身體行為信息融合的學生學習興趣分析方法研究[J]. 任婕.  儀器儀表用戶. 2019(12)
[4]部門業(yè)績評價研究——基于ABC公司的案例分析[J]. 郭峰偉,鄂麗麗.  中國管理會計. 2019(03)
[5]決策樹算法的比較與應用研究[J]. 張海燕,劉巖,馬麗萌,苑津莎,巨漢基,魏彤珈.  華北電力技術. 2017(06)
[6]我國汽車產業(yè)技術創(chuàng)新與對外開放協(xié)同水平研究[J]. 汪芳,朱德宇.  商業(yè)研究. 2016(12)
[7]基于深度學習的頭部姿態(tài)估計[J]. 賀飛翔,趙啟軍.  計算機技術與發(fā)展. 2016(11)
[8]基于類決策樹分類的特征層融合識別算法[J]. 尚朝軒,王品,韓壯志,彭剛.  控制與決策. 2016(06)
[9]Dempster-Shafer證據融合金字塔韋伯局部特征的表情識別[J]. 王曉華,金超,任福繼,胡敏.  中國圖象圖形學報. 2014(09)
[10]淺談建筑之熵[J]. 張毅,韋娜,王淵.  住宅科技. 2014(05)

博士論文
[1]課堂教學環(huán)境下學生學習興趣智能化分析[D]. 羅珍珍.華中師范大學 2018
[2]地面激光點云模型自動構建方法研究[D]. 石宏斌.武漢大學 2014

碩士論文
[1]基于標準成本法的高層住宅建安成本控制[D]. 王禮瀚.南昌大學 2019
[2]基于多維特征融合的學習者興趣度評價[D]. 張童.北方工業(yè)大學 2019
[3]基于深度學習的嬰兒姿勢估計算法研究[D]. 何宏周.電子科技大學 2019
[4]視頻識別輔助的學生評價系統(tǒng)研究[D]. 麻皓東.北方工業(yè)大學 2018
[5]大學生學習行為分析研究與應用[D]. 王子清.蘇州大學 2018
[6]網絡教學中的學習狀態(tài)與學習情緒識別方法研究[D]. 孫重亮.吉林大學 2018
[7]基于支持向量機的多品種小批量產品質量預測[D]. 王涵.沈陽大學 2016
[8]中學生學習狀態(tài)的初步研究[D]. 肖婉軍.河北師范大學 2016
[9]基于GIS和組合賦權法的張掖市生態(tài)環(huán)境質量綜合評價研究[D]. 付金霞.西北師范大學 2006



本文編號：3550445