基于多模态身体行为信息融合的学生学习兴趣分析方法研究
2019-11-22任婕
仪器仪表用户 2019年12期
任 婕
(北方工业大学 信息学院,北京 100144)
0 引言
在当前的教学领域中,评价者不能简单地凭借学生的成绩或者调查问卷去分析学生对课堂的学习兴趣,需要综合考虑学生在学习过程中的多种行为表现,从而为课堂中学生的参与意识和投入程度提供有效的改进意见。
学生的学习兴趣可以通过身体行为体现。课堂中的身体动作,往往能直观反应学生上课的专注程度。而身体动作又可以分为很多种,譬如对举手特征动作的识别,趴桌子特征动作的识别,托腮特征动作的识别,低头特征动作的识别,写字和正坐特征动作的识别。
根据获得的身体行为数据,可以把一个课堂环境下的学生在某段时间的身体行为数据转化为一个一维向量。由于随机森林在解决小样本非线性分类问题中所表现出的分类效果极佳,同时随机森林可以解决分类、函数拟合等其他机器学习问题的特性,所以本文决定采用随机森林算法对所得到的向量进行训练并对参数进行调优,训练得到一个可以分类学习状态的分类器,最终通过多模态信息融合得到结果。

表1 身体躯干关节点的编号及命名Table 1 Number and name of trunk nodes

图1 课堂环境数据采集示意图Fig.1 Schematic diagram of classroom environment data acquisition
1 身体行为数据集构建
数据集收集是身体行为分析的基础,以往数据集的收集过程都是参与者自己表演、重现和互动的,只有比较少一部分的数据集是自发的,而且并没有一个数据集是用来专门针对课堂环境中的[1]。因为本研究是区分课堂上身体行为的动作状态,所使用的数据集也必须是来自正在上课时的学生的身体行为数据。……
登录APP查看全文
