[發(fā)明專利]一種基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 202010948014.1
• 申請日: 2020-09-10
• 公開（公告）號: CN112116841A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計）人: 朱靜;王茹皓;呂敏玲;李浩明;明家輝;鄧海燕;楊強(qiáng)
• 申請（專利權(quán)）人: 廣州大學(xué)
• 主分類號: G09B7/04
• 分類號: G09B7/04;G09B7/08;G06K9/00;G06N3/08;G06Q50/20
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

1.一種基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)，其特征在于，包括：教師端、遠(yuǎn)程教育端、學(xué)生端、個性化題庫分析模塊、學(xué)生專注度檢測模塊和學(xué)生信息庫；

所述學(xué)生端通過網(wǎng)絡(luò)學(xué)習(xí)平臺連接遠(yuǎn)程教育端；

所述教師端用于教師直播或錄播上課，所述學(xué)生端用于學(xué)生學(xué)習(xí)，所述遠(yuǎn)程教育端用于輔助教師教學(xué)，所述個性化題庫分析模塊用于根據(jù)學(xué)員的學(xué)習(xí)進(jìn)度、學(xué)習(xí)錯誤題目和題庫加載的高頻錯誤點進(jìn)行統(tǒng)計，針對每位同學(xué)推送對應(yīng)題目，所述學(xué)生專注度檢測模塊用于將視覺圖像送入深度學(xué)習(xí)框架進(jìn)而分析學(xué)習(xí)者的專心程度。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)，其特征在于，所述教師端和學(xué)生端均采用電腦、手機(jī)或者平板中的任意一種。

3.根據(jù)權(quán)利要求1或2所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，包括下述步驟：

學(xué)生端進(jìn)行人臉識別驗證通過后，通過互聯(lián)網(wǎng)登入遠(yuǎn)程教育端；

在進(jìn)行遠(yuǎn)程教育的過程中，調(diào)用攝像頭對學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行錄像，并將信號分解為按時間排序的圖像序列，傳入學(xué)生專注度檢測模塊進(jìn)行專注度檢測；

將學(xué)生在上課學(xué)習(xí)過程中的隨堂檢測情況和專注度評級一起存入學(xué)生信息庫，供教師端查看；

構(gòu)建個性化題庫分配模塊，根據(jù)學(xué)員的學(xué)習(xí)進(jìn)度和上次學(xué)習(xí)錯誤題目，以及題庫加載的高頻錯誤點進(jìn)行統(tǒng)計，針對每位同學(xué)推送對應(yīng)題目。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，所述傳入學(xué)生專注度檢測模塊進(jìn)行專注度檢測，具體步驟包括：

采用Adaboost算法通過迭代的方法挑選出合適的Haar特征，將這些弱分類器組合得到強(qiáng)分類器，訓(xùn)練而成的人臉分類器對輸入的圖片序列進(jìn)行檢測判斷是否存在人臉，若有，則得到人臉區(qū)域；

對得到的人臉區(qū)域進(jìn)行預(yù)處理；

從人臉表情圖像中提取特征，采用深度學(xué)習(xí)網(wǎng)絡(luò)對初級特征和Haar特征進(jìn)行學(xué)習(xí)和訓(xùn)練，使用訓(xùn)練出的模型作為專注度分類器來進(jìn)行學(xué)生學(xué)習(xí)過程中專注度識別；

預(yù)先設(shè)定專注度狀態(tài)，如果檢測為分心，則向?qū)W生端和教師端分別發(fā)送提醒消息。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，所述對得到的人臉區(qū)域進(jìn)行預(yù)處理，具體步驟包括Gamma變換和圖像歸一化。

6.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，所述專注度狀態(tài)劃分為興奮、專注、平靜和分心。

7.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，所述構(gòu)建個性化題庫分配模塊，具體步驟包括：

將儲存在學(xué)生信息庫中的上一次考試成績、難易等級、作業(yè)錯題數(shù)量和隨堂檢測情況分別導(dǎo)入個性化題庫分配模塊；

基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型事先訓(xùn)練好的網(wǎng)絡(luò)權(quán)重、網(wǎng)絡(luò)模型和分類文件直接進(jìn)行比對，篩選出適合學(xué)生水平的相關(guān)題目，組合成作業(yè)和考試卷；

若反饋學(xué)生連續(xù)多次成績不理想或高分，則調(diào)整難易等級。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的個性化遠(yuǎn)程教育系統(tǒng)的實現(xiàn)方法，其特征在于，所述深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型包括基于感興趣區(qū)域的RCNN模型、SPP-net模型、Fast RCNN模型或Faster RCNN模型。