基于深度学习的学生课堂疲劳状态的分析与研究

发布时间：2024-04-28 02:40

　　如何让学生保持高效率的学习状态一直都是各领域尤其是教育界的研究热点,为了确保课堂上学生的学习效率,尽可能早的发现学生在课堂进入疲劳状态并及时提醒学生就显得尤为重要。随着教育体系、教育设备的不断完善和优化,将疲劳检测的方法引入学生的课堂已是必然趋势,学生疲劳检测理论与方法的研究在学术领域和实际应用上都具有重要的研究价值和实际意义。为了克服目前主流检测方法特征检测率较低、对疲劳判断的指标单一等问题,本文结合深度学习当中的卷积神经网络训练出网络模型,提高了对脸部特征检测的准确率,并且在目前PERCLOS疲劳判断的基础上引入新的变量,将嘴部的张合状态是否过大作为判断疲劳的另一指标。通过在课堂上对学生的眼部、嘴部等区域进行采样与分析,结合更新后的疲劳判断指标与方法进而给出疲劳与否的判断。从实验结果来看,证明了网络模型的必要性、引入新的评价指标的有效性以及本文的应用价值。本文所完成的主要工作内容如下:(1)实现了基于深度学习中卷积神经网络的人脸检测与身份识别的功能,完成了数据库的构建。但在实际教学课堂当中会学生会出现大量肢体动作遮挡脸部区域,因此,采用三个方向对学生进行人脸视频流的获取,选择三个视...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图1.1体系结构图

重庆师范大学硕士学位论文1绪论损失。江小涓、张文生等教授提出稀疏堆叠编码器，其本质是在堆叠编码器的损失函数项的结构上引入稀疏惩罚值的深度学习网络，但梯度稀释的问题没有得到解决。牛津大学提出的VGG深度学习模型[9]目前已被广泛应用。不仅如此，Facebook的人脸检测的系....

图2.1最大下采样与平均下采样3全连接层

图2.1最大下采样与平均下采样3全连接层通常情况下，卷积神经网络的输出层对应分类器，其全连接层的本质是对一层所得到的输出信息进行高度概括，连接所有特征后将输出值传递给后一层分类器[30]。所进行的操作仍是卷积操作，卷积操作后的结果为一个节点，然后特征组合起来进行分类计算，得....

图2.2梯度下降算法

使损失函数朝着梯度改变最快的方向进行更新[32]，尽量在实验中减少陷入局部最优的可能。如图2.2所示。图2.2梯度下降算法定义整个代价损失函数，再定义参与一组训练的数据量，若批次为1，则为随机梯度下降；若需要的是批梯度下降，则一批次数据量为进行训练时的每批的样本数据选取量....

图3.1身份识别功能流程图

测与身份识别的功能。主要包括图像数据获取与处理、环境及结果分析为后续对学生进行疲劳状态的研究与分份识别功能设计流程与身份识别功能的设计从整体而言，可分为五个步骤：通过摄像头获取相关的人脸视频流，将视频流转化成帧地的图像数据库。利用分类器检测出本地图像库中每张帧图像人脸区域的取，补....

本文编号：3966052