面向在线教育平台情绪识别的算法研究与实现

发布时间：2020-04-12 04:56

【摘要】：教育一直以来都是人们重视的领域,它不仅关系到一个人的成长,甚至关系到一个国家民族的发展。在线教育平台近年来成为人们研究的热点问题之一,但目前的在线教育平台仍缺乏针对不同用户的人性化与个性化的交互方法。如何提高在线教育平台的人机交互性能,自然成为了研究的重点问题。本文针对如何提升在线教育平台的交互性能,提出了一种新型自适应在线教育平台框架,该框架能够根据两种不同的交互方式来调整平台展示的内容,进而提高本身的自适应性。一种方式为:通过用户端的摄像头获取人脸信息,进行基于人脸的情绪识别,以人脸情绪识别的结果为依据进行授课内容的自适应调整。第二种方式为:通过用户对测试问题的回答情况,进行引导性的人机对话,以多轮对话的回复内容为依据进行授课内容的自适应调整。针对本文所设计的在线教育平台框架,本文分别提出了一种识别静态情绪和两种识别动态情绪的算法。针对静态情绪识别问题,本文提出用卷积神经网络结合soft-max层进行人脸表情的识别。因适当地增加网络层数和减小卷积核大小可使得网络更好的提取细节特征,所以本文将这两种优化方法作为提升算法精确度的首要方法,给出了5组不同卷积层数的静态情绪识别算法对比实验。实验中卷积层数分别设置为6,8,12和13,并对比了迁移学习VGG16卷积神经网络的识别效果。其中13层的卷积神经网络表现出最好的识别效果,达到了91.5%的准确率,高于迁移学习VGG16神经网络89.6%的准确率。针对动态情绪识别问题,本文分别采用卷积神经网络和长短记忆神经网络相结合和3D卷积神经网络设计了两种适合于动态情绪识别的深度学习算法。首先采用卷积神经网络和双向长短记忆神经网络相结合的形式设计了一种动态情绪识别算法,通过3组对比实验验证了算法的收敛效果和识别准确率,最终得到识别动态情绪62.3%的准确率;然后,采用3D卷积神经网络的思想设计了另一种动态情绪的算法,该算法同时具有特征提取和时间序列建模的功能,获得了识别动态情绪70%的准确率。与2018年情绪识别大赛中最好动态情绪识别算法61.87%的准确率~([1])相比,本文提出的算法获得了近10%的提升。最后,给出了全文总结与展望,梳理了情绪识别深度神经网络的设计原则与经验,总结了网络进一步调优的方法。本文的研究工作为在线教育平台人机交互方法的研究提供了若干可借鉴的方法和有效措施。
【图文】：

人工神经元,结构模型,神经元,隐藏层

神经细胞及神经元组成，比如一个简单的有害物体要进入眼睛而人应激反应。这一过程需要很多的神经元一起分工合作，传递给大脑的自我保护反应。所以人工神经网络在处理或简单或复杂的问题时的神经元共同协作。神经网络的典型结构是由许多相互连接的处理些处理元素通常称之为神经元。神经元在逻辑上被组合成通过加权的层。其中，主要的三组层包括：输入层、隐藏层和输出层。中每一网络层中每个神经元都与下一层的所有神经元相连。模式通给网络，此层与一个或多个隐藏层相互通信，其中实际处理通过一系统完成。隐藏层使得网络能够表示并计算输入和输出之间的复杂随后连接到输出层，该输出层保存网络对输入的响应。此外，还存加权连接的偏置，它只与隐藏层以及输出层中的神经元相连。人工是自主学习的，或者通过外部导向的输入学习，，甚至可以通过编写]。而其神经元也是仿照人类的神经元，其结构如图 2.1 所示[20]。

神经网络模型

第 2 章情绪识别研究综述2.6.2 卷积神经网络（CNN）综述卷积神经网络最早起源可追溯到 1962 年，其来源于人们对于猫视觉皮层的研究。此为两位生物学领域的专家 Hubel 和 Wiesel 共同提出的概念——感受野。卷积神经网络（CNN）是一种多层的前馈神经网路，它是一种多层感知器的改进模型。接下来将一一介绍经典的卷积神经网络模型。1998 年，Yann LeCun，Léon Bottou，Yoshua Bengio，Patrick Haner 提出一种卷积神经网络模型 LeNet-5 来处理手写数字的识别问题[44]，是带领人们将卷积神经网络向实际工程中应用的先行者。LeNet-5 的模型如图 2.2 所示[44]：
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;G434

【相似文献】