基于MARG传感器的学习状态识别方法研究
发布时间：2020-08-15 20:06
【摘要】：随着信息技术与教育教学的深度融合,学习者的学习方式受到信息化和网络化猛烈冲击,在线学习已经成为未来重要的学习趋势。因此在这种无人监督的环境下,及时发现学习者的学习规律和学习问题显得至关重要。在此背景下,本文以惯性测量和模式识别理论为基础,对在线学习状态下的头部运动姿态检测和运动模式识别方法进行了深入研究,设计并实现了基于磁强计、陀螺仪和加速度计(Magnetic,Angular Rate and Gravity,MARG)传感器的学习状态检测与识别系统,能够实时检测学习者的头部运动姿态和运动模式。本文完成的主要工作如下:(1)针对传统姿态解算算法精度粗略和稳定性差等缺点,提出了一种基于改进互补滤波算法与扩展卡尔曼滤波算法相结合的姿态融合解算方法。将互补滤波算法与比例-积分算法相结合估算陀螺仪的漂移误差,再通过扩展卡尔曼滤波算法实现姿态数据融合。与单独的扩展卡尔曼滤波算法对比,结果表明这种算法对陀螺仪自身的漂移和加速度计噪声有抑制作用,提高了姿态解算的精度和稳定性。(2)本文提出了一种新的学习状态识别方法,将学习状态模式分为姿态、动作、状态三个层面。应用支持向量机设计了学习姿态识别算法,实现左转头、右转头、抬头、低头、左偏头、右偏头以及平视七种姿态的识别;应用BP神经网络设计了学习动作识别算法,实现对点头、摇头、转头、正常四种动作的识别;在此基础上,采用阈值法设计了学习状态识别算法,实现了在学习场景下注意力状态和疲劳状态的判别。(3)以CC1310为处理器,选用9轴传感器MPU9250,设计了学习状态检测与识别硬件系统。然后设计了头部运动姿态测量实验和多级分层的学习状态识别实验。姿态测量实验表明,采用本文改进的姿态解算算法能够获得准确的头部运动姿态信息;多级分层的学习状态识别实验结果表明,本文设计的学习姿态识别算法对姿态的平均识别率达到98.1053%;学习动作识别算法对动作的平均识别率达到92.2200%;学习状态识别算法对疲劳状态的平均识别率达到90.8000%,对注意力不集中状态的平均识别率达到92%。本文设计的学习状态检测与识别系统实现了对学习者学习状态的检测与识别,对规范学习者的学习行为和提高学习者的学习效率具有重要意义。
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN713;TP212
【图文】：
ｚ［ｋ）邋＝邋Ｈ邋（＾ｘ｛ｋ）ｙｘ（ｋ）＋ｙ［ｋ）＋ｖｋ逦（２－３７）逡逑根据描述，扩展卡尔曼滤波算法的原理框图如图２－２所示。逡逑｜ｐ（0ｙ，Ａｒ＝Ｔ］逦｜５＿（°）＊＾＝３逡逑户（ＪＵ邋—１如——逦—｜逦一邋１）逡逑}瑁危澹藻危挢巍㈠义希垮澹耍翦澹ǎ粒颍╁澹藉澹荆ǎ粒海蓿欤颍ǎ粒海郏ǎ粒海荆ǎ粒颍粒海欤颍ǎ蓿╁澹澹浚ǎ蓿蒎巍尾峰危浴稿巍福咤义希辍巍垮澹兀ǎ耄╁澹藉澹兀耄粒埽╁澹澹耍耍ǎ耄埽ǎ耄瑁埽ǎ耄耄埽耄埽苠义贤迹玻怖┱箍ǘ瞬ㄋ惴ǖ脑砜蛲煎义显谕迹玻菜镜睦┱箍ǘ瞬ㄋ惴ǖ脑砜蛲贾校槐硎疚低冲义献刺淞康墓兰浦担硎疚低匙刺徊阶凭卣螅硎疚义舷低吃げ夤兰菩讲罹卣螅硎疚低吃肷讲罹卣螅硎疚义舷低匙钣趴ǘ鲆
本文编号：2794576
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN713;TP212
【图文】：
ｚ［ｋ）邋＝邋Ｈ邋（＾ｘ｛ｋ）ｙｘ（ｋ）＋ｙ［ｋ）＋ｖｋ逦（２－３７）逡逑根据描述，扩展卡尔曼滤波算法的原理框图如图２－２所示。逡逑｜ｐ（0ｙ，Ａｒ＝Ｔ］逦｜５＿（°）＊＾＝３逡逑户（ＪＵ邋—１如——逦—｜逦一邋１）逡逑}瑁危澹藻危挢巍㈠义希垮澹耍翦澹ǎ粒颍╁澹藉澹荆ǎ粒海蓿欤颍ǎ粒海郏ǎ粒海荆ǎ粒颍粒海欤颍ǎ蓿╁澹澹浚ǎ蓿蒎巍尾峰危浴稿巍福咤义希辍巍垮澹兀ǎ耄╁澹藉澹兀耄粒埽╁澹澹耍耍ǎ耄埽ǎ耄瑁埽ǎ耄耄埽耄埽苠义贤迹玻怖┱箍ǘ瞬ㄋ惴ǖ脑砜蛲煎义显谕迹玻菜镜睦┱箍ǘ瞬ㄋ惴ǖ脑砜蛲贾校槐硎疚低冲义献刺淞康墓兰浦担硎疚低匙刺徊阶凭卣螅硎疚义舷低吃げ夤兰菩讲罹卣螅硎疚低吃肷讲罹卣螅硎疚义舷低匙钣趴ǘ鲆
本文编号：2794576
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2794576.html
