如何用手机进行远程网络教育 一种基于深度学习的个性化远程教育系统及方法与流程

本发明涉及远程教育技术领域，具体涉及一种基于深度学习的个性化远程教育系统及方法。

背景技术：

随著互联网应用的发展，人们越来越多地把学习过程放到网络上来，而不再局限于传统的教室学习。网络学习特有的即时性和功能性使它成为许多远程学习者的首选。

远程教育的特点决定了学生以自学为主，学生和教师、同学相互分离，课堂的氛围缺失，教师无法实时了解到学生状态等多方面因素导致远程教育学习效果差、辍学率高。

另外，传统的远程教育以系统自身为中心，忽略受教育时象之间存在鲜明的个性特征差异，学生只能被动地接受完全相同的学习内容，而不能主动地根据自己的需要选择、调度、控制自己的学习过程，如此一来，丰富的教育资源未能得到充分利用，造成了交互性差、教学效果不明显等诸多问题。

虽然多种名校名师在线教学优质资源极大丰富，但大多数学生学习仍缺少归属感和成就感，自主学习能力不高。因此，如何促进学生自主学习，保证学习效果，构建有效的远程教育系统一直是远程教育院校不断研究探索的难题。

技术实现要素：

为了克服现有技术存在的缺陷与不足，在传统远程教育的基础上，本发明提供一种基于深度学习的个性化远程教育系统及方法，实现对不同的用户端，不同的学习目的进行自适应的适配，达到智能教学的目的。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于深度学习的个性化远程教育系统，包括：教师端、远程教育端、学生端、个性化题库分析模块、学生专注度检测模块和学生信息库；

所述学生端通过网络学习平台连接远程教育端；

所述教师端用于教师直播或录播上课，所述学生端用于学生学习，所述远程教育端用于辅助教师教学，所述个性化题库分析模块用于根据学员的学习进度、学习错误题目和题库加载的高频错误点进行统计，针对每位同学推送对应题目，所述学生专注度检测模块用于将视觉图像送入深度学习框架进而分析学习者的专心程度。

作为优选的技术方案，所述教师端和学生端均采用电脑、手机或者平板中的任意一种。

本发明还提供一种基于深度学习的个性化远程教育系统的实现方法，包括下述步骤：

学生端进行人脸识别验证通过后，通过互联网登入远程教育端；

在进行远程教育的过程中，调用摄像头对学生的学习状态进行录像，并将信号分解为按时间排序的图像序列，传入学生专注度检测模块进行专注度检测；

将学生在上课学习过程中的随堂检测情况和专注度评级一起存入学生信息库，供教师端查看；

构建个性化题库分配模块，根据学员的学习进度和上次学习错误题目，以及题库加载的高频错误点进行统计，针对每位同学推送对应题目；

作为优选的技术方案，所述传入学生专注度检测模块进行专注度检测，具体步骤包括：

采用adaboost算法通过迭代的方法挑选出合适的haar特征，将这些弱分类器组合得到强分类器，训练而成的人脸分类器对输入的图片序列进行检测判断是否存在人脸，若有，则得到人脸区域；

对得到的人脸区域进行预处理；

从人脸表情图像中提取特征，采用深度学习网络对初级特征和haar特征进行学习和训练如何用手机进行远程网络教育，使用训练出的模型作为专注度分类器来进行学生学习过程中专注度识别；

预先设定专注度状态，如果检测为分心，则向学生端和教师端分别发送提醒消息。

作为优选的技术方案，所述对得到的人脸区域进行预处理，具体步骤包括gamma变换和图像归一化。

作为优选的技术方案，所述专注度状态划分为兴奋、专注、平静和分心。

作为优选的技术方案，所述构建个性化题库分配模块，具体步骤包括：

将储存在学生信息库中的上一次考试成绩、难易等级、作业错题数量和随堂检测情况分别导入个性化题库分配模块；

基于深度学习神经网络模型事先训练好的网络权重、网络模型和分类文件直接进行比对，筛选出适合学生水平的相关题目，组合成作业和考试卷；

若反馈学生连续多次成绩不理想或高分，则调整难易等级。

作为优选的技术方案，所述深度学习神经网络模型包括基于感兴趣区域的rcnn模型、spp-net模型、fastrcnn模型或fasterrcnn模型。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明针对学生在上课过程中专注度问题，构建了实时学生专注度检测模块，利用机器视觉将摄像头实时抓取的图像送入深度学习框架进而分析学习者的专心程度。

(2)本发明的基于深度学习的个性化远程教育系统在传统的高效远程教育管理系统基础上增加了个性化题库分析模块，能够根据学员的学习进度和上次学习错误题目，及题库加载的高频错误点进行统计，针对每位同学推送对应题目，使得这个远程教育系统更有针对性，实现对不同的用户端，不同的学习目的进行自适应的适配，达到智能教学的目的。

附图说明

图1为本实施例基于深度学习的个性化远程教育系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

如图1所示，本实施例提供一种基于深度学习的个性化远程教育系统，包括用于教师直播或录播上课的教师端、用于辅助教师教学的远程教育端和用于学生学习的学生端，学生端通过网络学习平台连接远程教育端；

还设有个性化题库分析模块、学生专注度检测模块和学生信息库，个性化题库分析模块用于根据学员的学习进度和上次学习错误题目，以及题库加载的高频错误点进行统计，针对每位同学推送对应题目；学生专注度检测模块利用机器视觉将摄像头实时抓取的图像送入深度学习框架进而分析学习者的专心程度；

在本实施例中，教师端和学生端都可以通过平板电脑、电脑和手机来实现，并通过互联网接入远程教育端。

本实施例基于深度学习的个性化远程教育系统在传统的高效远程教育管理系统基础上增加了个性化题库分析模块，能够根据学员的学习进度和上次学习错误题目，以及题库加载的高频错误点进行统计，针对每位同学推送对应题目。针对学生在上课过程中专注度问题，构建了学生专注度检测模块，利用机器视觉将摄像头实时抓取的图像送入深度学习框架进而分析学习者的专心程度，对不同的用户端，不同的学习目的进行自适应的适配，达到智能教学的目的。

本实施例还提供一种基于深度学习的个性化远程教育系统的实现方法，包括下述步骤：

s1：学生端进行人脸识别验证通过后，通过互联网登入远程教育端；

s2：在进行远程教育的过程中，系统调用摄像头对学生的学习状态进行录像，并将信号分解为按时间排序的图像序列，传入学生专注度检测模块进行专注度检测；

s21：采用adaboost算法通过迭代的方法挑选出合适的haar特征，将这些弱分类器组合得到分类能力强的强分类器，训练而成的人脸分类器对输入的图片序列进行检测判断是否存在人脸，若有，则得到人脸区域；

s22：对得到的人脸区域进行预处理，包括gamma变换，图像归一化等；

s23：从人脸表情图像中提取特征，用深度学习网络对初级特征和haar特征进行学习和训练，使用训练出的模型作为专注度分类器来进行学生学习过程中专注度识别；

s24：预先设定4种专注度状态，兴奋、专注、平静和分心，如果检测为分心，则向学生端和教师端分别发送提醒消息，用于教师点名提醒并在学生信息库记录，为接下来的个性化题库分配系统提供信息；

s3：将学生在上课学习过程中的随堂检测情况和专注度评级一起存入学生信息库如何用手机进行远程网络教育，供教师端查看；

s4：构建个性化题库分配模块，本实施例的全网题库是进行大数据统计其他学生学习过程中错误率高的题目，教师上传题库是教师在授课之后整理并上传的一些针对性强的题目，经过系统整合标签之后归纳成题库。

s41：将储存在学生信息库中的上一次考试成绩、难易等级、作业错题数量和随堂检测情况等分别导入个性化分析中心；

s42：深度学习神经网络模型有基于感兴趣区域的rcnn模型、spp-net模型、fastrcnn模型、fasterrcnn模型等，本实施例利用fasterrcnn模型通过事先训练好的网络权重、网络模型和分类文件直接进行比对，快速筛选出适合学生水平的相关题目，组合成作业和考试卷；

s43：若反馈学生连续多次成绩不理想或高分，则调整难易等级，知道适应学生的真实水平。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。