【技术实现步骤摘要】
一种自适应、无监督式的课堂教学活动智能感知方法
本专利技术涉及人工智能领域，尤其涉及一种自适应、无监督式的课堂教学活动智能感知方法。
技术介绍
教育质量的保证是各层次教育的关键。而在提高教育质量中，提高教学质量尤其是课堂教学质量应为重中之重。信息与智能技术已然成为社会发展的重要依托，如何利用与发展信息与智能技术革新传统课堂，构建面向课堂教学的，高效、自动的“智能感知”则自然而然成为一个极具研究价值的科学问题。基于课堂教学的分析，最著名同样也是最广泛应用的方法是弗兰德互动分析法(Flanders’InteractionAnalysisSystem，简称FIAS)，弗兰德认为：语言行为是课堂中主要的教学行为，占所有教学行为的80％左右。因此评价一堂课的最佳方法是对课堂内的师生语言行为进行互动分析。从某种意义上说，把握了课堂教学中师生的语言行为也就把握了课堂教学的实质，它对课堂教学细节进行分析表现出了异乎寻常的技术性功能。概括来说，FIAS方法包括三个主要部分，分别是：一套描述课堂互动行为的编码系统，即量表；一套关于观察和记录编码的规定标准；一个用于显示数据，进行分析，...
【技术保护点】
1.一种自适应、无监督式的课堂教学活动智能感知方法，其特征在于，包括以下步骤：S1：确定最终的教师话语类别、学生类别、静音类别及重叠语音类别，并进行合并，按时间进行排序获得最终的课堂话语类别序列；S2：设置一个定长增长型的滑动窗口；使用SVM分类器的训练数据集进行课堂活动的划分，并判断相应类别；S3：判断滑动窗口是否到达所述课堂话语类别序列的最后，若到达序列终点，则输出序列的所有分割点及相应段的类别，否则重复S2重新设置滑动窗口，获得初步的活动检测及识别结果；S4：输出最终课堂教学活动划分。
【技术特征摘要】
1.一种自适应、无监督式的课堂教学活动智能感知方法，其特征在于，包括以下步骤：S1：确定最终的教师话语类别、学生类别、静音类别及重叠语音类别，并进行合并，按时间进行排序获得最终的课堂话语类别序列；S2：设置一个定长增长型的滑动窗口；使用SVM分类器的训练数据集进行课堂活动的划分，并判断相应类别；S3：判断滑动窗口是否到达所述课堂话语类别序列的最后，若到达序列终点，则输出序列的所有分割点及相应段的类别，否则重复S2重新设置滑动窗口，获得初步的活动检测及识别结果；S4：输出最终课堂教学活动划分。2.根据权利要求1所述的自适应、无监督式的课堂教学活动智能感知方法，其特征在于，还包括二次活动检测，包括如下步骤：将初次活动检测分割点集合记为：FirstDetection＝{c1,c2,...,ct}，t为未知数，表示课堂可能存在的活动个数为t+1，S＝{s1,s2,...,sN}为总的课堂语音段序列，在FirstDetection集合的基础上对分割点进行二次判断，设置一个定长的窗口，设长度为M，针对FirstDetection集合中的每个元素构造一个移动范围：ci在给定的范围内移动，根据每个ci给定一个用于二次判断的课堂语音段子序列，子序列表示如下：使用SVM分类器，依次计算给定ci移动范围内每个点作为分割点的概率值，并选择最大的作为新的分割点，经过对所有一次检测的分割点处理之后，获得新的分割点集合，然后在二次检测的分割点集合的基础上进行活动类别的识别。3.根据权利要求2所述的自适应、无监督式的课堂教学活动智能感知方法，其特征在于，还包括三次活动检测，包括如下步骤：在师生互动活动的分割点周围一个区间内进行疑问句的检测。4.根据权利要求1所述的自适应、无监督式的课堂教学活动智能感知方法，其特征在于，所述设置一个定长增长型的滑动窗口的步骤包括：设课堂类别标签序列为S＝{s1,s2,...,sN}，其中N为原始连续课堂语音以定长时间的一段分割后获得的数量，设置滑动窗口的大小为w，在滑动窗口中设置一个增长型的窗口，即：S′i＝{si,si+1,...,si+w-1}S′ij＝{si,si+1,...,si+j-1},j＝1,2,...,wS″ij＝S′i-S′ijS′ij表示以S′i中的一个子序列，该子序列始终以S′i中的起点si为起点，长度用j表示，每迭代一次增加1；获得一个与S′i中的点对应的概率序列Pi'＝{pi,pi+1,...,pi+w-1}，取pi＝max(Pi')作为滑动窗口S′i中的活动分割点。5.根据权利要求1所述的自适应、无监督式的课堂教学活动智能感知方法，其特征在于，所述确定最终的教师话语类别的步骤包括：对于课堂语音进行等长分割，之后针对每段语音提取相应的MFCC特征；使用所述MFCC特征构造各段语音的GMM模型；将所述各段语音的GMM模型进行聚类操作，获得初始的教师话语...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。