基于人工智能的课堂状态评估方法技术

本申请涉及监督目的的数据处理技术领域，尤其涉及一种基于人工智能的课堂状态评估方法。所述基于人工智能的课堂状态评估方法包括：通过录音设备获取教师的语音数据；根据所述语音数据获取教师发出的进入教学节点的开始信号和离开教学节点的结束信号；通过深度相机获取当前的教学节点内学生位置的照片；根据所述学生位置的照片获取得到当前教学节点内每个学生的头部姿态变化；根据每个学生的头部姿态变化判断得到当前教学节点内所述学生是否听课。本申请通过识别受教师引导的时间段作为教学节点，并在这些教学节点中检测学生的行为是否充分受教师引导，从而检测出学生是否在听课，以此能够提高课堂状态评估的准确性。以此能够提高课堂状态评估的准确性。以此能够提高课堂状态评估的准确性。

【技术实现步骤摘要】
基于人工智能的课堂状态评估方法


[0001]本申请涉及监督目的的数据处理
，尤其涉及一种基于人工智能的课堂状态评估方法。

技术介绍

[0002]在CN110503000A中提出了一种通过检测抬头率获取课堂状态的方法，主要侧重于检测学生有没有全程抬头。
[0003]但是正常的课堂教学的过程中，包括了老师讲课、学生记笔记、学生提问、老师提问和老师解答等多个教学过程。同时，在整个课堂的学习过程中，因学生的个人习惯不同，有些学生喜欢抬头看老师课件听课，这类学生在整节课堂的抬头率会比较高，有些学生喜欢对照书本进行听课，这类学生在整节课堂的抬头率会比较低。因此通过获取整节课堂中学生的抬头率，直接对课堂状态是否良好进行评估的方法不够准确。
[0004]现有技术的课堂状态评估的准确性有待提高

技术实现思路

[0005]为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种基于人工智能的课堂状态评估方法，能够更准确的评估和反应课堂状态。
[0006]第一方面，本申请提供了一种基于人工智能的课堂状态评估方法，所述基于人工智能的课堂状态评估方法包括：
[0007]通过录音设备获取教师的语音数据；
[0008]根据所述语音数据获取教师发出的进入教学节点的开始信号和离开教学节点的结束信号；
[0009]通过深度相机获取当前的教学节点内学生位置的照片；
[0010]根据所述学生位置的照片获取得到当前教学节点内每个学生的头部姿态变化；
[0011]根据每个学生的头部姿态变化判断得到当前教学节点内所述学生是否听课。
[0012]可选的，所述基于人工智能的课堂评估方法还包括：
[0013]在离开当前教学节点后检测所述教学节点的教学状态；
[0014]所述在离开当前教学节点后检测所述教学节点的教学状态包括：
[0015]在教师发出离开当前教学节点的结束信号后的第一预设时间内，通过学生位置的照片获取得到第一预设时间内学生的头部姿态变化，根据所述第一预设时间内学生的头部姿态变化，获取第一预设时间内出现向左或向右转头的学生比例，当所述学生比例大于第一预设阈值时，判断所述教学节点的教学节奏过快。
[0016]可选的，所述基于人工智能的课堂状态评估方法还包括：
[0017]获取教师发出离开当前教学节点的结束信号前的第二预设时间内学生的头部姿态变化；
[0018]根据所述第二预设时间内学生的头部姿态变化，获取第二预设时间内学生出现左
转头或右转头的学生比率，当所述第二预设时间内学生的所述学生比率大于第二预设阈值时，判断所述教学节点的教学节奏过慢。
[0019]可选的，所述基于人工智能的课堂状态评估方法还包括：
[0020]当该学生不听课的教学节点的总数量超过预设的不听课阈值时，判断所述学生当前课堂不听课；
[0021]通过预设的听课状态值评估函数获得当前课堂的听课状态评估值，所述预设的听课状态评估函数为：
[0022][0023]其中P为听课状态评估值，N为学生总人数，M为不听课的学生总人数。
[0024]可选的，所述基于人工智能的课堂评估方法还包括：
[0025]通过预设的课堂状态评估公式评估得到当前的课堂状态评估值，所述课堂状态评估公式为：
[0026][0027]其中，TSE为课堂状态评估值，Node
all
为教学节点总数，Node
good
为优秀教学节点总数，Node
fast
为教学速度过快的教学节点总数，Node
slow
为教学速度过慢的教学节点总数，Node
optimal
为教学节点指导数；
[0028]式中σ是偏差容忍值常数。
[0029]可选的，所述通过深度相机获取学生位置的照片包括：
[0030]所述深度相机包括设置在教室前方的第一深度相机以及设置在教室后方的第二深度相机；
[0031]所述第一深度相机用于获取学生位置的前方照片，所述第二深度相机用于获取学生位置的后方照片，所述第一深度相机和第二深度相机同时对学生位置进行拍摄以分别得到第一深度图像和第二深度图像。
[0032]可选的，根据所述学生位置的照片获取得到当前教学节点内每个学生的头部姿态变化包括：
[0033]根据第一深度图像通过AlphaPose算法分别获取每个学生的左眼、右眼、鼻子和颈部的人体骨骼关键点；
[0034]根据第二深度图像通过AlphaPose算法分别获取每个学生的颈部、左肩、右肩和背部的人体骨骼关键点；
[0035]以颈部作为关节连接点将第一深度图像获取得到的人体骨骼关键点和第二深度图像获取得到的人体骨骼关键点相拼接得到每个学生的骨骼形态；
[0036]以所述骨骼形态中颈部骨骼关键点为中心，将其他骨骼关键点转换为以颈部骨骼关键点为坐标原点的坐标值；
[0037]收集每个学生所有转换后的骨骼关键点的坐标值形成每个学生的姿态描述集合，将每个学生的姿态描述集合输入训练好的姿态感知模型中以此得到每个学生的头部姿态；
[0038]在当前教学节点内通过使第一深度相机和第二深度相机按照预设的间隔时间多
次拍摄学生位置的照片，即可获得每个学生的头部姿态变化。
[0039]可选的，根据所述学生的头部姿态变化判断得到当前教学节点内所述学生是否听课包括：
[0040]对每个学生分别获取预设数量的头部姿态，并按照出现的时间先后排序以作为头部姿态变化顺序，所述头部姿态变化顺序中的头部姿态是，每个学生在当前教学节点中连续出现且连续出现次数最靠前的头部姿态；
[0041]根据每个学生的头部姿态变化顺序获取在全体学生中出现次数最多的头部姿态变化顺序作为头部变化顺序标准；
[0042]将每个学生的头部变化顺序和所述头部变化顺序标准进行比较，当学生的头部姿态变化顺序和头部姿态变化顺序标准不符时，判断该学生当前教学节点不听课。
[0043]可选的，所述预设数量为2。
[0044]第二方面，本申请提供了一种计算机可读存储介质，包括了第一方面任一所述的基于人工智能的课堂状态评估方法。
[0045]本申请提供的技术方案与现有技术相比具有如下优点：
[0046]教师在课堂的教学过程中，遇到重点、难点的知识点时，教师会通过特定的动作和语音以指引使学生做出一定的行为，例如在教授重点知识时，教师会提出让学生注意看黑板，从而引导学生注意力的集中，以此把握整节教学的节奏。在这种教学过程中，学生做出的行为由于受教师引导，其行为一致性高。而在课堂的不受教师引导的其他过程中，即便学生低头或转头，受其个人习惯的影响，也不能充分说明其是否不在听课。
[0047]因此本申请通过识别这些受教师引导的教学时间段作为教学节点，并在这些的教学节点中检测学生的行为是否充分受教师引导，从而检测出学生是否在听课，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的课堂状态评估方法，其特征在于，所述基于人工智能的课堂状态评估方法包括：通过录音设备获取教师的语音数据；根据所述语音数据获取教师发出的进入教学节点的开始信号和离开教学节点的结束信号；通过深度相机获取当前的教学节点内学生位置的照片；根据所述学生位置的照片获取得到当前教学节点内每个学生的头部姿态变化；根据每个学生的头部姿态变化判断得到当前教学节点内所述学生是否听课。2.根据权利要求1所述的基于人工智能的课堂状态评估方法，其特征在于，所述基于人工智能的课堂评估方法还包括：在离开当前教学节点后检测所述教学节点的教学状态；所述在离开当前教学节点后检测所述教学节点的教学状态包括：在教师发出离开当前教学节点的结束信号后的第一预设时间内，通过学生位置的照片获取得到第一预设时间内学生的头部姿态变化，根据所述第一预设时间内学生的头部姿态变化，获取第一预设时间内出现向左或向右转头的学生比例，当所述学生比例大于第一预设阈值时，判断所述教学节点的教学节奏过快。3.根据权利要求2所述的基于人工智能的课堂状态评估方法，其特征在于，所述基于人工智能的课堂状态评估方法还包括：获取教师发出离开当前教学节点的结束信号前的第二预设时间内学生的头部姿态变化；根据所述第二预设时间内学生的头部姿态变化，获取第二预设时间内学生出现左转头或右转头的学生比率，当所述第二预设时间内学生的所述学生比率大于第二预设阈值时，判断所述教学节点的教学节奏过慢。4.根据权利要求3所述的基于人工智能的课堂状态评估方法，其特征在于，所述基于人工智能的课堂状态评估方法还包括：当该学生不听课的教学节点的总数量超过预设的不听课阈值时，判断所述学生当前课堂不听课；通过预设的听课状态值评估函数获得当前课堂的听课状态评估值，所述预设的听课状态评估函数为：其中P为听课状态评估值，N为学生总人数，M为不听课的学生总人数。5.根据权利要求4所述的基于人工智能的课堂状态评估方法，其特征在于，所述基于人工智能的课堂评估方法还包括：通过预设的课堂状态评估公式评估得到当前的课堂状态评估值，所述课堂状态评估公式为：其中，TSE为课堂状态评估值，Node
all
为教学节点总数，Node
good
为优秀教学节点总数，
Node
fast
为教学速度过快的教学节点总数，Node
slow
为教学速度过慢的教学节点总数，Node
optimal
为教学节点指导数，Node
good

【专利技术属性】
技术研发人员：汪静，李美满，刘磊，姚剑，
申请(专利权)人：广东开放大学广东理工职业学院，
类型：发明
国别省市：