[发明专利]一种基于人脸表情和人体动作识别的课堂学习效率分析算法

权利要求书

1.一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于包括以下步骤：

步骤1，将一节课按时间分成M个区间段；利用布置在教室内的监视与信息处理系统，获取各区间段内每个同学的表情和动作等统计信息，基于N个学生上课时的表情和动作具体情况，设置“好”行为为Aⁱ，i＝1,2,...,α；“坏”行为为Bⁱ，i＝1,2,...,β；

获取各区间段内N个同学的8种行为的统计信息；“好”行为为A—抬头认真听讲，B—低头看课本，C—做笔记，D—提问/回答老师的问题，“坏”行为为E—打瞌睡，F—交头接耳说话，G—玩手机，H—中途离场；

首先根据每一种行为在各区间段总人数的表现，选取“好”行为A,B,C,D在各区间的行为权值，如表2所示：

表2：A,B,C,D行为在各区间段的行为权值

其中:D行为的权属优先级高于A,B,C,即只要区间内有D行为出现，即该区间的权属按四权赋权值；

步骤2，计算学生集体课堂学习效率P_α，具体如下：

步骤2-1、首先根据每一种行为在各区间段总人数的表现，选取“好”行为A¹,A²,A³,...,A^α在各区间的行为权值；

步骤2-2、计算每个区间段“好”行为因子P_jg，j＝1,2,3...M；其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹_ji,A²_ji,A³_ji,...,A^α_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-3、计算每个区间段“坏”行为因子P_jb，j＝1,2,3...M；其中：w_b1,w_b2,w_b3,...,w_bβ分别为B¹_ji,B²_ji,B³_ji,...,B^β_ji的行为权值，其取值一般为固定值；B¹_ji,B²_ji,B³_ji,...,B^β_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-4、计算得到一节课内集体“好”行为因子集体“坏”行为因子

步骤2-5、计算集体课堂学习效率

步骤3，考虑个体课堂学习效率算法来补偿集体算法的缺点，具体如下：

步骤3-1、计算每个学生的“好”行为因子P_ig，i＝1，2,3...N，班上总人数为N，其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹_ij,A²_ij,A³_ij,...,A^α_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-2、计算每个学生的“坏”行为因子P_ib,i＝1，2,3...N，班上总人数为N，其中：w_b1,w_b2,w_b3,...,w_bβ分别为“坏”行为B¹,B²,B³,...,B^β的行为权值，其取值一般为固定值，B¹_ij,B²_ij,B³_ij,...,B^β_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-3、计算一节课内每个学生的课堂学习效率统计出p_i≥P_set的人数Z,P_set表示学生的期望课堂学习效率定值，可以视具体情况而定，进一步，计算个体课堂学习效率为

步骤4，根据步骤2和步骤3所得的p_a和p_β，可以得出考虑个体因素的集体算法的最终课堂效率计算结果为p＝λ₁p_α+λ₂p_β，其中：λ₁，λ₂分别为P_α和P_β的分配系数，可视具体情况而定。

2.根据权利要求1所述的一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于：上述步骤2-1、步骤2-2、步骤3-1中所述的行为权值的取值方法，如表1所示：

表1：A¹,A²,A³,...,A^α行为在各区间段的行为权值

其中：θ表示A¹,A²,A³,...,A^α行为在各区间段产生的人次占总人数的比例，num₁₁，num₁₂，...，num_nα表示行为权值。