- 頭條準確率達93.75%的學習狀態識別新技術，可有效提升教學效率2020-09-14 作者：張召海、韓來權、單茗琪 | 來源：《電氣技術》 | 點擊率：導語東北大學秦皇島分校計算機與通信工程學院、東北大學軟件學院的研究人員張召海、韓來權、單茗琪，在2019年第9期《電氣技術》雜志上撰文（論文標題為“基于滑動濾波方法的學習狀態識別技術”），提出了一種基于滑動濾波方法的學習狀態識別技術。通過對用戶書寫過程中產生的三軸加速度數據進行特征提取、模型訓練、狀態分類3個過程的處理，統計分析了書寫時長占比、極短書寫占比以及分心狀態占比3個學習指標，識別出用戶當前的學習狀態。 在實驗中，將用戶的學習狀態分為熟練、正常、不會以及不專心4種類別，識別準確率達到93.75%。將該系統應用于課堂提問、隨堂檢測時，可以有效幫助教師掌握每個學生的學習狀態，從而照顧到每個學生的學習進度。
高速發展的科技，深刻地影響著人們生活的方方面面。在過去的幾十年間，科技也對教育行業產生了重要的影響，其中改變課堂教學模式的技術不斷涌現。
傳統課堂中，教師是知識惟一的傳授者，一塊黑板、一盒粉筆是教學過程中僅有的工具。這些年隨著國家對教育信息化的重視，越來越多的教學輔助設備出現在課堂上。例如將交互式一體機引入課堂進行輔助教學，這是一種融合了計算機、電視、網絡的新型多媒體互動教學終端，通過該設備可以極大地方便課堂教學。
除此之外，人們還通過集成三軸加速度計，研發新式數字筆輔助學習和教學。Hrishikesh Garud和M. Kulkami研發了一款電子筆，該電子筆集成了慣性傳感器單元，應用隱馬爾可夫模型識別‘A’、‘B’、‘C’3個英文字母，通過記錄手腕的俯仰角等記錄了人的手寫體信息。Renqiang Xie, Juncheng Cao等人提出了一種基于加速度計的電子筆裝置，與此相對應的終端系統通過訓練前饋神經網絡模型，可以識別24種手勢。
1 相關工作
本文中的學習狀態識別技術主要包含3個部分：加速度信號采集、特征提取、識別算法。在硬件方面，使用三軸加速度計、微控制器、USB傳輸模塊設計構建智能筆，將采集到的加速度數據持續發送給終端。終端接收到加速度數據后，經過特征提取、模型訓練、狀態分類三個過程實現對用戶學習狀態的識別。
為了采集書寫過程的加速度數據，本文設計了一款智能筆，這款智能筆使用三軸加速度計測量筆在書寫過程中各個方向的加速度，并且通過USB模塊向PC終端實時傳輸數據，終端通過對接收到的數據進行實時分析，判斷用戶當前的學習狀態。該智能筆已申請專利《一種保護視力和輔助教學的智能筆》。
在提取特征之前，本文首先對加速度數據進行預處理，從而使其波形達到本文問題的要求。首先基于滑動平均濾波的思想，計算出加速度信號曲線每一部分對應的方差，形成一條方差曲線，然后將方差曲線進行分段處理，將其數據進行0-1化，最后為了去除方差曲線中的干擾波段，將微小狀態合并到鄰近狀態中，從而將數據處理完畢。最后提取本算法需要的學習狀態指標。
在識別學習狀態的過程中，本文選用分類回歸樹算法（classification and regression tree, CART）[5]決策樹進行分類。決策樹算法作為機器學習的常用算法之一，具有較好的靈活性和較強的魯棒性，并且易于理解，分類過程也較為簡潔。首先根據提取的特征訓練決策樹模型，將模型保存下來，之后便可以實時對用戶狀態進行識別。
本文后面的部分，首先介紹智能筆的硬件組成，然后介紹特征提取過程，包括基于滑動平均濾波的方差化，方差波形0-1化，微狀態整合。之后介紹決策樹模型的訓練和測試過程。最后對實驗結果進行了討論，并且給出本文的結論。
2 硬件系統
基于加速度計的識別技術，已經被廣泛應用于多個方面。例如基于加速度計的手勢識別技術已被廣泛應用于人機交互（human-computer interaction, HCI）、手語識別、醫學監控、手寫體字符識別，智能設備控制等。基于加速度傳感器可以測量高壓斷路器速度、位移的特性，利用加速度計可以幫助監控跌落式熔斷器的熔管狀態。
本文介紹的電子筆使用了整合性6軸運動處理組件MPU-6050，相較于多組件方案，免除了組合陀螺儀和加速器時間軸之差的問題，減少了大量的包裝時間。MPU-6050整合了3軸陀螺儀、3軸加速器，用戶可程式控制的加速器全格感測范圍為±2g、±4g、±8g與±16g。
MPU-6050可在不同電壓下工作，VDD供電電壓范圍為2.5V±5%、3.0V±5%或3.3V± 5%，邏輯接口VDDIO供電為1.8V±5%（MPU6000僅用VDD）。其4mm×4mm×0.9mm的小巧包裝以及其他特性使得圍繞MMA7260Q的設計非常簡便。
如圖1所示，加速度計和微控制器都固定在一個小印刷電路板上。如圖2所示，將該微型板粘附在我們的常用筆上，然后通過串口線和USB模塊連接到一臺計算機。其中串口線有兩條，一條用于計算機向電路板供電，一條用于電路板向計算機傳輸加速度信號。
圖1 印刷電路板
圖2 智能筆系統
3 算法和實驗（略）
在狀態識別問題中，進行特征提取的目的是，從原始加速度信號中采集盡可能多的與研究問題相關的信息。圖3中展示了本文用到的試卷示例，試卷中的題目均為英文單詞翻譯題，每份試卷中均有10道翻譯題。選擇10個常見單詞組成難度較低的試卷，10個復雜單詞組成難度較高的試卷，選擇5個常見單詞和5個復雜單詞組成難度適中的試卷。
表1中展示了我們采集到的部分樣本數據，其中第一列為樣本序號，第二列為采集樣本的時間，每隔0.10s采集一次加速度數據，第三、四、五列分別為X軸加速度、Y軸加速度、Z軸加速度。在本文的研究問題中，考慮到無論用戶在哪個方向繪制，每段手寫字跡都繪制在二維平面上，所以我們僅使用X軸和Y軸的數據，而不使用Z軸的數據。因此，對數據的所有處理都可以從三維空間降到二維平面。本文對數據處理的軟件流程如圖4所示。
圖3 試卷示例
表1 三軸加速度數據
圖4 智能筆數據處理流程圖
總結
通過基于三軸加速度計的智能筆采集書寫行為數據，結合本文提出的特征采集方法并結合CART算法進行分類識別，能夠較準確地判斷書寫者當前的學習狀態。將書寫者的學習狀態分為4種類別后，識別準確率可以達到93.75%，通過這種方法可以有效輔助教學，提高學生的學習效率。
