论文部分内容阅读
伴随着信息技术与互联网的迅猛发展,现有的教学模式已不再只有传统的课堂授课方式,越来越多的E-Learning教学平台被广泛的使用在教育、企业培训中。E-Learning教学模式较之传统教学模式最大的好处就是冲破了固定时间地点的限制,让学习者能够真正意义上随时随地的线上学习。但又由于这一特点,使得目前的E-Learning系统存在着严重情感缺失的问题:学习者与同学老师分离,使他们在学习过程中由于缺乏与他人的情感交流,导致学习者开小差、分散注意力,最终严重影响学习效率。为了解决该问题,本文提出了在E-Learning系统学习过程中对学习者进行注意力检测来提高学习效率的两种方法:基于计算机视觉的检测和基于脑波的检测。在计算机视觉检测部分,本文首先对人脸检测和人眼检测的相关技术做了介绍,然后重点研究了两者相结合用于注意力检测的可行方案。该方案在计算机视觉部分采用OpenCV库中基于adaboost算法的haar分类器,在实验中取得了较好的检测效果。在脑波检测部分,文中一开始总结了前人脑波采集的各种方法,接下来重点介绍可穿戴脑波检测设备的优越性。在本文的研究中使用了NeuroSky公司的Mindwave可穿戴设备来获取学习者的脑波数据,并通过其提供的SDK编写程序来完成注意力的检测。本文将注意力不集中的状态具体分为显式偏离分心、显式疲劳分心、隐式分心等三个部分(显式的分心指通过视觉手段可分辨出的分心行为,如面部朝向的偏离或者疲劳时眼睑的闭合,隐式分心指不伴随分心行为的内在心理状态的分心),并设计实验检验两种检测方法在上述各个分心状态中的检测率。然后通过分析实验数据比较这两种方法的区别以及各自的优缺点,并重点探讨研究在两种方法相结合的情况下的注意力检测方法。本文针对注意力检测主要做了以下三方面的贡献:第一,提出了将人脸检测与人眼检测相结合用于注意力检测的方法。当两者都检测到目标时,判定学习者专注。第二,以Mindwave为硬件基础设计了一套注意力检测方法,当检测到的专注值低于阈值时,判定学习者分心。其中的专注阈值,提出了采样求平均值的方法,动态的为每位学习者选取适合他们的阂值。第三,提出了将计算机视觉检测与脑波检测相结合用于注意力的检测的方法,并在实验中取得了好的检测效果。最后实验结果表明,计算机视觉检测方法适合于检测显式分心,脑波检测方法适合于检测隐式分心。而将两者相结合的检测方法,在一定程度上互补了两种检测方法各自的缺点,检测效果最好。