论文部分内容阅读
教育一直以来都是人们重视的领域,它不仅关系到一个人的成长,甚至关系到一个国家民族的发展。在线教育平台近年来成为人们研究的热点问题之一,但目前的在线教育平台仍缺乏针对不同用户的人性化与个性化的交互方法。如何提高在线教育平台的人机交互性能,自然成为了研究的重点问题。本文针对如何提升在线教育平台的交互性能,提出了一种新型自适应在线教育平台框架,该框架能够根据两种不同的交互方式来调整平台展示的内容,进而提高本身的自适应性。一种方式为:通过用户端的摄像头获取人脸信息,进行基于人脸的情绪识别,以人脸情绪识别的结果为依据进行授课内容的自适应调整。第二种方式为:通过用户对测试问题的回答情况,进行引导性的人机对话,以多轮对话的回复内容为依据进行授课内容的自适应调整。针对本文所设计的在线教育平台框架,本文分别提出了一种识别静态情绪和两种识别动态情绪的算法。针对静态情绪识别问题,本文提出用卷积神经网络结合soft-max层进行人脸表情的识别。因适当地增加网络层数和减小卷积核大小可使得网络更好的提取细节特征,所以本文将这两种优化方法作为提升算法精确度的首要方法,给出了5组不同卷积层数的静态情绪识别算法对比实验。实验中卷积层数分别设置为6,8,12和13,并对比了迁移学习VGG16卷积神经网络的识别效果。其中13层的卷积神经网络表现出最好的识别效果,达到了91.5%的准确率,高于迁移学习VGG16神经网络89.6%的准确率。针对动态情绪识别问题,本文分别采用卷积神经网络和长短记忆神经网络相结合和3D卷积神经网络设计了两种适合于动态情绪识别的深度学习算法。首先采用卷积神经网络和双向长短记忆神经网络相结合的形式设计了一种动态情绪识别算法,通过3组对比实验验证了算法的收敛效果和识别准确率,最终得到识别动态情绪62.3%的准确率;然后,采用3D卷积神经网络的思想设计了另一种动态情绪的算法,该算法同时具有特征提取和时间序列建模的功能,获得了识别动态情绪70%的准确率。与2018年情绪识别大赛中最好动态情绪识别算法61.87%的准确率[1]相比,本文提出的算法获得了近10%的提升。最后,给出了全文总结与展望,梳理了情绪识别深度神经网络的设计原则与经验,总结了网络进一步调优的方法。本文的研究工作为在线教育平台人机交互方法的研究提供了若干可借鉴的方法和有效措施。