摘 要：本文簡要介紹了利用機器學習的算法能夠對學生的視覺注意力進行量化，能夠通過量化得到的數(shù)據(jù)對學生的在線學習時的注意力進行評估。多媒體應用為在線學習中的學生提供了優(yōu)勢，但也帶來了顯著的挑戰(zhàn)。其中一個挑戰(zhàn)是學生視覺關注度的測量和分析。本文提出了一種機器學習算法，對學生的注意力進行測量。在本文中，主要關注學生眼睛狀態(tài)分類，提出一種基于機器學習的分類框架。該方法采用Gabor來提取眼部狀態(tài)的特征，采用SVM算法學習分類器。實驗表明這種方法在魯棒性和正確率方面都達到了很好的性能，具有良好的實際應用價值。

關鍵詞：機器學習；互聯(lián)網(wǎng)多媒體教學；在線學習

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2096-4706（2019）03-0024-02

Qualitative Assessment of Attention in Online Learning Based on Machine Learning

XIANG Ziqi

（Jiangxi University of Finance and Economics，School of Software and Communication Engineering，Nanchang 330013，China）

Abstract：This paper briefly introduces that the machine learning algorithm can quantify the visual attention of students，and the quantitative data can be used to evaluate the attention of students in online learning. Multimedia application provides advantages for students in online learning，but it also brings significant challenges. One of the challenges is the measurement and analysis of students’visual attention. This paper presents a machine learning algorithm to measure students’attention. In this paper，we focus on the classification of students’eye states，and propose a classification framework based on machine learning. In this method，Gabor is used to extract the features of eye state，and SVM algorithm is used to learn the classifier. Experiments show that this method achieves good performance both in robustness and accuracy and has obvious practical application value.

Keywords：machine learning；internet multimedia teaching；online learning

0 引 言

互聯(lián)網(wǎng)時代的浪潮席卷了我們的生活和學習，互聯(lián)網(wǎng)漸漸地被廣泛應用與生活和學習的各個場景，與傳統(tǒng)方法相比使用互聯(lián)網(wǎng)技術能極大地提高效率，互聯(lián)網(wǎng)技術也對我們的生活提出了更高的要求。隨著電腦的普及，互聯(lián)網(wǎng)技術走進了千家萬戶，現(xiàn)在越來越多的學校的課程與互聯(lián)網(wǎng)相關，在線學習應運而生。但是在線學習的教學評價一般是以老師和學生的課后反饋得出的，若利用機器學習可以通過大量的數(shù)據(jù)進行語義構造。本文對學生上課時的視頻源進行分析，進而對學生的注意力進行定性評估。

1 機器學習的應用

近年來，國內(nèi)有關機器學習的研究迅猛發(fā)展，主要表現(xiàn)在對數(shù)據(jù)特征的提取和分類上。通過對大量的數(shù)據(jù)進行算法處理，實現(xiàn)智能應用，例如利用機器學習做決策的阿法狗，將機器學習用于無人駕駛汽車，利用人工智能技術對天文數(shù)據(jù)進行處理，等等。還有在生物學領域的應用，對DNA序列的預測，對蛋白質的空間結構的分析，金融大數(shù)據(jù)的應用：對股票期貨市場進行預測，能夠引導投資者更好地進行投資。

綜上可知，機器學習在國內(nèi)外的研究成果都是十分可觀的，21世紀是信息化時代，AI技術在蓬勃發(fā)展，人工智能越來越走進我們的生活，機器學習是人工智能領域非常重要的一部分，以大數(shù)據(jù)技術為基礎的機器學習在計算機研究領域的重要性越來越突出。大量的資本涌入這個領域，極大地推動了機器學習的發(fā)展。機器學習會逐漸反哺人工智能領域，甚至推動整個人類社會發(fā)生巨大變革。

2 機器學習究竟是什么？

機器學習是基于概率論、統(tǒng)計學、計算機視覺識別、數(shù)據(jù)挖掘等領域的研究。

人類在成長的過程中不斷學習，在生活的過程中積累了很多的歷史和教訓，人類對這些經(jīng)歷進行歸納總結得到了經(jīng)驗，人類可以利用人類總結的經(jīng)驗對未來進行合理的預測。

機器學習就是基于上述人類學習的模式，對人類學習的模式進行模仿，給機器傳輸大量數(shù)據(jù)，由機器進行模擬，通過歸納總結的思想得到一些相關性的結論，機器學習的思想就是對人類學習的模擬，可近似地看成仿生學的分支。

3 特征提取算法

Gabor函數(shù)對傅里葉函數(shù)進行了改進，是基于一個窗口傅里葉函數(shù)。Gabor函數(shù)可以在數(shù)據(jù)的不同范圍、不同方向上提取相關的數(shù)據(jù)特征。Gabor函數(shù)與動物視網(wǎng)膜細胞對光線的刺激的響應非常相似。它在提取數(shù)據(jù)的空間信息方面具有很好的特性。Gabor函數(shù)對于圖像的邊緣十分敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對于亮度的變化不敏感，不會受到圖片亮度不同的干擾。Gabor具有優(yōu)良的空間局部性和方向選擇性，能夠抓住圖像部分區(qū)域中各個方向中的空間區(qū)域和重要的圖像結構特征，Gabor分解可以看成一個擁有高超技藝的狙擊手，對于細節(jié)的把握很到位。

PCA即主要成分分析法，是一種用途廣泛的特征提取算法，PCA通常用于對數(shù)據(jù)集進行降維，同時保持數(shù)據(jù)集中用處最大的數(shù)據(jù)特征，能夠保留重要的數(shù)據(jù)特征，而舍棄可忽略的數(shù)據(jù)成分。這樣通常可以保留我們需要的數(shù)據(jù)特征，加快對數(shù)據(jù)的處理速度并減少對數(shù)據(jù)進行處理時的GPU消耗。用于分析非隨機變量和建模。其主要原理是利用對協(xié)方差矩陣進行特征分解，以得出數(shù)據(jù)的特征向量與它們的權值。PCA提供了一種降低數(shù)據(jù)維度的有效辦法，對分析大量數(shù)據(jù)有顯著效果，例如人臉識別領域。

4 分類模型

KNN是在數(shù)據(jù)挖掘中最簡單的方法之一，是將局部近似和所有計算延遲至分類之后的惰性學習，在多分類的問題中有較好的表現(xiàn)。而且KNN不僅能用于分類模型問題，還能用于各類線性回歸問題，其不足在于當樣本不平衡時，表現(xiàn)效果不夠好。

NBC是以貝葉斯定理為基礎的樸素貝葉斯分類。樸素貝葉斯分類器是高度可擴展的，因此需要特征和分類器成線性關系的參數(shù)。樸素貝葉斯的思想基礎：對于待分類別，對比在此項發(fā)生的條件下各個類別發(fā)生的概率，如果最大就認為此待分類項屬于哪個類別。對于某些類型的概率模型，在許多實際應用中，樸素貝葉斯模型參數(shù)估計需要使用最大似然估計。最大似然估計可以通過評估一個封閉的表達式來完成，而不需要其他類型的分類器所使用的迭代逼近。

SVM是一種按照監(jiān)督學習的方式對數(shù)據(jù)進行二元分類的學習機，被應用于模式的分類中，特別是圖片識別和人臉識別領域，它適用于高維小樣本問題，并具有很好的表現(xiàn)。在我們的實驗中，使用RBF 徑向基函數(shù)核函數(shù)。

5 實驗簡要流程

實驗的簡要流程：根據(jù)圖片的位置提取人眼圖片，圖片的寬度為人眼圖片的尺寸，然后進行圖片的灰度校正，最后縮放到36×36像素大小，如此對樣本進行處理，然后用特征提取算法提取特征數(shù)據(jù)。實驗數(shù)據(jù)采用了包含2000張人臉的圖片集。對1000個不同的人像進行采集，人種為黃種人，年齡在10～50歲之間。圖片大小為260×340像素。其中1000張閉眼圖片和1000張睜眼圖片。一共切割得到1000個閉眼樣本和1000個睜眼樣本。我們就隨機選出500個閉眼樣本和500個睜眼樣本用于訓練，剩下的1000個樣本用于測試。圖片大小為36×36，第一行為閉眼樣本，第二行為睜眼樣本。

在實驗中，將上述2種特征提取算法和3種分類器組合的6種算法進行比較。不同算法的結果比較如表1所示。通過分析我們發(fā)現(xiàn)，Gabor特征在眼部的特征提取方面要優(yōu)于PCA特征。同等條件下，三種分類器都表現(xiàn)了更好的預測準確率。如Gabor+KNN的分類效果要比PCA+KNN高2.9%。另外，通過比較，我們也得到SVM具有更好的分類特性。如同樣是Gabor特征，SVM的分類效果優(yōu)于KNN和NB，分別高25%和8.3%。因此，我們得出Gabor+SVM算法能夠實現(xiàn)最高效的分類結果，分類的準確率達到92.5%。

6 總結和展望

為了對在線學習的學生進行注意力評估，評估的標準利用了學生的視覺對于屏幕的關注程度，主要體現(xiàn)在睜眼閉眼。本文就這個問題進行了分析研究，驗證了Gabor和SVM的組合分類的準確率達到92.5%，具有潛在的應用前景。為了擴大研究結果的有效性，還需要進行更多橫向的研究。未來我們可以通過現(xiàn)有的分類器，分析學生的眨眼頻率等眼部狀態(tài)。希望能夠基于本文的研究設計一個能夠廣泛應用于在線學習的效果評價系統(tǒng)。

參考文獻：

[1] 胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘 [J].開放教育研究，2014，20（2）：102-110.

[2] 諶志華.人工智能技術下的在線學習系統(tǒng)設計 [J].信息與電腦（理論版），2018（1）：46-47+51.

[3] 王勃.網(wǎng)絡在線學習情緒檢測系統(tǒng)研究與實現(xiàn) [D].北京：北京交通大學，2017.

作者簡介：項子琦（1999.08-），男，漢族，江西鷹潭人，本科，主要研究方向：軟件工程。