学术简报︱准确率达93.75%的学习状态识别新技术，可有效提升教学效率
参会注册
长按识别左侧二维码，登录报名网站（先注册网站会员，然后提交报名信息）
会议微信号
东北大学秦皇岛分校计算机与通信工程学院、东北大学软件学院的研究人员张召海、韩来权、单茗琪，在2019年第9期《电气技术》杂志上撰文（论文标题为“基于滑动滤波方法的学习状态识别技术”），提出了一种基于滑动滤波方法的学习状态识别技术。通过对用户书写过程中产生的三轴加速度数据进行特征提取、模型训练、状态分类3个过程的处理，统计分析了书写时长占比、极短书写占比以及分心状态占比3个学习指标，识别出用户当前的学习状态。
在实验中，将用户的学习状态分为熟练、正常、不会以及不专心4种类别，识别准确率达到93.75%。将该系统应用于课堂提问、随堂检测时，可以有效帮助教师掌握每个学生的学习状态，从而照顾到每个学生的学习进度。
高速发展的科技，深刻地影响着人们生活的方方面面。在过去的几十年间，科技也对教育行业产生了重要的影响，其中改变课堂教学模式的技术不断涌现。
传统课堂中，教师是知识惟一的传授者，一块黑板、一盒粉笔是教学过程中仅有的工具。这些年随着国家对教育信息化的重视，越来越多的教学辅助设备出现在课堂上。例如将交互式一体机引入课堂进行辅助教学，这是一种融合了计算机、电视、网络的新型多媒体互动教学终端，通过该设备可以极大地方便课堂教学。
除此之外，人们还通过集成三轴加速度计，研发新式数字笔辅助学习和教学。Hrishikesh Garud和M. Kulkami研发了一款电子笔，该电子笔集成了惯性传感器单元，应用隐马尔可夫模型识别‘A’、‘B’、‘C’3个英文字母，通过记录手腕的俯仰角等记录了人的手写体信息。Renqiang Xie, Juncheng Cao等人提出了一种基于加速度计的电子笔装置，与此相对应的终端系统通过训练前馈神经网络模型，可以识别24种手势。
1 相关工作
本文中的学习状态识别技术主要包含3个部分：加速度信号采集、特征提取、识别算法。在硬件方面，使用三轴加速度计、微控制器、USB传输模块设计构建智能笔，将采集到的加速度数据持续发送给终端。终端接收到加速度数据后，经过特征提取、模型训练、状态分类三个过程实现对用户学习状态的识别。
为了采集书写过程的加速度数据，本文设计了一款智能笔，这款智能笔使用三轴加速度计测量笔在书写过程中各个方向的加速度，并且通过USB模块向PC终端实时传输数据，终端通过对接收到的数据进行实时分析，判断用户当前的学习状态。该智能笔已申请专利《一种保护视力和辅助教学的智能笔》。
在提取特征之前，本文首先对加速度数据进行预处理，从而使其波形达到本文问题的要求。首先基于滑动平均滤波的思想，计算出加速度信号曲线每一部分对应的方差，形成一条方差曲线，然后将方差曲线进行分段处理，将其数据进行0-1化，最后为了去除方差曲线中的干扰波段，将微小状态合并到邻近状态中，从而将数据处理完毕。最后提取本算法需要的学习状态指标。
在识别学习状态的过程中，本文选用分类回归树算法（classification and regression tree, CART）[5]决策树进行分类。决策树算法作为机器学习的常用算法之一，具有较好的灵活性和较强的鲁棒性，并且易于理解，分类过程也较为简洁。首先根据提取的特征训练决策树模型，将模型保存下来，之后便可以实时对用户状态进行识别。
本文后面的部分，首先介绍智能笔的硬件组成，然后介绍特征提取过程，包括基于滑动平均滤波的方差化，方差波形0-1化，微状态整合。之后介绍决策树模型的训练和测试过程。最后对实验结果进行了讨论，并且给出本文的结论。
2 硬件系统
基于加速度计的识别技术，已经被广泛应用于多个方面。例如基于加速度计的手势识别技术已被广泛应用于人机交互（human-computer interaction, HCI）、手语识别、医学监控、手写体字符识别，智能设备控制等。基于加速度传感器可以测量高压断路器速度、位移的特性，利用加速度计可以帮助监控跌落式熔断器的熔管状态。
本文介绍的电子笔使用了整合性6轴运动处理组件MPU-6050，相较于多组件方案，免除了组合陀螺仪和加速器时间轴之差的问题，减少了大量的包装时间。MPU-6050整合了3轴陀螺仪、3轴加速器，用户可程式控制的加速器全格感测范围为±2g、±4g、±8g与±16g。
MPU-6050可在不同电压下工作，VDD供电电压范围为2.5V±5%、3.0V±5%或3.3V± 5%，逻辑接口VDDIO供电为1.8V±5%（MPU6000仅用VDD）。其4mm×4mm×0.9mm的小巧包装以及其他特性使得围绕MMA7260Q的设计非常简便。
如图1所示，加速度计和微控制器都固定在一个小印刷电路板上。如图2所示，将该微型板粘附在我们的常用笔上，然后通过串口线和USB模块连接到一台计算机。其中串口线有两条，一条用于计算机向电路板供电，一条用于电路板向计算机传输加速度信号。
图1 印刷电路板
图2 智能笔系统
3 算法和实验（略）
在状态识别问题中，进行特征提取的目的是，从原始加速度信号中采集尽可能多的与研究问题相关的信息。图3中展示了本文用到的试卷示例，试卷中的题目均为英文单词翻译题，每份试卷中均有10道翻译题。选择10个常见单词组成难度较低的试卷，10个复杂单词组成难度较高的试卷，选择5个常见单词和5个复杂单词组成难度适中的试卷。
表1中展示了我们采集到的部分样本数据，其中第一列为样本序号，第二列为采集样本的时间，每隔0.10s采集一次加速度数据，第三、四、五列分别为X轴加速度、Y轴加速度、Z轴加速度。在本文的研究问题中，考虑到无论用户在哪个方向绘制，每段手写字迹都绘制在二维平面上，所以我们仅使用X轴和Y轴的数据，而不使用Z轴的数据。因此，对数据的所有处理都可以从三维空间降到二维平面。本文对数据处理的软件流程如图4所示。
图3 试卷示例
表1 三轴加速度数据
图4 智能笔数据处理流程图
通过基于三轴加速度计的智能笔采集书写行为数据，结合本文提出的特征采集方法并结合CART算法进行分类识别，能够较准确地判断书写者当前的学习状态。将书写者的学习状态分为4种类别后，识别准确率可以达到93.75%，通过这种方法可以有效辅助教学，提高学生的学习效率。