基于大数据在课堂教学中对学生精准关注的实验研究

 郑怡文１，陈红星２，白云晖１

（１浙江艺术职业学院，浙江 杭州 ３１００５３；２浙江工业大学，浙江 杭州 ３１００１４）

      ［摘 要］ 当前的课堂教学通常是一位教师面对几十名学生开展教学活动， 同时做到对所有学生的 精 准关注有一定难度。随着大数据时代的到来，借助数字媒体技术， 通过提取人脸表情和体态 特 征， 再 进 行 数据解读和分析，使对学生实现有效关注成为可能。 本文设计了一种学生学 习活动状态的识别与跟踪系 统，通过对学生坐姿、眼部和声音等状态数据进行采集和处理， 从而较准确地解读和判断出学生的 学 习 情 况。实验表明该方案是可行及有效的。

     ［关 键词］ 大数据   课堂教学   学生   精准关注

     ［中图分类号］Ｇ６４５ ［文献标识码］Ａ 

     ［文章编号］１００５－５８４３（２０１６）０２－００５４－０４［ＤＯＩ］１０．１３９８０／ｊ．ｃｎｋｉ．ｘｄｊｙｋｘ．２０１６．０２．０１３

     ［第一作者简介］郑怡文（１９７０－），女，浙江杭州人，硕士，浙江艺术职业学院影视技术系副教授；研究方向：数字媒体技术。

      一、前言

      在教学活动 中 教 师对学 生的关注是非常重要 的，这是改善教学效果的一种有效方式。 目前的教 学现状通常由一个教师面对二三十人， 甚至四五十 人的学生开展教学活动，如何有效、 精准地关注学 生的学 习 状 态， 如 注 意 力 集 中、 听 讲、 发 言、 思 考、课堂练习、情绪、身体等情况， 对提高教学效 率具有重要的意义，而这些状态都可以通过人脸表 情和体态特征表现出来。对学生学习状态的数据获 取有三种方法：一是基于生理参数的检测， 通过对 脑电图、眼电图和心电图来获取脑细胞群的活动情 况、眼球运动情况和心脏的活动状况， 这种方法实 施成本较高，难度 也 较 大。 二 是 基于行为的检测， 监测学生的到课情况、课堂学习时间、 课堂参与讨 论发言等学习行为。三是基于图像的检测， 通过摄 像头或红外装置等外界设备捕获学生实时学习情况 的图像，确定学生的学习注意力状况。

  本文设计了一种学生学习活动状态的识别与跟 踪系统，包括学生坐姿测量系统、 眼部识别系统和 噪音识别系统，通过对学生在课堂的一些生存状态 大数据的获取，可以较准确地解读和分析判断出学 生的学习情况，如到课情况、 思想集中情况、 课堂 活跃情况、身体疲 倦 情 况， 同 时 有 较 高 的 实 时 性， 使对每个学生实现精准有效的关注成为可能。

二、课堂大数据采集

（一）  眼部识别系统

         眼部识别系统由图像采集模块、 光照预处理模 块、人眼定位模块以及人眼状态模块组成。 在图像 采集模块 中，ＣＣＤ 传 感 器 对 模 拟 图 像 信 号 进 行 双 采样、暗电平 截 断、 可 变 增 益 放 大 和 Ａ／Ｄ 转 换 后 形成数字图像信号发往 ＦＰＧＡ，ＦＰＧＡ 将接收到的 数字图像信号转换为低压差分信号发往上位机， 即 完成一次图像采集和发送操作。 自然条件下获得的 人脸图像总存在一些噪声，比如传感器引起的噪声 在图像中经常表现出一些孤立离散形的麻点。 为去 除这些噪声，可采用中值滤波技术，  中值滤波是一种非线性滤波方法，在一定条件下可以克服线性滤 波器处理图像细节模糊的问题。 中值滤波的基本思 想是把局部区域的像素按灰度等级进行排序， 取该 邻域中灰度的中值作为当前像素的灰度值， 它对于 干扰脉冲和点状噪声有良好的抑制作用， 同时又能 较好地保持图像的边缘。另外， 在曝光条件不足或 过强情 况 下， 图 像 灰 度 可 能 会局 限在很小的范围 内，造成图像模糊不清。本实验采用非线性灰度变 换技术来消除这种影响，以指数函数作为映射函数 进行灰度变换：

 （式２－１）

这里，ｆ  （ｘ，ｙ）是原图像（ｘ，ｙ）位置处的像素 灰 度 值，ｇ （ｘ，ｙ）是 变换后的像素灰 度 值， ａ、ｂ、ｃ是可 调参数， 通过变换， 图像的低灰 度 区 有了较大扩展而高灰度区得到了压缩， 使图像灰度 分布较为均匀。

  人眼检测模块采用由粗 到细的两极定 位 算 法， 将眼睛搜索区域分割成若干大小固定的块， 对每一 块求其复杂度，找出复杂度最大的几块， 然后使用 一些规则，将这些候选块删除、 合并， 最终得到人 眼位置，算法公式如下：

（式２－２）

      其中 Ｅｄｇｅ是边缘检测算子，Ｓ   （Ａ） 表示区域Ａ 的面积。

      从人脸图像中提取出特征值， 关键是二值化处 理，即将图像上各点的灰度置为 ０ 或 ２５５， 使整个 图像呈现出明显的黑白效果，提取出来的人眼黑色 块如图１所示。

图１ 人眼黑色块

 人眼黑色块的面积大小并不固定， 而是随着人 眼的闭合状态的改 变 而 变 化， 结合学生上课情况， 在进行大量实验之后，我们把采集到的人眼黑色块 主要分为瞪 眼  （１）、 正 常 用 眼  （２）、 眯 眯 眼 （３）、

闭眼  （４） 四种状态。

     （二） 拾音系统

       本系统选用杭州艾力特 ＫＯ－２８０ 高性能拾 音 器完成语音采集工作。这款拾音器的震膜是一个电 容咪头，具有拾音范围大、灵敏度高、  频率范围大（２０～２０ＫＨｚ） 等特点。内置 ＤＳＰ 数字降噪、

ＡＧＣ 自动增益控制等高速信号处理电路， 有效防止语音 信号失真及衰减；自适应动态降噪处理， 内置高速 处理器，采用美国 ＢＯＵＲＮＳ 专用电位器， 音 量 调 节可靠性高、准确度大，并且内置雷击保护、 电源 极性反接保护和静电保护。由于其卓越的性能，  被广泛应用于教室同步录系统、会议录播系统和审讯室 （见图２）。

图２ 语音采集框图

    语音的传输工作主要包含以下两部分： （１）由拾音器把课堂学生的语音信号转变为模拟的音频信号，送到音频功率放大器进行放大， 再由音响把声 音还原出来； （２） 把 电 脑 的 音 频 信 号 从 声 卡 Ｌｉｎｅ 

Oｕｔ口引出，由中控音频  输出至放大路线， 混合输入 ＡｕｘＩｎ，经 功 率 放 大， 推动音响工作 把 声 音 还原出来。其中，前置反馈器高质量可调式全频带均衡器，可进行拾音器音量调节、线路音量的独立调节；配置的 ＲＳ２３２ 通 信 接 口，实现在中控面板上进行音量调节，满足不同音质需求。

（三）  学生坐姿测量系统

采用 Ｔｅｋｓｃａｎ公司的体压测量系统 完成学生坐 姿测量工作。该系统包括基于 ＰＣ 机的 Ａ／Ｄ 转换电 路和可重复实用的压力分布坐垫式传感器， 采用基 于 ＭＳ Ｗｉｎｄｏｗｓ的压力 显示和分析软件。 基于 ＰＣ 机的 Ａ／Ｄ 转换 电 路 对 各 个 传 感 点 进 行 扫 描， 测 量 每个受 力 点 的 阻 值。 基 于 ＭＳ Ｗｉｎｄｏｗｓ 的 压 力 显 示和分析软件能够实现压力分布数据的实时采集控 制，可视化实时显示，记录压力分布过 程 并 回 放， 对压力分布数据进行分析等功能。 压力分布数据读 取及分析模块将读取的压力分布数据进行分析， 计 算出压力分布敏感区域，输出指定位置压力值等参 数，如图３所示。

图３ 压力分布测量数据处理结构

      基于体压测量平台采集的数据， 经过 Ｌａｂｖｉｅｗ 软件分析，很容易得到某一时刻学生在课堂上的位 置状态，我们将学生常见５类坐姿记录为： 坐姿端 正、前倾１５度、前倾４５度、左侧身以及右侧身  。

     三、课堂学生数据分析

       数据流计算来自于一个信念： 数据的价值随着 时间的流逝而降低，所以事件出现后必须立即对其 进行处理，而不是缓存起来成批处理。 流计算的核 心价值在于实时整合来自多种异构数据源的数据， 对海量  “运动” 中的数据进行连续实时的处理， 图 ４给出了数据流式计算示意图。

图４ 流式计算系统

         针对具有易失性、实时性、无序性、突发性、无限性等特征的流式大数据，理想的大数据流式计 算系统应该表现出高吞吐、低延迟、持续稳定运行和弹性可伸缩等特性，这其中离不开系统架构、 数 据传输、编程接口等关键技术的合理规划和科学设 计。系统架构是系统中各子系统间的组合方式， 属 于大数据计算所共有的关键技术，  大数据流式计算 需要选择特 定的 系 统 架构进行流式计算 任 务 的 部 署。数据传输是指完成有向任务图到物理计算节点 的部署之后， 各个计 算 节 点 之 间 的 数 据 传 输 方 式。 在大数据流式计算环境中，为了实现高吞吐和低延 迟，需要更加系统地优化任务图以及任务图到物理 计算节点的映射方式。编程接口是方便用户根据流 式计算的任务特征，通过任务图来描述任务内在逻 辑和依赖关 系 ， 并 编 程 实 现 任 务图中各节点的处 理功能大数据批量计算将数据事先存储到持久设备 上，节点失效后容易实现数据重放。

基于本实验所采集数据的大量性以及多样性特 点，采用Tｗｉｔｔｅｒ公司的Ｓｔｏｒｍ 系统对样本数据进行处理。Ｓｔｏｒｍ 系统是近期开发的实时数据流计算系统，它为分布式实 时 计 算 提 供 了 一 组 通 用 原 语，以  “流处理” 的方式实时处理消息并更新数据库。Ｓｔｏｒｍ 的主要特点如下： （１） 简单的编程模型， 降 低了并行批处理以及实时处理的复杂性。 （２） 支持 各种编程语言，可以在 Ｓｔｏｒｍ 之上使用各种编程语 言。要增加对多种语言的支持， 只需实现一个简单 的 Ｓｔｏｒｍ 通信协议即可。 （３） 支持容错，Ｓｔｏｒｍ 会 管理工作进程和处理节点的故障。（４） 支持水平扩 展，计算是在多个线程、进程和服务器之间并行进 行的。（５） 可靠的消息处理，Ｓｔｏｒｍ 保证每个消息 至少能得到一次完整处理。任务失败时， 它会负责 从消息源再次读取。

        四、实验结果分析

        采用数据流式计算手段对课堂学生状态数据进 行实时处理，效果较好，接下来把收集到的学生常见课堂状态中的眼部情况、声音情况以及坐姿情况 绘制成表格，如表１所示，结合学生的这三个关键 指标综合分析，真实再现学生课堂状态。

        学生Ａ在课堂上坐姿 正，眼睛目视黑板，状态自然稳定且无嘈杂声，属于注意力集中、 听课认真的典型一类。

学生Ｂ坐姿变化无常， 眼睛经常偏离检测区， 周围嘈杂声音不断，属于左顾右盼、 无法集中注意 力听课类学生。该类学生对教师所讲述内容不感兴 趣或者说对学习已经失去兴趣， 我们建议老师要加 强与该学生的有效沟通，多关注这类学生，了解其兴趣所在，并有计划地引导其投入到课堂的正常学 习中。

学生Ｃ周围很安静， 坐姿比较稳定但不端 正， 眨眼频率小于正常的人眼眨眼频率次数 （正常人每分钟眨眼１０－１５次），我们判断 这类学生课堂处于 困乏、疲倦状态，基本无心听课。 对于这类学生我们建议立即联系其家长， 了解学生课堂疲倦原因，要求家长监督学生正常作息，做好后勤工作。

五、结论

  教师对学生的有效关注，会直接或间接影响学生的成绩，因为每个学生都渴望得 到 老 师 的 关 注， 这是帮助、激励、引导学生自我发展、 自我完善的有效手段。从教学过程产生的大数据中获取更多、更准确的学生信息将是今后素质教育研究的方向。 本文首次尝试采集学生课堂眼部、 坐姿、 噪音情况 三个重要指标综合判断其课堂听课状态， 削除教师 难以同时关注每个学生的     尴 尬状态， 有针对性地了 解并帮助学生解决和克服困难与障碍， 引导学生由 潜在可能向现实发展转变。

参考文献：

［１］许 文海 ，吴 厚德 ．超 高分辨率 ＣＣＤ 成像系统的设计 ［Ｊ］．光 学精密工程 ，２０１２（７）：１６０３－１６０８．

［２］冯 建强 ，刘 文波 ，于 盛林 ．基于灰度积分投影的人眼 定位［Ｊ］．计 算机仿真 ，２００５ （４）．

       ［３］张 杰 ，杨 晓 飞 ，赵 瑞 莲 ．基于积分投影和 Ｈｏｕｇｈ 变 换圆检测的人眼精确定位方法 研 究 ［Ｊ］．电 子 器 件 ，２００５（４）： ７０６－７０９．

      ［４］唐 旭晟 ，欧 宗瑛 ，苏 铁明等 ．复杂背景下人眼的快速 定位［Ｊ］．计算机辅助设计与图形学学报 ，２００６（１０）：１５３５－１５４０．

      ［５］沈 锡琼 ，杨 京 萍 ．监控用拾音器的安装和连接 ［Ｊ］． 中小企业管理与科技 ，２０１４（２）．

      ［６］沈 锡琼等 ．智 能化多媒体教室中语音传输系统的设 计与实现［Ｊ］．电    子设计工程 ，２０１４（９）．

      ［７］肖 振 华 ，高 振 海 ．基于体压分布检测和支持向量机 分类的乘员体征识别［Ｄ］．吉林大学硕士论文   ，２００８．

      ［８］苗 珊 珊 ，高 振 海 ．汽车乘员体征识别多传感器融合 算法［Ｄ］．吉林大学硕士论文  ，２０１３．

      ［９］孙 大为 ，张 广 艳 ，郑 纬 民 ．大 数 据 流 式 计 算 ：关 键 技 术及系统实例［Ｊ］．软    件学报 ，２０１４（４）：８３９－８６２．

     ［１０］孟 小峰 ，慈 祥 ．大 数 据 管 理 ：概 念 、技 术 与 挑 战 ［Ｊ］． 计算机研究与发展  ，２０１３（１）：１４６－１４９．