本發(fā)明涉及教學(xué)質(zhì)量評估，具體為思想課堂教學(xué)質(zhì)量評價方法。

背景技術(shù)：

1、思想政治課是社會或社會群體用一定政治觀點、道德規(guī)范，對其成員施加有目的、有計劃、有組織的影響，使他們形成符合一定社會所要求的思想品德的社會實踐活動。因其具有一定的鼓動性，需要教師和學(xué)生從身理、心理方面全面投入，在上課過程中，教師的教學(xué)聲音、學(xué)生討論聲音，教師和學(xué)生的心率等體征會發(fā)生相應(yīng)的變化，通過對教師和學(xué)生的相關(guān)信息進行實時檢測，較為客觀地評估教學(xué)質(zhì)量。

2、如公開號為cn?106780220?b的技術(shù)方案公開了一種思想政治課教學(xué)質(zhì)量評價方法。通過對教師的教學(xué)聲音、學(xué)生討論聲音，教師和學(xué)生的心率體征信息進行實時檢測，從教師的投入度、學(xué)生的參與度等維度對教學(xué)質(zhì)量實行較為客觀的評價。

3、上述技術(shù)方案利用多重檢測來計算教學(xué)質(zhì)量，特別是音量檢測模塊用于檢測教學(xué)聲音和討論聲音的分貝值，但講解聲和學(xué)生討論聲會讓音量檢測模塊混淆難以進行有效測量，此外，教師周圍環(huán)境的噪音也影響分貝值的準(zhǔn)確性，擾亂音量檢測模塊的判斷，學(xué)生狀態(tài)檢測使用圖像識別模塊判斷學(xué)生的狀態(tài)聽課、討論、睡覺雖然有助于了解學(xué)生的參與情況，但圖像識別技術(shù)受光照、角度等因素的影響，會出現(xiàn)偏差。

技術(shù)實現(xiàn)思路

1、解決的技術(shù)問題：

2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了思想課堂教學(xué)質(zhì)量評價方法，具備檢測教學(xué)質(zhì)量時不會出現(xiàn)準(zhǔn)確性不足的因素，評價教學(xué)質(zhì)量數(shù)據(jù)不會出現(xiàn)偏差等優(yōu)點，解決了上述技術(shù)的問題。

3、技術(shù)方案：

4、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：思想課堂教學(xué)質(zhì)量評價方法，包括以下步驟：

5、步驟一、聲音分貝檢測：使用麥克風(fēng)陣列，在教室的不同位置布置多個麥克風(fēng)，以分離和捕捉不同來源的聲音，使用聲源定位和聲學(xué)模型分析，減少噪音干擾；

6、步驟二、學(xué)生狀態(tài)檢測：多攝像頭系統(tǒng)中，應(yīng)用深度學(xué)習(xí)算法進行圖像識別，準(zhǔn)確判斷學(xué)生的狀態(tài)：聽課、討論和睡覺，利用訓(xùn)練好的深度學(xué)習(xí)模型分析學(xué)生的姿態(tài)和面部表情，準(zhǔn)確分類學(xué)生的狀態(tài)，結(jié)合實時光照數(shù)據(jù)和攝像頭角度校準(zhǔn)，進一步提高狀態(tài)識別的準(zhǔn)確性；

7、步驟三、聲音數(shù)據(jù)處理：將多個麥克風(fēng)采集到的聲音數(shù)據(jù)進行融合，應(yīng)用濾波器和噪音抑制技術(shù)，減少環(huán)境噪音對聲音分貝值的影響，對教學(xué)聲音和討論聲音進行分類：分別計算教學(xué)聲音和討論聲音的分貝值，并將其與存儲模塊中的參考值進行比較，得出聲音相關(guān)的教學(xué)質(zhì)量指標(biāo)；

8、步驟四、學(xué)生狀態(tài)分析：通過實時處理學(xué)生的姿態(tài)圖像，應(yīng)用圖像增強技術(shù)和圖像識別算法，判斷學(xué)生的狀態(tài)是否為聽課、討論或睡覺，將學(xué)生的狀態(tài)數(shù)據(jù)與參考值進行對比，結(jié)合圖像識別結(jié)果和聲音數(shù)據(jù)，評估學(xué)生的參與情況；

9、步驟五、綜合評價模型：結(jié)合聲音分貝值和學(xué)生狀態(tài)信息，使用綜合評價模型來計算教學(xué)質(zhì)量；

10、步驟六、動態(tài)調(diào)整：根據(jù)實時采集的數(shù)據(jù)和評價結(jié)果，調(diào)整評價標(biāo)準(zhǔn)和算法，確保系統(tǒng)的準(zhǔn)確性和適應(yīng)性；

11、所述步驟四中原始圖像是ioriginal，圖像增強函數(shù)是f，經(jīng)過增強處理后的圖像是ienhanced，圖像增強表達式為：

12、ienhanced＝f(ioriginal,taansformations)

13、其中：f(·)為圖像增強函數(shù)，用于處理原始圖像并應(yīng)用指定的變換，從而生成增強后的圖像ienhanced；

14、設(shè)經(jīng)過cnn處理后的學(xué)生狀態(tài)預(yù)測為其中為概率最大的類別：

15、

16、fcnn(ienhanced)為通過卷積神經(jīng)網(wǎng)絡(luò)對增強后的圖像ienhanced進行處理，輸出一個表示各類別概率的向量；

17、所述步驟四中狀態(tài)數(shù)據(jù)與參考值對比表達式為：

18、

19、其中：n為總的樣本數(shù)；第i個樣本的真實標(biāo)簽；accuracy為準(zhǔn)確度，計算所有樣本預(yù)測正確的比例，即正確預(yù)測的樣本數(shù)占總樣本數(shù)的比例；

20、其中是kronecker?delta函數(shù)：

21、

22、優(yōu)選的，所述步驟四中結(jié)合圖像識別結(jié)果和聲音數(shù)據(jù)表達式為：

23、聲音數(shù)據(jù)的參與度為psound，圖像識別的參與度為pimage，綜合參與度ptotal通過加權(quán)平均計算：

24、ptotal＝α·psound+(1-α)·pimage

25、其中：psound為聲音數(shù)據(jù)的參與度，表示聲音分析結(jié)果的參與程度或權(quán)重；α為聲音數(shù)據(jù)的權(quán)重系數(shù)，取值范圍在0到1之間，決定了聲音數(shù)據(jù)在綜合參與度計算中的影響比例；ptotal為綜合參與度，結(jié)合了聲音數(shù)據(jù)和圖像數(shù)據(jù)的影響；

26、設(shè)定閾值為threshold，根據(jù)綜合參與度ptotal和閾值進行最終評價：

27、

28、其中：ptotal：綜合參與度，結(jié)合聲音和圖像數(shù)據(jù)的綜合評價結(jié)果；s為最終評估結(jié)果，根據(jù)ptotal是否大于或等于閾值來確定參與度的高低，如果ptotal大于或等于閾值，則評估為“高參與度”；否則評估為“低參與度”。

29、優(yōu)選的，所述步驟一中聲音分貝檢測表達式為：

30、

31、其中：l為聲音的分貝值，表示聲壓級；i0為參考聲音強度，取為(1×10-12)w/m2，這是人耳能聽到的最小聲音強度。

32、優(yōu)選的，所述步驟一中聲源定位與聲學(xué)模型分析表達式為：

33、使用麥克風(fēng)陣列定位多個聲源，計算聲源的方向θ和位置(x,y,z)，表示為：

34、

35、其中：表示聲源在三維空間中的位置；

36、采用聲學(xué)模型m進行分析，計算聲音傳播特性，包括反射、折射現(xiàn)象，數(shù)學(xué)上表示為：

37、

38、其中t為時間變量；

39、減少噪音干擾：

40、噪音干擾n通過信號處理技術(shù)減少，定義為：

41、sclean＝sraw–n

42、其中：sclean為清除噪音后的聲音信號，sraw為原始聲音信號。

43、優(yōu)選的，所述步驟二中：深度學(xué)習(xí)模型用于圖像分類，以判斷學(xué)生的狀態(tài)，表達式為：

44、狀態(tài)分類＝argmax(f(i；θ))

45、其中：i是輸入圖像或視頻幀；θ是深度學(xué)習(xí)模型的參數(shù)，包括卷積層權(quán)重、全連接層權(quán)重；f是深度學(xué)習(xí)模型的輸出函數(shù)，返回每種狀態(tài)的概率分布；argmax表示選擇概率最高的狀態(tài)作為分類結(jié)果；

46、設(shè)模型的輸出為一個向量y包含每種狀態(tài)的概率：

47、y＝[p聽課,p討論,p睡覺]

48、則：狀態(tài)分類＝argmax(p聽課,p討論,p睡覺)。

49、優(yōu)選的，所述步驟二中校準(zhǔn)模型表達式為：

50、i校準(zhǔn)＝i·k(c)

51、其中：

52、i校準(zhǔn)為校準(zhǔn)后的圖像；i為原始圖像；k(c)為攝像頭校準(zhǔn)矩陣函數(shù)，表示根據(jù)攝像頭的配置信息：角度、焦距和位置進行的變換。

53、優(yōu)選的，所述步驟三中聲音數(shù)據(jù)融合：從多個麥克風(fēng)采集到的聲音數(shù)據(jù)需要融合以獲得更準(zhǔn)確的聲音信號，設(shè)xi(t)表示第i個麥克風(fēng)在時間t采集的聲音信號，則融合后的聲音信號x(t)表示為：

54、

55、其中：n是麥克風(fēng)的數(shù)量；xi(t)是第i個麥克風(fēng)在時間t采集的信號。

56、優(yōu)選的，所述步驟三中濾波器和噪音抑制表達式為：

57、設(shè)應(yīng)用線性濾波器，其濾波器系數(shù)為h(t)，濾波后的信號表示為：

58、

59、其中：*表示卷積操作，濾波器系數(shù)h(t)設(shè)計為低通濾波器或帶通濾波器；

60、噪音抑制技術(shù)包括噪音估計和噪音抑制濾波器，使用譜減法來減少噪音：

61、

62、其中：是估計的噪音信號；

63、對處理后的信號計算分貝值，設(shè)處理后的信號為其分貝值l(t)計算公式為：

64、

65、其中：t是計算分貝值的時間窗口長度；是信號的平方值，代表信號的功率。

66、優(yōu)選的，所述步驟五中特征提取表達式為：

67、從步驟三得到的聲音分貝值為l(t)，從步驟二得到的學(xué)生狀態(tài)分類結(jié)果為s，特征包括：聲音分貝值：l(t)；學(xué)生狀態(tài)：s：s＝聽課,s＝討論,或s＝睡覺；

68、特征歸一化：將不同特征標(biāo)準(zhǔn)化，使其在同一尺度上進行綜合，設(shè)l(t)的最大值和最小值分別為lmax和lmin，則歸一化后的分貝值l(t)表示為：

69、

70、學(xué)生狀態(tài)轉(zhuǎn)換為數(shù)值特征，包括：聽課：1；討論：2；睡覺：0；

71、則狀態(tài)信息snorm直接取這些數(shù)值；

72、將歸一化后的特征輸入綜合評價模型，使用加權(quán)和模型來計算教學(xué)質(zhì)量指標(biāo)，綜合評價q表示為：

73、q＝w1·lnorm(t)+w2·snorm

74、其中：w1和w2是特征的權(quán)重，表示每個特征對教學(xué)質(zhì)量的貢獻程度；權(quán)重w1和w2的設(shè)置基于歷史數(shù)據(jù)或?qū)＜乙庖姡ㄟ^訓(xùn)練模型或調(diào)整來優(yōu)化評價結(jié)果。

75、優(yōu)選的，所述步驟六中調(diào)整評價標(biāo)準(zhǔn)和算法表達式為：

76、調(diào)整閾值：qthreshold；調(diào)整權(quán)重：根據(jù)特征的重要性調(diào)整特征權(quán)重w1和w2，使用回歸分析、優(yōu)化算法或?qū)＜医ㄗh確定新的權(quán)重；假設(shè)新的權(quán)重為w′1和w′2，更新后的綜合評價模型為：

77、qt＝w′1·lnorm(t)+w′2·snorm。

78、與現(xiàn)有技術(shù)相比，本發(fā)明提供了思想課堂教學(xué)質(zhì)量評價方法，具備以下有益效果：

79、1、本發(fā)明通過應(yīng)用深度學(xué)習(xí)算法進行圖像識別，能夠準(zhǔn)確判斷學(xué)生的狀態(tài)：聽課、討論、睡覺，通過訓(xùn)練好的深度學(xué)習(xí)模型分析學(xué)生的姿態(tài)和面部表情，提高狀態(tài)分類的準(zhǔn)確性，通過圖像增強技術(shù)提升圖像質(zhì)量，并使用攝像頭校準(zhǔn)技術(shù)確保圖像數(shù)據(jù)的準(zhǔn)確性，從而提高狀態(tài)識別的準(zhǔn)確度，通過將聲音數(shù)據(jù)的參與度和圖像識別的參與度進行加權(quán)平均，綜合考慮聲音和圖像數(shù)據(jù)對教學(xué)質(zhì)量的影響，減少單一數(shù)據(jù)源的誤差，根據(jù)實時采集的數(shù)據(jù)和評價結(jié)果，動態(tài)調(diào)整評價標(biāo)準(zhǔn)和算法，確保系統(tǒng)能夠適應(yīng)不同的教學(xué)環(huán)境和條件，進一步提高準(zhǔn)確性，從聲音分貝值和學(xué)生狀態(tài)分類結(jié)果中提取特征，并進行歸一化處理，使得各個特征在相同尺度上進行綜合評估，減少特征之間的差異對評價結(jié)果的影響，通過定期調(diào)整評價標(biāo)準(zhǔn)和特征權(quán)重，確保綜合評價模型能夠持續(xù)反映真實的教學(xué)質(zhì)量情況，達到了檢測教學(xué)質(zhì)量時不會出現(xiàn)準(zhǔn)確性不足的因素的有益效果。

80、2、本發(fā)明通過使用圖像增強技術(shù)改善圖像質(zhì)量，提升狀態(tài)識別的準(zhǔn)確性，減少圖像質(zhì)量問題帶來的偏差，通過攝像頭校準(zhǔn)技術(shù)修正圖像中的畸變，確保圖像數(shù)據(jù)的準(zhǔn)確性，減少由于攝像頭配置不當(dāng)導(dǎo)致的偏差，利用訓(xùn)練好的深度學(xué)習(xí)模型進行學(xué)生狀態(tài)分類，模型通過大量樣本訓(xùn)練來提高預(yù)測的準(zhǔn)確性，減少人為因素或模型偏差，通過與參考值對比來計算準(zhǔn)確度，確保狀態(tài)識別的準(zhǔn)確性和可靠性，結(jié)合聲音數(shù)據(jù)和圖像數(shù)據(jù)，通過加權(quán)平均的方式計算綜合參與度，平衡不同數(shù)據(jù)源的影響，減少單一數(shù)據(jù)源的偏差，根據(jù)實時數(shù)據(jù)和評價結(jié)果調(diào)整評價標(biāo)準(zhǔn)和算法，適應(yīng)不同的教學(xué)環(huán)境，確保評價模型能夠準(zhǔn)確反映教學(xué)質(zhì)量，減少由于標(biāo)準(zhǔn)固定不變導(dǎo)致的偏差達到了評價教學(xué)質(zhì)量數(shù)據(jù)不會出現(xiàn)偏差的有益效果。