一个全面的深度学习框架,用于在线学习中的实时情绪检测,使用混合模型

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 面部情绪识别 (FER) 对于理解用户参与在线学习环境至关重要.
• 现有的FER系统往往缺乏动态教育环境所需的准确性和实时处理能力.

研究的目的:

• 开发和评估基于深度学习的先进FER系统,用于实时监测在线学习者参与度.
• 确定使用面部情绪进行参与检测的最有效的预测分类模型.

主要方法:

• 集成ResNet-50,卷积块注意模块 (CBAM),3D卷积神经网络 (3D CNN) 和殖民地和基于遗传算法的目标优化 (AGTO).
• 在多个FER数据集 (FER2013,CK+,KDEF,专有数据集) 上进行系统评估,以实时检测参与.

主要成果:

• 实现了高准确度:95.57% (FER2013),97.29% (CK+),98.35% (KDEF) 和98.09% (专有数据集).
• 与现有的FER方法相比,已经证明了显著的改进.
• 实时学习场景实现了97.3%的面部情绪分类准确度.

结论:

• 拟议的FER系统增强了情绪识别准确性,完善了功能相关性,并捕捉了时间动态.
• 综合模型为在线学习环境提供了稳定性和适应性.
• 这种方法可以准确地解释学生的情绪和实时参与度.