轻Edu-Net:在资源有限的环境中,用于学生状态监控的耐噪声多模式边缘智能
Chenjia Huang1, Yanli Chen1,2, Bocheng Zhou1
1National School of Development, Peking University, Beijing 100871, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了LightEdu-Net,这是一种用于农村教室实时监测学生状态的新型AI系统. 它有效地处理杂的传感器和边缘设备上有限的计算能力.
科学领域:
- 教育技术的教育技术
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在农村课堂上部署学生状态监控是具有挑战性的,因为有噪音的传感器和有限的计算资源.
- 现有的多式联络感知系统在低成本边缘设备上难以实时处理.
研究的目的:
- 为低成本边缘设备开发一种耐噪声,多式联运,实时学生状态识别系统.
- 在教育技术部署中解决传感器噪声和计算限制的局限性.
主要方法:
- 建议LightEdu-Net,一个轻量级的基于变压器的多式联网,集成视觉,生理和环境信号.
- 集成了一个传感器噪声适应模块 (SNAM),交叉模式注意力融合模块 (CMAF) 和边缘意识知识蒸 (EAKD).
- 构建了农村学校的多式联络行为数据集,用于培训和评估.
主要成果:
- 光教育网实现了92.4%的准确性和91.4%的F1分数,表现优于基线模型.
- 对传感器噪声表现出强大的稳定性,在0.3.3的噪声水平下,准确度仅下降1.1%.
- 在Jetson Nano (42.8毫秒延迟) 等边缘设备上实现实时性能,并在Raspberry Pi 4B和Intel NUC上保持精度.
结论:
- 在资源有限的环境中,LightEdu-Net提供了一种有效的解决方案,用于在边缘设备上对噪声有弹性,实时识别学生状态.
- 为获取学习指标提供了一个低成本,可量化的机制,支持欠发达地区的教育经济学研究.
