基于MARG传感器的学习状态识别方法研究

摘要

随着信息技术与教育教学的深度融合，学习者的学习方式受到信息化和网络化猛烈冲击，在线学习已经成为未来重要的学习趋势。因此在这种无人监督的环境下，及时发现学习者的学习规律和学习问题显得至关重要。 在此背景下，本文以惯性测量和模式识别理论为基础，对在线学习状态下的头部运动姿态检测和运动模式识别方法进行了深入研究，设计并实现了基于磁强计、陀螺仪和加速度计(Magnetic，Angular Rate and Gravity, MARG)传感器的学习状态检测与识别系统，能够实时检测学习者的头部运动姿态和运动模式。本文完成的主要工作如下: (1)针对传统姿态解算算法精度粗略和稳定性差等缺点，提出了一种基于改进互补滤波算法与扩展卡尔曼滤波算法相结合的姿态融合解算方法。将互补滤波算法与比例-积分算法相结合估算陀螺仪的漂移误差，再通过扩展卡尔曼滤波算法实现姿态数据融合。与单独的扩展卡尔曼滤波算法对比，结果表明这种算法对陀螺仪自身的漂移和加速度计噪声有抑制作用，提高了姿态解算的精度和稳定性。 (2)本文提出了一种新的学习状态识别方法，将学习状态模式分为姿态、动作、状态三个层面。应用支持向量机设计了学习姿态识别算法，实现左转头、右转头、抬头、低头、左偏头、右偏头以及平视七种姿态的识别;应用BP神经网络设计了学习动作识别算法，实现对点头、摇头、转头、正常四种动作的识别;在此基础上，采用阈值法设计了学习状态识别算法，实现了在学习场景下注意力状态和疲劳状态的判别。 (3)以CC1310为处理器，选用9轴传感器MPU9250，设计了学习状态检测与识别硬件系统。然后设计了头部运动姿态测量实验和多级分层的学习状态识别实验。姿态测量实验表明，采用本文改进的姿态解算算法能够获得准确的头部运动姿态信息;多级分层的学习状态识别实验结果表明，本文设计的学习姿态识别算法对姿态的平均识别率达到98.1053％;学习动作识别算法对动作的平均识别率达到92.2200％;学习状态识别算法对疲劳状态的平均识别率达到90.8000％，对注意力不集中状态的平均识别率达到92％。 本文设计的学习状态检测与识别系统实现了对学习者学习状态的检测与识别，对规范学习者的学习行为和提高学习者的学习效率具有重要意义。

目录

声明

摘要

第一章绪论

1．1课题的研究背景及意义

1．2课题的国内外研究现状

1．2．1姿态检测与识别系统的研究现状

1．2．2基于传感器的姿态解算方法的研究现状

1．2．3基于传感器的姿态识别方法的研究现状

1．3课题的研究内容与章节安排

第二章头部运动姿态解算算法研究

2．1姿态坐标系的建立

2．2姿态矩阵变换及更新算法

2．2．1欧拉角法

2．2．2方向余弦法

2．2．3四元数法

2．2．4等效旋转矢量法

2．3姿态解算算法的研究与改进

2．3．1互补滤波算法

2．3．2扩展卡尔曼滤波算法

2．3．3改进互补滤波与扩展卡尔曼滤波的结合算法

2．4本章小结

第三章多级分层学习状态模式识别方法研究

3．1学习运动模式分类

3．1．1学习姿态分类

3．1．2学习动作分类

3．1．3特征信息的选取

3．2常用的分类识别算法及比较

3．3基于PSO-SVM的学习姿态识别

3．3．1 SVM的基本原理

3．3．2 PSO算法优化SVM

3．3．3基于PSO-SVM的姿态识别算法数据集

3．3．4基于PSO-SVM的姿态识别算法

3．4基于BP神经网络的学习动作识别

3．4．1BP神经网络的基本原理

3．4．2基于BP神经网络的动作识别算法数据集

3．4．3基于BP神经网络的算法设计

3．4．4基于BP神经网络的动作识别算法

3．5基于阈值法的学习状态识别

3．5．1疲劳状态识别

3．5．2注意力状态识别

3．6本章小结

第四章学习状态检测与识别系统的设计

4．1系统的总体设计

4．1．1传感器终端

4．1．2 PC监控中心

4．2头部运动姿态测量实验

4．2．1测试平台

4．2．2测试与分析

4．3基于多级分层的学习状态识别实验

4．3．1学习姿态识别实验

4．3．2学习动作识别实验

4．3．3学习状态识别实验

4．4本章小结

第五章总结与展望

5．1总结

5．2展望

参考文献

发表论文及参加科研情况

致谢