構建潛意識互動的會計在線交流評估方法研究

陳東升

（湖南信息職業技術學院，湖南 長沙 410200）

0 引言

在信息技術高速發展的背景下，課堂教學模式發生了巨大的變化，虛擬教室、線上課堂慕課等教學模式層出不窮。依托于電子信息終端豐富的信息獲取渠道，通過手機、電腦的攝像功能，提取圖像中學生的面部表情，并對表情進行概括處理，通過眉間距、眼球轉動、嘴角形狀等面部微表情，映射為疑惑、茫然、欣喜、激動等情緒活動，結合課程進展的時間維度，總結為對當時教授知識點的接受程度，對教學質量進行評價。基于該設計思想，在會計專業的在線教學中使用測試，以便發現會計專業深奧難懂的課程知識點是否為學生所掌握。

基于微表情識別的技術路線，需要獲取到清晰、大小合適的學生面部圖像，并且能夠準確提取到關鍵位置的變化情況，映射為典型的心理活動表征，再對結果進行統計與分析，概括出多數學生的學習感受，評估教學質量。以上四個關鍵點為微表情識別的關鍵技術，也是該文重點涉及的內容。

1 卷積網絡神經的特征處理

在卷積層中，通過對特征曲線的卷積運算，將所得的結果輸入一個激活函數中，最后生成一個新的特征圖，該特征圖由多個特征圖疊加而成。在公式（1）中表示了卷積層的計算。

式中：為輸入的維度，為輸出的維度，為突觸的初始化值。

式（3）所示神經元網絡中的權值由時刻到+1時刻的更新過程。

式中：是學習速率，（）為神經元的輸入，（）為其誤差項。

為提高模型的平移不變性，提高模型的推廣能力，該文引入了神經視覺感知域（Lecun）等概念。局部感覺區允許神經元從視覺中提取出最基礎的視覺特性，如眼、眉、唇、棱角、邊緣等。如果該特征與其他特征點有關，則該特征的絕對位置信息會被稀釋，因為在不同的人臉圖像中，它的絕對位置信息會被稀釋。就拿震驚的表情來說，因為個人的不同，眉毛的準確位置也會有很大的差別，但是眉毛和眼睛的距離卻能讓人分辨出一張臉有沒有驚訝情緒的傾向。在映射情況下，由于不同的特征會產生不同的編碼位置，降低了定位準確度的同時還減少了在線教學中的面部識別控制分辨率。

2 基于低分辨率圖像的微表情識別

移動通信端的圖像攝錄設備解析度偏低，為適應信號傳輸還進行了圖像壓縮，損失了部分圖像細節，為提取圖像中的微表情制造了困難。需要針對低分辨率圖像，建立圖像還原模型，盡可能多地提取圖像中眉眼嘴鼻的器官的變化，表征為具有特定含義的微表情語言。具體實施路徑：將低分辨率圖像分為小尺寸（Small Size）、低質量（Poor Quality）和小尺寸&低質量（Small Size& Poor Quality），針對不同的圖像特征采取相應的處理措施，完成圖像重建。

在圖像重建任務中，基于高分辨率圖像的微表情識別，建立特征庫，再將高分辨率圖像采用抽值取樣等處理手段降為低分辨率圖像，由此建立低分辨率圖像特征與微表情的對應關系映射，實現低分辨率圖像下的微表情識別。

高分辨率圖像降為低分辨率圖像一般的手段有模糊化、下采樣和噪聲處理，其數學模型如公式（4）所示。

式中：為下采樣，對應通信傳輸中的圖像壓縮處理；為模糊化，對應圖像處理中的濾波；為高清原圖；為加性噪聲，對應通信傳輸中的隨機噪聲。經過綜合處理后，得到低分辨率圖像。

基于低分辨率的微表情識別功能主要對MATLAB的GUI功能，對圖形用戶界面開發環境下的圖像進行處理。使用GUI功能中guide方法，進行圖像分析與處理。在MATLAB的命令框中輸入guide命令，在自動生成的.fig資源文件和.m界面初始化的相關代碼兩個文件中，調用控件，調整顯示區域、調整界面布局。

圖1為基于低分辨率的微表情識別功能結構圖。首先對上傳視頻與已知的微表情特征數據集輸出共同作用于低分辨率環境下的微表情識別，提取上傳視頻中與微表情特征數據集的關聯數據，定義為該表情結果，在通過參數設置的微調功能，實現結果修正，輸出最終微表情結果。

圖1 基于低分辨率的微表情識別功能結構圖

3 基于微表情的學習專注度映射

人們在外界環境刺激下所產生的心理活動體現在面部表情，這個表情就是微表情，其包括眉眼鼻嘴腮等器官的肌肉收縮，廣義上還包括肢體的配合動作。

將微表情概念引入教學活動中，通過拾取學生的微表情，映射出學生的即時心理活動，聯系到課堂的授課進程，可以在一定程度上反映學生對所學知識點的理解程度，進而匯總出課堂教學的質量。例如當教師講授的內容引起學生的興趣，學生的學習狀態表現為專注，體現在面部表情上則為眉頭舒展、眼球注視，沒有大角度的轉動，有時會隨著嘴角上揚、顴骨肌肉收縮；而對教師講授內容疑惑或不懂，會出現眉頭緊鎖、目光飄忽不定、眼球轉動加速等特征；當學生在課堂上分心時，會表現出搖頭、眼睛注意力不在屏幕上等表情變化。通過這些微表情折射出的學生內心活動，可以定性的評估學生的課堂投入情況，進而有針對性地提醒某位同學注意聽講，或針對大部分學生不理解的內容進行重點講解。即通過學生在教學過程情緒外顯的表現，輔助教師關注學生學習狀態的變化，及時調整授課方式和教學策略，使學生達到更好的學習效果。

4 在線教學質量評估設計

學生的面部表情能間接反應其內心活動，也可以在一定程度上代表對課程內容的參與程度。極具趣味性和技巧性的在線教學課程，能否吸引學生的注意力，使其完全掌握知識點，達到良好的教學效果，從學生的反應中可以得以反饋。該文根據微表情識別出學生的心理活動，通過學生上課的專注程度得出教師的教學質量，對教師的會計在線教學質量進行客觀評估。針對教室內的各個學生的面部特征，對常見的視頻監控系統設備和結構進行了調查，并根據教室的實際條件，設計出一套具有安全穩定性、技術先進性和性價比合理性的高清全景視頻監控系統。對一幅靜止圖像或視頻，要對一張或多張人臉的位置進行準確定位和探測，需要從圖像分割、提取人臉、提取細節特征3個方面進行分析。由于臉部的個體、姿勢、表情、光線等因素的影響，使臉部特征點的定位和追蹤成為一個十分困難的問題。目前，對臉部微表情特征點的定位主要有兩種，即模型的定位和非模型的定位。

該方法首先在訓練集合中標注出關鍵點，然后使用主分量分析進行降維，得到最大的平均形態。圖2為人臉特征點提取的流程框圖，通過訓練圖像及標記點建立點分布模型，并區分正確樣本與錯誤樣本，通過提取特征，建立與形狀模塊和局部紋理模型的映射關系，實現人臉特征點的提取。為了讓人臉的微表情形態模型能更好地適應不同的人臉形態，在訓練集合中必須盡量包括人臉的姿態、表情和光照的改變。通過構造局部約束模型，將訓練集內的關鍵節點局部紋理作為正確的樣本，將與關鍵點相隔一定距離的部分作為錯誤樣本，通過SVM的學習，獲得局部紋理模型。在進行人臉特征點定位時，首先要對其進行初始化，求出局部反應圖象，并將其與形狀模型的約束相結合，反復迭代，獲得最后的特征點。

圖2 人臉特征點提取框圖

將形態模型和局部紋理模型相結合，提取出多個姿態的面部微表情特征，從而有效地克服了不同的面部姿態，并能很好地檢測到遮擋物體。針對一個學生的近景照片，該系統可以很好地識別出學生的頭部轉動角度和面部微表情特征區。并且其對眼鏡、手部遮擋等干擾，表現出很強的穩定性。通過對側面局部圖像的多目標人臉提取，發現除部分人臉發生偏移或遮擋太大外，其余的人臉特征都能得到。通過對學生頭部角度、眉尾和眼中之間的角度、唇部幅度的變化進行分析，并對其頭部姿態、唇角、眉眼角度等進行了詳細分析。聽課中的聽覺狀態分為5種：傾聽、疑惑、理解、抗拒、鄙視。將初始化的頭部姿勢設定為-1，如果檢測成功，就可以得到相應的頭部角度。從這一點來看，絕大多數學生都是被系統捕捉到的，系統會自動給每個學生的微表情識別標上一個數值。學生眉、眼、鼻、口等的點是學生的面部表情特點。通過對“傾聽”、“疑惑”、“理解”、“抗拒”、“鄙視”等5種不同的表達方式進行界定，并將學生的“眉眼角度”、“唇部角度”、“頭部角度”等因素進行綜合，得出了“會計在線教學”的具體情況，并對學生的聽覺狀況進行統計和分析。圖3為該文所設計的基于微表情識別的會計在線教學質量評估方法結構圖。

圖3 教學質量評估方法結構圖

課堂教學質量評估是以采集足夠相關信息作為數據基礎，從中挖掘出有價值信息，并通過模型對信息進行整理、分類，在統計分析的基礎上建立共性概念，形成具有指向性的定性結論，實現對教學效果的評估。通過對表情的分類，在教學課堂中常見的微表情按照屬性賦值。將無法判斷或無意義的表情，權值設置為0；將焦躁、困惑等負面情緒設置為-1；將厭惡、生氣等極端情緒設置為-2；將喜悅、開心等正面情緒設置為1；將驚喜、狂歡等非常情緒設置為2。其中，權值為0對教學質量評估沒有貢獻；權值為正數表明教學質量良好或優秀，而權值為負數則表明教學質量差強人意或令人不滿。

影響會計在線課堂教學質量的因素很多，而影響教學的主要因素是對學生活躍時間的計算。通過對各個時間間隔的離散圖像進行分析，得到學生的活動時間。根據微表情的有效時間和運算效率，將獲取的圖像頻率設置為2s。活動時間是通過對整節課時間的綜合分析得出的，其活動時間的特定統計如公式（5）所示。

式中：為活躍時間，（）為學生參與度，為閾值，為圖像采樣。

學生參與度（）時，學生整體處于活躍狀態。基于微表情識別的會計在線教學質量評估以多種顏色進行標識，例如目前的學生總體關注度為黃色，代表參與度為綠色，而紅色為目前教學內容的難點。當學生的注意力、參與度和困難度都很低時，就表明學生的聽課狀態不佳，教師要提供解決的舉措，調整教學策略，活躍課堂氣氛，從而達到提高教學效果的目的。會計在線教學質量評估不僅能實時地評估全班情況，而且能偵測到學生的負面情緒（抵觸、輕蔑），并發出信息提醒老師，類似為一種“警報裝備”，時刻提醒著老師和同學們認真完成線上學習。

對同一知識點的教學質量評估，采取時刻法，即同一時刻各個學生移動客戶端采集的單幀圖像賦值后，再通過統計平均，得到全班的整體印象，不同情緒、不同理解程度的學生數量分別作為分子，得到各種課堂反應的百分比，以此作為單個知識點的被接受程度，評估該知識點的教學質量。

會計教師在線教學質量評估包括兩個方面。1）整節課全部學生課堂狀態評價。在假定全體學生完全投入課堂教學的背景下，計算負面情緒的學生占比，作為課堂教學質量的待改進得分；正面情緒的學生占比，作為該節課的經驗得分。通過分析待改進得分和經驗得分的比值，可以看出全班學生對課堂內容的投入情況。2）時間段全部學生課堂狀態評價。統計會計課程教學時長中學生的投入狀態，即可作為全部學生課堂狀態的數值表征，用以對教學效果做出評價。

最后，通過整堂課的分數得到會計在線教學的教學質量評估等級。

5 結語

隨著科學技術的發展，教師利用該文所設計出的基于微表情識別的會計在線教學質量評估方法，一方面能夠根據評估結果對自己的專業水平進行提高。另一方面，能夠根據學生的反饋結果調整課堂教學方式，提高學習學習積極性和專注度，提高學習效果。由于時間原因該文沒有對所設計方法進行試驗，還需要在今后的研究中不斷完善。