为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,...为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。展开更多
文摘针对学生行为检测算法准确率不高、易出现漏检误检问题,文章提出了一种改进的RI-YOLO学生行为检测算法。该算法通过引入感受野注意力卷积(Receptive-Field Attention Convolution,RFAConv)对C3模块进行优化,提出新型的RFAC3模块,可以更精确地捕捉细微的局部特征,提升网络特征提取能力。此外,采用基于辅助边框的交并比(Intersection over Union,IoU)损失函数Inner-IoU替代传统损失函数,加速模型的收敛速度。在学生课堂行为数据集SCB-Dataset3上验证表明,RI-YOLO平均精度mAP50较YOLOv5提升了1.5%,mAP50:95提升了1.2%,与其他主流检测模型对比,展示出了优异检测效果。
文摘为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。
