视线跟踪及其在智能教育中的应用研究综述

与教育相结合是当前人工智能研究的热点方向之一，获得学习状态信息是智能教育中非常重要的一个环节。视线变化可以直接或间接反映心理以及状态的变化，所以视线跟踪在智能教育领域起到重要作用。首先，对智能教育的发展进行了介绍；然后，对视线跟踪技术的发展、当前的研究工作以及研究现状进行了归纳与分析，总结了近3年视线跟踪技术在教育领域的相关应用与研究工作；最后，对视线跟踪技术在教育领域的发展趋势进行了总结与展望。     

基于web的“linux操作系统”课程演练平台设计与应用

本文主要阐述了如何在Linux服务器中,通过使用多种服务器以及简单的HTML语言实现一个基于Web的Linux教学系统,以便实现在没有Linux的环境下通过浏览器登录Linux主机进行操作练习。     

多媒体教学在数据结构课程中的应用

数据结构是计算机科学与技术专业一门非常重要的专业基础课,如何上好这门课一直是大家探讨的热门话题。而多媒体课件被广泛应用于教学之中,在教学工具中拥有独特的优势和地位。如何让二者更好地结合,既能凸现多媒体课件的优点,又能解决数据结构课程难学难教的问题?作者在多年教学工作的基础上,在精品课程的建设过程中,总结了一些心得和体会。     

视线跟踪及其在智能教育中的应用研究综述

与教育相结合是当前人工智能研究的热点方向之一,获得学习状态信息是智能教育中非常重要的一个环节。视线变化可以直接或间接反映心理以及状态的变化,所以视线跟踪在智能教育领域起到重要作用。首先,对智能教育的发展进行了介绍;然后,对视线跟踪技术的发展、当前的研究工作以及研究现状进行了归纳与分析,总结了近3年视线跟踪技术在教育领域的相关应用与研究工作;最后,对视线跟踪技术在教育领域的发展趋势进行了总结与展望。     

基于本体的计算机网络课程群的开发研究

本文介绍了一个基于本体的计算机网络课程群开发模型的设计与实现，并就其中的知识结构和功能作了描述，为解决计算机网络课程群各门课程的知识点之间的信息融合沟通、相互衔接提供了可行性论据。     

网络课程综合实验平台建设

目前通信网络课程普遍采用的验证型实践教学方法不能满足需求,需要新的教学手段作为补充。本文提出以数据传输的完整过程为线索,以任务驱动方式综合相关课程的知识内容,运用软件工程思想来构建实验教学仿真平台。学生在学习相关课程理论知识的同时,可以在此平台上通过"任务驱动"方式直观地了解掌握相关知识点的具体应用和技术特性。     

iPPG技术及生理参数检测的教育应用综述

获取学习状态数据是实现智能教育的前提,生理参数是反映学生学习状态的重要信息。而目前在智能教育领域生理参数检测方法比较单一,仍然以接触式为主,存在一定局限性。而非接触式生理参数检测方法更有利于智能教育的广泛推广。分析了基于视频的非接触式生理参数检测方法。介绍了成像式光电容积描记技术的原理,对其发展及现状进行了归纳分析,总结了近些年生理参数检测在教育领域的相关应用。对基于视频的非接触式生理参数检测在教育领域的发展趋势进行了总结与展望。     

PETS网上报名系统的设计与实现

针对PETS网上报名系统的设计背景和现状进行了分析,根据系统的需求分析和整体设计,确定了系统的主要功能和体系结构。在功能实现中,按照考生管理、考点管理和考官管理3部分,详细论述了功能的逻辑流程和算法,对包括考生报名及信息管理、考点和考官的管理和对数据的分析统计等功能进行了实现。最后对可能遇到的多人访问并发问题,提出了使用负载均衡解决的方案。     

自然光普通摄像头的眼部分割及特征点定位数据集ESLD

目的 眼部状态的变化可以作为反映用户真实心理状态及情感变化的依据。由于眼部区域面积较小,瞳孔与虹膜颜色接近,在自然光下利用普通摄像头捕捉瞳孔大小以及位置的变化信息是当前一项具有较大挑战的任务。同时,与现实应用环境类似的具有精细定位和分割信息的眼部结构数据集的欠缺也是制约该领域研究发展的原因之一。针对以上问题,本文利用在普通摄像头场景下采集眼部图像数据,捕捉瞳孔的变化信息并建立了一个眼部图像分割及特征点定位数据集(eye segment and landmark detection dataset,ESLD)。方法 收集、标注并公开发布一个包含多种眼部类型的图像数据集ESLD。采用3种方式采集图像：1)采集用户使用电脑时的面部图像;2)收集已经公开的数据集中满足在自然光下使用普通摄像机条件时采集到的面部图像;3)基于公开软件UnityEye合成的眼部图像。3种采集方式可分别得到1 386幅、804幅和1 600幅眼部图像。得到原始图像后,在原始图像中分割出眼部区域,将不同尺寸的眼部图像归一化为256×128像素。最后对眼部图像的特征点进行人工标记和眼部结构分割。结果 ESLD数据集包含多种类型的眼部图像,可满足研究人员的不同需求。因为实际采集和从公开数据集中获取真实眼部图像十分困难,所以本文利用UnityEye生成眼部图像以改善训练数据量少的问题。实验结果表明,合成的眼部图像可以有效地弥补数据量缺少的问题,F1值可达0.551。利用深度学习方法分别提供了眼部特征点定位和眼部结构分割任务的基线。采用ResNet101作为特征提取网络情况下,眼部特征点定位的误差为5.828,眼部结构分割的mAP (mean average precision)可达0.965。结论 ESLD数据集可为研究人员通过眼部图像研究用户情感变化以及心理状态提供数据支持。