沟谷区域岩爆灾害识别的应力扰动系数法：案例研究

《Applied Sciences》：Stress Disturbance Coefficient Method for Rock Burst Hazard Identification in Gully Regions: A Case Study

　　

学习注意力决定了教育成果和在线教学的有效性。传统教师主导的干预在数字环境中固有受限，基于视觉的头部姿势监测在现实条件下鲁棒性差。本文提出一个基于深度学习的框架，利用可穿戴惯性传感器（IMU）连续监测头部姿势用于学习注意力应用。一个可穿戴六轴设备捕获头部运动学。模型在报告评估协议下达到98.09%的准确率。还使用了留一被试交叉验证（LOSO-CV）评估未见参与者的性能。一个注意力评级模型根据训练姿势将这些类别映射到三个注意力状态。研究人员的方法不受光照变化和遮挡影响，实现了深度学习辅助的头部姿势监测用于学习注意力应用。这项工作为将可穿戴传感和深度学习整合到教育中建立了方法论基础，具有个性化教学的潜力。

**论文解读：基于可穿戴惯性传感器与深度学习的头部姿势注意力监测方法**

**研究背景与问题提出**
随着人工智能、网络系统和多媒体技术的快速发展，在线学习已成为现代教育的重要组成部分。尽管在线学习提供了灵活的信息获取方式，但教师与学生之间缺乏面对面互动，导致教师难以直接观察学生的注意力状态和参与度。传统课堂中，教师可通过学习行为、提问等方式监控学生注意力，但在数字环境中，这些方法受到限制。现有基于视觉的头部姿势监测方法（如面部特征识别、眼动追踪）依赖光照条件和面部可见性，在真实场景中易受遮挡、光照变化等影响，鲁棒性不足。因此，迫切需要一种不受环境限制、能连续可靠监测学习者注意力状态的方法。头部姿势（head posture）作为注意力状态的外在指标，可通过可穿戴惯性传感器（IMU）直接测量头部运动学数据，结合深度学习技术实现高精度分类。本文旨在设计一种基于可穿戴IMU和深度学习的方法，用于在线学习场景下的头部姿势监测与注意力评级。

**研究内容与结论**
研究人员设计了一个微型可穿戴六轴惯性测量单元（MPU6050），将其佩戴于学习者颈部，连续采集头部运动数据（包括偏航角θ_Yaw、俯仰角θ_Pitch、翻滚角θ_Roll以及线性加速度）。通过实验协议，采集了10名志愿者（男女各半，表S2）在10种预设头部姿势（偏航20°、40°、60°、80°；俯仰25°、50°、75°；翻滚15°、30°、45°）下的数据，每种姿势重复100次。基于这些数据，研究人员构建了一个一维卷积神经网络（1D CNN）模型，用于分类头部运动特征，并进一步建立注意力评级模型，将姿势映射到三个注意力状态（注意力集中、与注意力无关、注意力不集中）。实验结果表明，该1D CNN模型在留一被试交叉验证（LOSO-CV）下达到98.09%的准确率，优于对比模型（如TCN、GRU）。注意力评级模型与物理测试结果高度一致，表明该方法能有效区分学习者的注意力水平。该研究发表于《Applied Sciences》。

**关键技术方法**
本研究主要采用以下关键技术方法：（1）可穿戴惯性测量系统：使用16位超高精度六轴IMU（MPU6050）作为核心传感元件，配合ATMEGA328P微控制器和CC2640蓝牙芯片，实现无线、低功耗、连续的头部位姿数据采集。样本采集自10名成年人志愿者（表S2），每人执行10种预设姿势各100次，并随机加入额外晃动和摆动动作以模拟真实运动。（2）一维卷积神经网络（1D CNN）：模型由两个卷积层（32和64个滤波器，核大小5，ReLU激活）、两个最大池化层、一个64单元全连接层、丢弃率为0.2的Dropout和10单元Softmax分类器组成，用于从六轴惯性信号中提取时间特征并进行分类。超参数通过网格搜索确定，使用Adam优化器（学习率0.0001）和稀疏分类交叉熵损失。（3）留一被试交叉验证（LOSO-CV）：将每个参与者的所有数据作为测试集，其余参与者数据用于训练，评估模型对未见参与者的泛化能力。（4）注意力评级模型：基于头部偏转角度和持续时间，将分类结果映射到三个注意力状态。

**研究结果**
**3.1 头部姿势采集的设计与方法**
研究人员将六轴IMU佩戴于颈部，通过加速度计和陀螺仪测量线性加速度和角速度，实现多尺度头部运动测量。设备紧贴颈部皮肤，确保x轴方向始终平行于颈部，减少安装偏差干扰。数据通过蓝牙传输至终端，实现长期监测。基于采集的数据，使用1D CNN提取时域特征，通过添加时间维度训练不同偏转运动，实现姿势预测和注意力评级。

**3.2 头部姿势测试结果**
在不同旋转状态下（最大偏航80°、俯仰75°、翻滚45°），角速度响应与旋转角度呈明显比例关系（图3a-c）。单轴运动虽在其他轴上有偏差，但六轴数据可综合反映运动特征。运动频率低于1 Hz（图3e），表明基于视觉的角度估计方法存在显著样本估计误差。研究指出，受控协议下的结果验证了方法在预设姿势下的有效性，但自然扰动未系统评估，LOSO-CV结果仅代表对未见参与者的泛化，而非真实在线学习环境验证。

**3.3 基于1D CNN的头部姿势训练**
数据预处理采用10 Hz截止频率的巴特沃斯低通滤波，将每个试次分割为100个样本的非重叠窗口。1D CNN训练30个周期，第1个周期准确率较低，至第20个周期时识别准确率超过80%（图4a）。使用t-SNE特征可视化显示，第20个周期时特征重叠显著改善，但仍存在部分混淆。最终模型在30个周期后达到98.09%准确率，混淆矩阵显示类别7（92.8%）和类别4（95.8%）的F1分数较低，可能与邻近运动模式相似性有关。与基线模型（表S4）相比，1D CNN取得了最高准确率和F1分数。

**3.4 头部姿势预测在学习注意力评级中的应用**
最终混淆矩阵显示模型整体准确率98.09%，特征聚类完全分离（图5b）。系统损失低于0.1，训练准确率在20次迭代后超过95%（图5c,d），表明1D CNN具有高效收敛能力。注意力评级模型将θ_Yaw=20°、40°，θ_Pitch=20°，θ_Roll=25°归类为注意力集中状态，其他角度对应注意力不集中或与注意力无关（图5e），与物理测试高度一致。该方法不受光照和遮挡影响，推理时间低于1 ms（在低功耗平台上），具备实时可穿戴应用潜力。但研究强调，性能基于受控协议和有限样本，未来需在更大、更多样化的人群和真实在线学习环境中验证。

**讨论与结论总结**
讨论部分指出，本研究的方法克服了视觉方法的固有局限性，在报告评估协议下取得了高于所列基线模型的准确率。然而，头部姿势监测仅提供注意力的间接测量，可能无法完全反映学习者的认知状态；注意力集中的学习者也可能改变头部位置而不失去专注，导致歧义解释。未来研究应结合屏幕内容、任务类型等上下文信息，以及眼动追踪和任务表现等独立测量，以区分注意力相关变化与普通姿势动作。
结论部分翻译如下：本研究提出了一种基于1D CNN驱动的深度学习的头部姿势注意力评估方法，实现了基于头部姿势的学习注意力可靠监测与区分。首先，设计了一套柔性可穿戴惯性测量系统，无线、非侵入地采集学习者的10种头部运动姿势。该设备用于监测头部连续运动。然后，利用学习注意力模型将相应头部姿势角度分类为10个动作特征。采用基于1D模型的卷积神经网络特征提取器对不同姿势进行分类和预测。结果表明，所提出的1D CNN模型能够有效、准确地区分学习者的头部运动姿势，预测准确率高达98.09%。这种将柔性可穿戴设备与深度学习相结合用于学习注意力评估的方法，对学习者反馈和计划制定具有潜在应用价值，有助于教育决策和反馈。基于头部姿势的监测仅提供学习过程中注意力的间接测量，可能无法完全反映学习者的认知状态。注意力集中的学习者也可能在不失去专注的情况下改变头部位置，这可能导致歧义解释。未来研究应结合屏幕内容和任务类型等上下文信息，以及眼动追踪和任务表现等独立测量，以区分注意力相关变化与普通姿势运动。