开云优惠体育网页版入口

专利名称：一种课堂行为分析方法、系统、计算机及存储介质

专利类型：发明专利

专利申请号：CN202411295919.8

专利申请（专利权）人：紫光摩度教育开云优惠体育网页版入口有限公司
权利人地址：江西省南昌市红谷滩区丰和中大道166号华兴文化广场1号楼9层920室

专利发明（设计）人：树昱,刘旺,张少华,廖晰,马亚男,祝家军,乔岳,李春虎,张文婷,曾俊,吴子宾,张初旭,张耀文,张逸琦,盛银雪

专利摘要：本发明提供一种课堂行为分析方法、系统、计算机及存储介质，该方法包括以下步骤：基于收音麦克风实时提取教师的语音数据，以得到教师指令；基于监控设备获取学生的图像数据，对图像数据进行关节点检测，得到学生的行为特征；基于教师指令与行为特征进行一致性匹配，以判断行为特征是否异常行为特征；若行为特征为异常行为特征，基于编号对学生进行提醒。通过基于教师的收音麦克风实时提取教师的语音数据，以分析得到教师指令，然后根据监控图像分析学生的行为，通过将其进行一致性匹配，来判断学生的行为是否异常，结合了教师指令对学生的行为进行评价，提高了分析效果，以及学生专注度的评价质量。

主权利要求：
1.一种课堂行为分析方法，其特征在于，包括以下步骤：基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶睿
基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号；
基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征；
基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征；
若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒；
其中，得到所述学生的行为特征的步骤具体包括：
通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；
根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征；
其中，通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测的步骤具体包括：对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；
根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡；
其中，得到所述教师模型与所述学生模型的匹配度的步骤具体包括：基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：；
；
式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和 分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。
2.根据权利要求1所述的课堂行为分析方法，其特征在于，所述损失函数 的表达式如下：；
；
式中， 为所述差异度， 和 分别表示所述教师模型及所述学生模型预测得到的第k个关节点的置信度图，K为关节点数量， 为所述差异度及所述匹配度之间的平衡系数。
3.根据权利要求1?2任一项所述的课堂行为分析方法，其特征在于，基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型的步骤具体包括：将所述图像数据输入至人体姿态估计框架模型，并通过前馈网络对检测目标的关键点位置进行预测，得到二维的置信度图；
计算各关节点的亲和度，并对所述置信度图和亲和度进行分析，将各关节点进行匹配连接，以得到与所述关节点对应的姿态骨架模型。
4.一种课堂行为分析系统，其特征在于，包括：
指令模块，用于基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶睿
监控模块，用于基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号；
行为模块，用于基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征；
匹配模块，用于基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征；
提醒模块，用于若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒；
其中，所述行为模块具体用于：
通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；
根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征；
其中，所述行为模块还用于：
对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；
根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡；
所述行为模块还用于：
基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：；
；
式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和 分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。
5.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1?3中任一项所述的课堂行为分析方法。
6.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述权利要求1?3中任一项所述的课堂行为分析方法。 说明书 : 一种课堂行为分析方法、系统、计算机及存储介质技术领域[0001] 本发明涉及课堂分析技术领域，特别涉及一种课堂行为分析方法、系统、计算机及存储介质。背景技术[0002] 通过对监控视频中学生的图像进行姿态识别，可以对学生的行为进行分析，以根据其行为实现课堂专注度的评价。[0003] 现有技术中，由于行为分析的信息来源仅依靠学生的姿态来判断，当学生低头时，无法判断学生是发呆还是低头看书；当学生抬头时，无法判断学生是发呆还是看黑板，导致专注度评价的准确度较低，分析效果差。发明内容[0004] 针对现有技术的不足，本发明的目的在于提供一种课堂行为分析方法、系统、计算机及存储介质，旨在解决现有技术中分析效果差的技术问题。[0005] 为了实现上述目的，第一方面，本发明提供了一种课堂行为分析方法，包括以下步骤：[0006] 基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶睿籟0007] 基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号；[0008] 基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征；[0009] 基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征；[0010] 若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒。[0011] 根据上述技术方案的一方面，得到所述学生的行为特征的步骤具体包括：[0012] 通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；[0013] 根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征。[0014] 根据上述技术方案的一方面，通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测的步骤具体包括：[0015] 对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；[0016] 根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡。[0017] 根据上述技术方案的一方面，得到所述教师模型与所述学生模型的匹配度的步骤具体包括：[0018] 基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：[0019] ；[0020] ；[0021] 式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。[0022] 根据上述技术方案的一方面，所述损失函数 的表达式如下：[0023] ；[0024] ；[0025] 式中， 为所述差异度， 和 分别表示所述教师模型及所述学生模型预测得到的第k个关节点的置信度图，K为关节点数量， 为所述差异度及所述匹配度之间的平衡系数。[0026] 根据上述技术方案的一方面，基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型的步骤具体包括：[0027] 将所述图像数据输入至人体姿态估计框架模型，并通过前馈网络对检测目标的关键点位置进行预测，得到二维的置信度图；[0028] 计算各关节点的亲和度，并对所述置信度图和亲和度进行分析，将各关节点进行匹配连接，以得到与所述关节点对应的姿态骨架模型。[0029] 第二方面，本申请还提供了一种课堂行为分析系统，包括：[0030] 指令模块，用于基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶睿籟0031] 监控模块，用于基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号；[0032] 行为模块，用于基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征；[0033] 匹配模块，用于基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征；[0034] 提醒模块，用于若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒。[0035] 根据上述技术方案的一方面，所述行为模块具体用于：[0036] 通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；[0037] 根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征。[0038] 根据上述技术方案的一方面，所述行为模块还用于：[0039] 对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；[0040] 根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡。[0041] 根据上述技术方案的一方面，所述行为模块还用于：[0042] 基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：[0043] ；[0044] ；[0045] 式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。[0046] 第三方面，本申请实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述第一方面所述的一种课堂行为分析方法。[0047] 第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如所述第一方面所述的一种课堂行为分析方法。[0048] 与现有技术相比，本发明的有益效果在于：通过基于教师的收音麦克风实时提取教师的语音数据，以分析得到教师指令，然后根据监控图像分析学生的行为，通过将其进行一致性匹配，来判断学生的行为是否异常，结合了教师指令对学生的行为进行评价，提高了分析效果，以及学生专注度的评价质量。附图说明[0049] 图1为本发明第一实施例中课堂行为分析方法的流程图；[0050] 图2为本发明第二实施例中课堂行为分析系统的结构框图；[0051] 图3是本申请第三实施例中计算机的硬件结构示意图；[0052] 如下具体实施方式将结合上述附图进一步说明本发明。具体实施方式[0053] 为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。[0054] 需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。[0055] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。[0056] 实施例一[0057] 请参阅图1，所示为本发明第一实施例中的课堂行为分析方法，包括以下步骤：[0058] 步骤S100，基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶。[0059] 具体来说，在本实施例中，上述收音麦克风可以为教师随时佩戴，或固定在讲台上的用于拾音并扬声的麦克风。[0060] 步骤S200，基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号。在本实施例的一些应用场景中，每个学生的座位都是固定的，即每个座位在图像中的位置对应的编号对应学生的学号，以便于智慧课堂中数据的分析及统计。[0061] 步骤S300，基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征。[0062] 便于理解地，OpenPose算法是一种开源的实时多人姿态估计库，由卡耐基梅隆大学开发。它通过分析图像或视频中的人体关键点来估计人体的姿态，识别身体的各个部分，并推断出人体的姿势信息。[0063] 具体来说，在本实施例中，上述基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型的步骤具体包括：[0064] 将所述图像数据输入至人体姿态估计框架模型，并通过前馈网络对检测目标的关键点位置进行预测，得到二维的置信度图；[0065] 计算各关节点的亲和度，并对所述置信度图和亲和度进行分析，将各关节点进行匹配连接，以得到与所述关节点对应的姿态骨架模型。[0066] 需要说明地，OpenPose算法训练得出的模型在人体关节点的识别精度上表现优异。但随着而来的缺陷就是OpenPose方法为了取得好的精度，内部参数过于复杂冗余，牺牲了较高的计算代价和较大的内存，为了追求卓越的性能，导致模型只能部署在高性能服务器。[0067] 在本实施例的一些应用场景中，为了降低成本，考虑模型的轻量化，得到所述学生的行为特征的步骤具体包括：[0068] 通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；[0069] 根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征。[0070] 知识蒸馏的实现思想是根据源数据训练一个较大的教师模型，然后卷积输出特征图，为一个较小的学生模型提供知识来源，学生模型由更高精度的教师模型进行监督训练，使二者的识别精度相近。在本实施例的一些应用场景中，由于教师模型规模较大，计算量相对复杂，教师模型部署在带有高性能GPU的服务器上迭代训练，以获取较佳的人体姿态估计精度；而学生模型因轻量的优势，作为最终的训练结果模型，部署在较低性能的边缘设备中。可以理解的，上述边缘设备，即处理器还用于接收并识别教师指令，以便于后期的行为识别。[0071] 在本实施例中，教师模型通过传递软标签所对应的关节点置信度预测信息传递至学生模型，可以使学生模型通过少量卷积获得高精度所需要的语义信息。[0072] 具体来说，在本实施例中，通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测的步骤具体包括：[0073] 对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；[0074] 根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡。[0075] 进一步地，在本实施例中，得到所述教师模型与所述学生模型的匹配度的步骤具体包括：[0076] 基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：[0077] ；[0078] ；[0079] 式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。[0080] 更进一步地，上述损失函数 的表达式如下：[0081] ；[0082] ；[0083] 式中， 为所述差异度， 和 分别表示所述教师模型及所述学生模型预测得到的第k个关节点的置信度图，K为关节点数量， 为所述差异度及所述匹配度之间的平衡系数。[0084] 步骤S400，基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征。[0085] 可以理解的，当通过对文本特征进行分析，识别到教师指令为“看黑板”时，而上述行为特征分析结果为低头时，此时可以判定该目标对应的学生出现了指令不一致的状态，将其标记为异常行为；当识别到教师指令为“看课本”，而上述行为特征分析结果为抬头时，该行为也被标记为异常行为。[0086] 步骤S500，若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒。在本实施例中，通过知识蒸馏的方式可以减轻数据的处理分析量，从而实现课堂的实时性分析，上述提醒的方式可以是对教师进行提醒，让教师去提醒学生注意听讲，或者是通过配置在每个座位上的桌面设备进行提醒。[0087] 综上，本发明上述实施例当中的课堂行为分析方法，通过基于教师的收音麦克风实时提取教师的语音数据，以分析得到教师指令，然后根据监控图像分析学生的行为，通过将其进行一致性匹配，来判断学生的行为是否异常，结合了教师指令对学生的行为进行评价，提高了分析效果，以及学生专注度的评价质量，通过知识蒸馏的方式可以减轻数据的处理分析量，从而实现课堂的实时性分析，提高教学质量。[0088] 实施例二[0089] 本申请的第二实施例还提供了一种课堂行为分析系统，该系统用于实现所述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。[0090] 如图2所示，该系统包括：指令模块100、监控模块200、行为模块300、匹配模块400及提醒模块500；[0091] 上述指令模块100用于基于收音麦克风实时提取教师的语音数据，对所述语音数据进行文本特征提。缘玫浇淌χ噶睿籟0092] 上述监控模块200用于基于监控设备获取学生的图像数据，基于所述图像数据中的坐标位置对所述学生进行编号；[0093] 上述行为模块300用于基于OpenPose算法对所述图像数据进行关节点检测，以得到与关节点对应的姿态骨架模型，对所述姿态骨架模型进行分析匹配，得到所述学生的行为特征；[0094] 上述匹配模块400用于基于所述教师指令与所述行为特征进行一致性匹配，以判断所述行为特征是否异常行为特征；[0095] 上述提醒模块500用于若所述行为特征为异常行为特征，基于所述编号对所述学生进行提醒。[0096] 具体来说，在本实施例中，所述行为模块300具体用于：[0097] 通过知识蒸馏算法分别在云端和边缘设备构建教师模型及学生模型，并通过所述教师模型及所述学生模型，基于OpenPose算法对所述图像数据进行关节点检测；[0098] 根据所述教师模型得到的关节点置信度预测信息，基于软标签的形式传递至学生模型进行指导，以基于所述学生模型得到所述学生的行为特征。[0099] 进一步地，在本实施例中，所述行为模块300还用于：[0100] 对所述教师模型及学生模型的特征相似性进行实时检测，得到所述教师模型与所述学生模型的匹配度；[0101] 根据所述软标签及所述学生模型的关节点置信度图的差异度，构建损失函数，以基于所述损失函数对所述教师模型及学生模型进行平衡。[0102] 优选地，在本实施例中，所述行为模块300还用于：[0103] 基于以下计算式计算得到所述教师模型与所述学生模型的匹配度：[0104] ；[0105] ；[0106] 式中， 为所述匹配度， 表示第i个像素与第j个像素之间的相似度， 和分别表示所述教师模型和所述学生模型的第i个像素与第j个像素之间的相似度， 表示第i个像素的特征向量， 表示第j个像素的特征向量，W和H分别表示特征图的宽度和高度，R为实数。[0107] 综上，本发明上述实施例当中的课堂行为分析方法，通过指令模块100基于教师的收音麦克风实时提取教师的语音数据，以分析得到教师指令，然后根据监控模块200的监控图像及行为模块300分析学生的行为，通过匹配模块400将其进行一致性匹配，来判断学生的行为是否异常，结合了教师指令对学生的行为进行评价，提高了分析效果，以及学生专注度的评价质量，通过知识蒸馏的方式可以减轻数据的处理分析量，从而实现课堂的实时性分析，提高教学质量。[0108] 需要说明的是，所述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，所述各个模块可以位于同一处理器中；或者所述各个模块还可以按照任意组合的形式分别位于不同的处理器中。[0109] 实施例三[0110] 本申请的第三实施例提供了一种计算机，可以理解地，本实施例中的课堂行为分析系统中提及的原理与本申请第一实施例中的课堂行为分析方法相对应，未见描述的相关原理详见可对应参照第一实施例，在此不多赘述。[0111] 该计算机可以包括处理器81以及存储有计算机程序命令的存储器82。[0112] 具体地，上述处理器81可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。[0113] 其中，存储器82可以包括用于数据或命令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性（Non?Volatile）存储器。在特定实施例中，存储器82包括只读存储器（Read?OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead?OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead?OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead?OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead?OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom?AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom?AccessMemory，简称SDRAM）等。[0114] 存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序命令。[0115] 处理器81通过读取并执行存储器82中存储的计算机程序命令，以实现上述实施例中的任意一种课堂行为分析方法。[0116] 在其中一些实施例中，计算机还可包括通信接口83和总线80。其中，如图3所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。[0117] 通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。[0118] 总线80包括硬件、软件或两者，将计算机的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线（DataBus）、地址总线（AddressBus）、控制总线（ControlBus）、扩展总线（ExpansionBus）、局部总线（LocalBus）。举例来说而非限制，总线80可包括图形加速接口（AcceleratedGraphicsPort，简称为AGP）或其他图形总线、增强工业标准架构（ExtendedIndustryStandardArchitecture，简称为EISA）总线、前端总线（FrontSideBus，简称为FSB）、超传输（HyperTransport，简称为HT）互连、工业标准架构（IndustryStandardArchitecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（LowPinCount，简称为LPC）总线、存储器总线、微信道架构（MicroChannelArchitecture，简称为MCA）总线、外围组件互连（PeripheralComponentInterconnect，简称为PCI）总线、PCI?Express（PCI?X）总线、串行高级技术附件（SerialAdvancedTechnologyAttachment，简称为SATA）总线、视频电子标准协会局部（VideoElectronicsStandardsAssociationLocalBus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。[0119] 实施例四[0120] 结合上述实施例中的课堂行为分析方法，本申请的第四实施例提供了一种可读存储介质。该可读存储介质上存储有计算机程序命令；该计算机程序命令被处理器执行时实现上述实施例中的任意一种课堂行为分析方法。[0121] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对所述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0122] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

专利地区：江西

专利申请日期：2024-09-18

专利公开日期：2024-11-29

专利公告号：CN118823834B