一种基于双向门控循环单元的学生情绪分析方法

本发明涉及学生行为分析领域，尤其涉及一种基于双向门控循环单元的学生情绪分析方法。

背景技术：

1、目前在线学习成为中小学学习模式的一种常态，然而由于在线学习时空分离特性，缺乏师生、生生之间面对面的交流与互动，导致了在线学习中的老师对学生情绪照顾的缺失，容易诱发广大学生的学习焦虑、烦躁、厌学甚至抑郁等问题，严重影响了学生的学习效率，因此及时发现学生的情绪问题，是在线学习教育亟需解决的问题之一。

技术实现思路

1、为了解决上述问题，本发明提出一种基于双向门控循环单元的学生情绪分析方法，该方法包括以下步骤：

2、s1：获取在线学习中学生的原始声音信号；

3、s2：对原始声音信号进行去噪处理，得到去噪后的数据；

4、s3：采用mfcc模型对去噪后的数据进行特征提取，得到声音信号的特征参数；

5、s4：采用遗传算法对bi-gru预测模型进行超参数优化，得到优化后的bi-gru预测模型；

6、s5：将声音信号的特征参数输入至优化后的bi-gru预测模型，输出学生情绪分析结果。

7、与现有技术相比，本发明的有益效果包括：为提高在线教学质量和水平提供科学决策依据，方便老师、学校和家长根据学生学习具体情况，及时调整教学内容，学习进度，提高在线教育的质量和水平。

技术特征：

1.一种基于双向门控循环单元的学生情绪分析方法，其特征在于：

2.如权利要求1所述的一种基于双向门控循环单元的学生情绪分析方法，其特征在于：步骤s3具体为：

3.如权利要求1所述的一种基于双向门控循环单元的学生情绪分析方法，其特征在于：所述bi-gru预测模型包括前向gru单元和后向gru单元。

4.如权利要求1所述的一种基于双向门控循环单元的学生情绪分析方法，其特征在于：步骤s4中所述超参数包括：bi-gru预测模型中的隐藏层的参数、学习率、时间步长和最大迭代次数。

5.如权利要求1所述的一种基于双向门控循环单元的学生情绪分析方法，其特征在于：步骤s4中采用遗传算法对bi-gru预测模型进行超参数优化的具体过程为：

技术总结
本发明公开一种基于双向门控循环单元的学生情绪分析方法，包括以下步骤：获取在线学习中学生的原始声音信号；对原始声音信号进行去噪处理，得到去噪后的数据；采用MFCC模型对去噪后的数据进行特征提取，得到声音信号的特征参数；采用遗传算法对Bi‑GRU预测模型进行超参数优化，得到优化后的Bi‑GRU预测模型；将声音信号的特征参数输入至优化后的Bi‑GRU预测模型，输出学生情绪分析结果。本发明能够为提高在线教学质量和水平提供科学决策依据，方便老师、学校和家长根据学生学习具体情况，及时调整教学内容，学习进度，提高在线教育的质量和水平。

技术研发人员：谢兴旺
受保护的技术使用者：武昌理工学院
技术研发日：
技术公布日：2024/1/12