Một kỹ thuật đánh giá sự tập trung của sinh viên dựa trên trạng thái đóng/mở của mắt
TNU Journal of Science and Technology
226(07): 254 - 261
A TECHNIQUE OF ASSESSING STUDENT ENGAGEMENT
BASED ON EYE CLOSE/OPEN BEHAVIOR
Tran Thanh Phuong1, Tran Van Lang1, Do Nang Toan2*
1Lac Hong University, 2Vietnam National University, Hanoi
ARTICLE INFO
Received: 21/4/2021
Revised: 31/5/2021
Published: 31/5/2021
ABSTRACT
Automated learning analysis is becoming an essential topic in the
educational area, which needs systems to monitor the learning process
and to measure the students engagement to help for teachers more
rational adjustments in teaching strategies and learning environment.
This paper proposes a technique to estimate the degree of sleepiness
base on open/ close state of the eye to assess student concentration
during in class. Input data for algorithm is captured by the camera in
class and the evaluation analysis is performed on each student during
learning. The technique has been setted up and effective for medium-
sized theoretical classes in engineering disciplines.
KEYWORDS
Student engagement
Eye-Blink Detection
Drowsiness Detection
Engagement Recognition
Human Behavior Analysis
MỘT KỸ THUẬT ĐÁNH GIÁ SỰ TẬP TRUNG CỦA SINH VIÊN
DỰA TRÊN TRẠNG THÁI ĐÓNG/MỞ CỦA MẮT
Trần Thanh Phương1, Trần Văn Lăng1, Đỗ Năng Toàn2*
1Trường Đại học Lạc Hồng, 2Đại học Quốc gia Hà Nội
THÔNG TIN BÀI BÁO
Ngày nhận bài: 21/4/2021
Ngày hoàn thiện: 31/5/2021
Ngày đăng: 31/5/2021
TÓM TẮT
Phân tích học tập tự động đang trở thành một chủ đề thiết yếu trong
lĩnh vực giáo dục, trong đó cần các hệ thống giám sát quá trình học
tập và đo lường mức độ tham gia của sinh viên để giúp cho giáo viên
có những điều chỉnh hợp lý hơn về chiến lược giảng dạy và môi
trường học tập. Bài báo này đề xuất một kỹ thuật ước lượng mức độ
buồn ngủ dựa trên trạng thái đóng/mở của mắt để đánh giá sự tập
trung của sinh viên trong giờ học. Dữ liệu đầu vào của thuật toán
được ghi nhận bởi camera trong lớp học và việc phân tích đánh giá
được thực hiện trên từng sinh viên trong suốt quá trình học tập. Kỹ
thuật đã được cài đặt thử nghiệm và tỏ ra hiệu quả đối với các lớp
học lý thuyết với quy mô trung bình của các ngành học kỹ thuật.
TỪ KHÓA
Sự tham gia của sinh viên
Phát hiện đóng mở mắt
Phát hiện ngủ gật
Nhận dạng sự chú ý
Phân tích hành vi
254
TNU Journal of Science and Technology
226(07): 254 - 261
1. Giới thiệu
Phân tích sự tập trung trong học tập hiện đang trở thành một chủ đề quan trọng trong cộng
đồng giáo dục, trong đó cần có các hệ thống hiệu quả để theo dõi quá trình học tập và cung cấp
phản hồi cho giáo viên. Những tiến bộ gần đây trong cảm biến thị giác và phương pháp thị giác
máy tính cho phép theo dõi tự động hành vi và trạng thái cảm xúc của người học, trong đó:
(i) Hành vi được xác định từ các dấu hiệu như: giơ tay phát biểu, tư thế đầu và tư
thế hình thể [1]-[5].
(ii) Cảm xúc gồm có: thích thú, mệt mỏi, bối rối,… được xác định từ biểu hiện trên
khuôn mặt [6]-[8].
Các kết quả nghiên cứu cho thấy, vấn đề phân tích sự tập trung của sinh viên khi tham gia học
tập rất đa dạng và được nhiều nhà nghiên cứu quan tâm và chủ yếu tập trung vào phân tích hành
vi và cảm xúc, như: phân tích biểu hiện cảm xúc trên khuôn mặt, phân tích chuyển động mắt,
phân tích chuyển động đầu, tư thế hình thể v.v.. Những nghiên cứu liên quan đến hành vi, có thể
kể đến, Divjak và Bischof [9] đã phân tích dựa vào hành vi chuyển động đầu và mắt, Bidwell và
Fuchs [10] đã đo lường mức độ tương tác của sinh viên bằng hệ thống quan sát tự động hành vi
của mắt, họ đề xuất đưa ra 8 danh mục hành vi riêng biệt, nhưng chỉ có thể phân loại sinh viên là
"tham gia" hoặc "không tham gia". Krithika [11] sử dụng chuyển động của mắt và đầu để kiểm
tra sự tập trung của học sinh và tạo ra cảnh báo về mức độ tập trung thấp.
Những nghiên cứu liên quan đến cảm xúc, có thể kể đến, Turabzadeh và cộng sự [12] dựa trên
nhận dạng cảm xúc khuôn mặt trong thời gian thực, sử dụng thuật toán mẫu nhị phân cục bộ
(Local Binary Point - LBP), Kamath, Biswas và Balasubramania [13] sử dụng thuật toán phát
hiện khuôn mặt Vilola Jones để phân tích hình ảnh đầu vào và sau đó là biểu đồ phân định hướng
(HOG, Sharma và cộng sự đã đề xuất một hệ thống thời gian thực, dựa trên những biểu hiện cảm
xúc trên khuôn mặt, để kiểm tra sự tham gia của học sinh trong bối cảnh học tập điện tử, tự động
điều chỉnh nội dung theo mức độ tập trung của học sinh, bằng cách phân tích cảm xúc của học
sinh và đưa ra ba mức độ tập trung khác nhau (cao, trung bình và thấp) [14].
Trong bài báo này, chúng tôi đề xuất một kỹ thuật đánh giá sự tập trung của sinh viên trong
giờ học, là sự kết hợp của cả việc phân tích hành vi và cảm xúc với một trạng thái cảm xúc đặc
biệt là “buồn ngủ”, nhờ ước lượng mức độ buồn ngủ dựa trên trạng thái đóng/mở của mắt. Phần
còn lại của bài báo được thể hiện như sau: Phần 2 trình bày một số nghiên cứu liên quan. Phần 3
là kỹ thuật đề xuất. Tiếp theo là thử nghiệm và cuối cùng là kết luận về kỹ thuật đề xuất.
2. Cơ sở lý thuyết của thuật toán
Mức độ buồn ngủ được ước lượng dựa trên các yếu tố khác nhau, chẳng hạn như tỷ lệ khung
hình và thời lượng đóng của mắt. Ứng với mỗi mức độ sẽ có những biểu hiện, hành vi và thời
lượng mắt đóng tương ứng. Ngoài ra, yếu tố mắt đóng nhanh hay chậm cũng được chúng tôi quan
tâm xem xét. Đối với người thức giấc/tỉnh táo thì mắt đóng và mở rất nhanh. Đối với người trong
tình trạng mệt mỏi, buồn ngủ thì mắt có xu hướng đóng chậm [15].
Hình 1. Thời gian mắt mở đến khi mắt đóng hoàn toàn
255
TNU Journal of Science and Technology
226(07): 254 - 261
Trong hình 1, dựa trên dữ liệu Talking Face1 với máy ảnh ghi hình là 24fps, trạng thái mắt
đóng hoàn toàn xảy ra tại frame thứ tư. Do đó thời gian đóng mắt hoàn toàn (hình 2) là:
푁
∗ 1000
푓푟푎푚푒
푇푒푦푒_푐푙표푠푒푑
=
(1)
푓푝푠
Trong đó:
-
푁
푓푟푎푚푒
là số lượng khung hình tính từ khung có trạng thái mắt mở đến
khung có trạng thái mắt đóng hoàn toàn (trong trường hợp này là 4).
푓푝푠 (frames per second) là số lượng khung hình trên mỗi giây, giá trị
này thay đổi tùy vào máy ghi hình (trong trường hợp này là 24).
-
Nên theo (1), giá trị 푇푒푦푒_푐푙표푠푒푑 = (4 * 1000) / 24 170 ms
푇
푒푦푒_푐푙표푠푒푑
Durations
Hình 2. Minh họa thời gian mắt mở đến khi mắt đóng hoàn toàn
Trước khi thực hiện ước lượng mức độ buồn ngủ, bước tiền xử lý của chúng tôi là loại bỏ
những đoạn video có mắt đóng nhanh (푇푒푦푒_푐푙표푠푒푑 ≤ 170ms) xem công thức (1) và thời lượng mắt
đóng ngắn (duration < 1s), những đoạn này được xem xét là tập trung. Chúng tôi chỉ quan tâm
đến những đoạn video có mắt đóng chậm (푇푒푦푒_푐푙표푠푒푑 > 170ms) và thời lượng mắt đóng dài
(duration ≥ 1s) (xem bảng 1).
Bảng 1. Sự tương quan giữa mức độ buồn ngủ và hành vi [15]
Mức độ
Thức giấc/Tỉnh táo (Không buồn ngủ): Thời lượng mắt đóng <1s
Người thức giấc/tỉnh táo có các hành vi và biểu cảm như: Sắc mặt bình thường; đóng/mở mắt nhanh; các
cử động/cử chỉ của cơ thể xảy ra không thường xuyên.
Hơi buồn ngủ: Thời lượng mắt đóng 1-2s
Khi người trở nên hơi buồn ngủ, các hành vi khác nhau có thể được thể hiện. Những hành vi này được gọi
là cách cư xử, có thể bao gồm dụi mặt hoặc mắt, gãi, sắc mặt giảm và di chuyển không yên trên ghế.
Những hành động này có thể được coi là biện pháp đối phó với cơn buồn ngủ. Chúng xảy ra trong các
giai đoạn trung gian của buồn ngủ. Không phải tất cả các cá nhân đều thể hiện cách cư xử trong các giai
đoạn trung gian. Một số cá nhân có vẻ trầm lắng hơn, đóng mắt chậm hơn, sắc mặt của họ có thể giảm,
thiếu hoạt động rõ ràng, họ có thể nhìn chằm chằm vào một vị trí cố định.
Ngủ gật: Thời lượng mắt đóng 2-3s hoặc lâu hơn
Khi người trở nên ngủ gật, thường xảy ra tình trạng mí mắt khép lâu hơn. Điều này thường đi kèm với sự
di chuyển của mắt lên hoặc sang một bên. Mắt không tập trung thích hợp, thiếu linh hoạt, sắc mặt giảm,
thiếu hoạt động rõ ràng, có thể có các chuyển động bị cô lập (hoặc ngắt quãng) lớn.
Cực kỳ buồn ngủ: Thời lượng mắt đóng ≥ 4s
Người trong tình trạng này thường có biểu hiện mí mắt đóng kéo dài (4 giây trở lên) và thời gian thiếu
hoạt động kéo dài tương tự. Có thể có những chuyển động bị ngắt quãng lớn.
Dựa vào mức độ và hành vi ở bảng 1, chúng tôi xây dựng luật xác định mức độ buồn ngủ như sau:
1 https://personalpages.manchester.ac.uk/staff/timothy.f.cootes/data/talking_face/talking_face.html
256
TNU Journal of Science and Technology
Bảng 2. Luật xác định mức độ buồn ngủ
226(07): 254 - 261
Mức độ
Điều kiện
Thức giấc/Tỉnh táo
Hơi buồn ngủ
Ngủ gật
EAR > 0.2
EAR < 0.2 AND Duration [1s, 2s)
EAR < 0.2 AND Duration [2s, 4s)
EAR < 0.2 AND Duration ≥ 4s
Cực kỳ buồn ngủ
Trong đó, EAR là mức độ mở của mắt được tính tỷ lệ chiều rộng và chiều dài của hình chữ
nhật chứa mắt.
Áp dụng luật bảng 2 chúng tôi định nghĩa 4 lớp thể hiện mức độ buồn ngủ theo cấp độ từ 1 – 4
và hai thuộc tính cần xem xét là EAR và Duration (s). Dựa vào thông tin trên, chúng tôi xây
dựng mô hình quyết định mức độ buồn ngủ như hình 3.
1 - Thức giấc/Tỉnh táo
2 - Hơi buồn ngủ
3 - Ngủ gật
EAR ?
>= 0.2
< 0.2
1
Duration (s) ?
< 1
≥ 4
[1,2)
[2,4)
1
2
3
4
Hình 3. Mô hình ước lượng mức độ buồn ngủ
3. Kỹ thuật đánh giá sự tập trung
3.1. Đánh giá sự tập trung dựa vào mức độ buồn ngủ
Dựa vào bảng 3, chúng tôi xây dựng thang độ đánh giá sự tập trung cho hệ thống của chúng
tôi gồm 3 mức độ.
257
TNU Journal of Science and Technology
Bảng 3. Mức độ tập trung
226(07): 254 - 261
ID
1
2
Mức độ buồn ngủ
Thức giấc/Tỉnh táo
Hơi buồn ngủ
Mức độ tập trung
Tập trung cao
Tập trung thấp
Ngủ gật
Cực kỳ buồn ngủ
3
Hoàn toàn mất tập trung
Do đây là hệ thống phân tích đánh giá sự tập trung của sinh viên, nên nhiệm vụ cần được thực
hiện cả một quá trình, có nghĩa là hệ thống phải xem xét và đánh giá sinh viên từ lúc bắt đầu
video cho đến kết thúc video. Không giống như các hệ thống khác như phát hiện ngủ gật trong
lúc lái xe chẳng hạn, khi phát hiện tài xế mất tập trung, hệ thống cảnh báo và đưa ra kết luận tại
thời điểm đó. Sở dĩ chúng tôi đặt ra điều kiện này bởi các lý do:
(i)
Giả sử tại khung hình 푓푟푎푚푒푖 sinh viên có thể mất tập trung nhưng sang đến
khung hình 푓푟푎푚푒푘 thì sinh viên tập trung trở lại. Do đó, đánh giá sự tập trung của sinh viên dựa
vào khung hình hiện tại là không phù hợp
(ii)
Trong quá trình học tập, sinh viên có thể có nhiều mức độ tập trung ở những thời
điểm khác nhau. Vì vậy, dựa vào kết quả phân tích hiện tại để đánh giá cả quá trình học tập là
không phù hợp.
(iii)
Sinh viên tập trung trong suốt quá trình học tập, nhưng tại khung hình cuối cùng
có hành vi chớp mắt, hoặc trường hợp ngược lại. Do đó, hệ thống đánh giá dựa vào khung hình
cuối cùng là thiếu chính xác.
Chính vì vậy, chúng tôi đề xuất mô hình đánh giá sự tập trung bằng cách tính tổng thời gian
của mỗi trạng thái (xem bảng 2), sau đó lập tỷ lệ mỗi trạng thái so với tổng thời lượng của video.
Trạng thái nào chiếm tỷ lệ cao nhất thì sẽ quyết định mức độ tham gia của người học trong suốt
quá trình học tập. Đây là phương pháp đề xuất của chúng tôi mang tính chủ quan, tuy nhiên kết
quả từ hệ thống đưa ra rất phù hợp với những gì chúng tôi mong muốn đạt được.
Cách đánh giá được trình bày chi tiết như sau:
Giả sử quá trình tham gia học tập của sinh viên được mô phỏng như hình 4, gồm có nhiều
trạng thái và xảy ra ở những thời điểm khác nhau:
Tbegin
Tend
Hình 4. Mô phỏng trạng thái của quá trình học tập
: Thời gian bắt đầu học
: Thời gian kết thúc học
1 - Thức giấc/Tỉnh táo
Trong đó
-
푇푏푒푔푖푛
푇푒푛푑
-
2 - Hơi buồn ngủ
3 - Ngủ gật
4 - Cực kỳ buồn ngủ
Gọi 푡1 là tổng thời gian của mức độ 1 và 푡2, 푡3, 푡4 là tổng thời gian tương ứng cho các mức độ
còn lại.
Gọi 푟 , 푟2, 푟3, 푟 là các tỷ lệ tương ứng của các mức độ 푡1, 푡2, 푡3, 푡4.
1
4
Tỷ lệ của các mức độ được xác định:
258
TNU Journal of Science and Technology
226(07): 254 - 261
푡1
푡2
푟 =
푟2 =
1
푇푏푒푔푖푛 − 푇푒푛푑
푡3
푇푏푒푔푖푛 − 푇푒푛푑
푡4
(2)
(3)
푟3 =
푟 =
4
푇푏푒푔푖푛 − 푇푒푛푑
푇푏푒푔푖푛 − 푇푒푛푑
Mức độ tập trung được xác định như sau
Tập trung cao, 푥 = 푟
1
Tập trung thấp, 푥 = 푟2
x = MAX (푟 , 푟2, 푟3, 푟 ) = {
1
4
Hoàn toàn mất tập trung, 푥 = 푟3|푟
4
3.2. Thuật toán đánh giá sự tập trung
Algorithm 1: đánh giá mức độ tập trung của sinh viên
Input: DATA – Video sinh viên tham gia trong lớp học
Output: LIST_STUDENT – Danh sách đánh giá mức độ tập trung của sinh viên
Khởi tạo giá trị mảng lưu thời gian đóng/mở mắt của từng sinh viên: EBD {}
while not at end of DATA do // đọc dữ liệu
frame DATA.get_frame() // trích xuất khung hình
faces detect_face(frame) // phát hiện các khuôn mặt trong khung hình
for face_id in faces
blink_duration detect_blink(face_id, pre_blink) // phát hiện đóng mở mắt
// cập nhật thời gian của các mức độ buồn ngủ khi xảy ra đóng mắt
if 1 ≤ blink_duration < 2 then
퐸퐵퐷푓푎푐푒_푖푑.dg_2 += blink_duration // hơi buồn ngủ
else if 2 ≤ blink_duration < 4 then
퐸퐵퐷푓푎푐푒_푖푑.dg_3 += blink_duration // ngủ gật
else if blink_duration ≥ 4 then
퐸퐵퐷푓푎푐푒_푖푑.dg_4 += blink_duration // cực kỳ buồn ngủ
end if
end for
end while
for each data in EBD
dg_2 푑푎푡푎푓푎푐푒_푖푑.dg_2 // tổng thời gian hơi buồn ngủ
dg_3 푑푎푡푎푓푎푐푒_푖푑.dg_3 // tổng thời gian ngủ gật
dg_4 푑푎푡푎푓푎푐푒_푖푑.dg_4 // tổng thời gian cực kỳ buồn ngủ
dg_1 = TOTAL_TIME_VIDEO – (dg_2 + dg_3 + dg_4) // bình thường
deegree MAX (dg_1, dg_2,
dg_3 + dg_4) // sự tập trung
dựa trên mức độ buồn ngủ cao
nhất
deegree LIST_STUDENT [data.face_id]
end for
*) Độ phức tạp của thuật toán
-
-
-
Chi phí xác định thời gian đóng/mở mắt là T1 = O(n2)
Chi phí xác định sự tập trung là : T2 = O(n)
Vậy tổng chi phí thực hiện là: T = T1+T2 = O(n2)
4. Thử nghiệm
Chúng tôi thực nghiệm kiểm tra các mục tiêu chúng tôi đã đặt ra như: ước lượng mức độ buồn
ngủ dựa trên hành vi đóng/mở mắt và cuối cùng là đánh giá sự tập trung dựa trên mức độ buồn
259
TNU Journal of Science and Technology
226(07): 254 - 261
ngủ. Video quay giờ học của một lớp sinh viên ngành kỹ thuật tại trường Đại học Lạc Hồng, tổng
độ dài của video là 862.64s. Hình 5 là kết quả ước lượng mức độ buồn ngủ dựa trên hành vi đóng
mở/mắt.
(a) trạng thái đóng/mở mắt
(b) ước lượng mức độ buồn ngủ
Hình 5. Kết quả ước lượng mức độ buồn ngủ của sinh viên
Thử nghiệm trong trường hợp này, chúng tôi đánh giá người học với tư thế ngồi, hướng đầu
thẳng và hướng nhìn về phía giáo viên.
Trong đó các chỉ số được hệ thống đo chi tiết từ hình 6 như sau:
▪ Thức giấc/tỉnh táo: 813,99s
▪ Hơi buồn ngủ: 19,22s
▪ Ngủ gật: 9,65s
chiếm 94,36%
chiếm 2,23%
chiếm 1,12%
chiếm 2,29%
▪ Cực kỳ buồn ngủ: 19,78s
Giá trị cao nhất của các mức độ là 94,36% nên dựa vào bảng 3 hệ thống kết luận đối tượng tập
trung cao trong giờ học xem hình 6.
Hình 6. Kết quả đánh giá sự tập trung của sinh viên
5. Kết luận
Đánh giá chất lượng dạy và học luôn là vấn đề đặt ra trong đào tạo. Việc đánh giá chất lượng
giảng dạy, một cách gián tiếp có thể thông qua việc đánh giá sự tập trung của người học, nhờ đó
có thể giúp cho giáo viên có những điều chỉnh hợp lý để tăng hiệu quả giảng dạy của mình.
Trong bài báo này chúng tôi đề xuất một kỹ thuật đánh giá sự tập trung của sinh viên trong
giờ học nhờ ước lượng mức độ buồn ngủ dựa trên trạng thái đóng/mở của mắt. Kỹ thuật đã được
cài đặt thử nghiệm và tỏ ra hiệu quả đối với các lớp học lý thuyết với quy mô trung bình của các
ngành học kỹ thuật, với người học với tư thế ngồi, đầu thẳng và hướng nhìn về phía bục giảng.
260
TNU Journal of Science and Technology
226(07): 254 - 261
Trong các nghiên cứu tiếp theo, các hành vi liên quan đến chuyển động gật, lắc của đầu sẽ được
chúng tôi quan tâm để làm tăng tính chính xác trong việc đánh giá sự tập trung của người học.
TÀI LIỆU THAM KHẢO/ REFERENCES
[1] D. Dinesh, A. Narayanan, and K. Bijlani, "Student analytics for productive teaching/learning,"
International Conference on Information Science (ICIS), Kochi, India, 2016, pp. 97-102.
[2] A. S. Won, J. N. Bailenson, and J. H. Janssen, "Automatic detection of nonverbal behavior predicts
learning in dyadic interactions," IEEE Trans. Affect Comput, vol. 5, no. 2, pp. 112-125, 2014.
[3] P. Goldberg, Ö. Sümer, K. Stürmer, W. Wagner, R. Göllner, P. Gerjets, E. Kasneci, and U. Trautwein,
"Attentive or Not? Toward a Machine Learning Approach to Assessing Students’ Visible Engagement
in Classroom Instruction," Springer, vol. 33, pp. 27-49, 2021.
[4] X. Ma, M. Xu, Y. Dong, and Z. Sun, "Automatic Student Engagement in Online Learning Environment
Based on Neural Turing Machine," International Journal of Information and Education Technology,
vol. 11, no. 3, pp. 107-111, 2021.
[5] T. S. Ashwin and R. M. R. Guddeti, "Unobtrusive Behavioral Analysis of Students in Classroom
Environment Using Non-Verbal Cues," IEEE Access, vol. 7, pp. 1-7, 2019.
[6] N. J. Butko, G. Theocharous, M. Philipose, and J. R. Movellan, "Automated facial affect analysis for
one-on-one tutoring applications," In Automatic Face & Gesture Recognition and Workshops (FG
2011), 2011 IEEE International Conference On, 2011, pp. 382–287.
[7] J. Whitehill, Z. Serpell, Y.-C. Lin, A. Foster, and J. R. Movellan, "The faces of engagement: Automatic
recognition of student engagement from facial expressions," IEEE Trans. Affect. Comput, vol. 5, no. 1,
pp. 86-98, 2014.
[8] R. A. Calvo and S. D’Mello, "Affect detection: An interdisciplinary review of models, methods, and
their applications," IEEE Trans. Affect. Comput, vol. 1, no. 1, pp. 18-37, 2010.
[9] M. Divjak and H. Bischof, "Eye blink based fatigue detection for prevention of computer vision
syndrome," Proceedings of IAPR Conference on Machine Vision Applications (MVA), 2009, pp. 350-
353.
[10] J. Bidwell and H. Fuchs, "Classroom analytics: Measuring student engagement with automated gaze
tracking," BehavRes Methods, 2011.
[11] L. B. Krithika, "Student emotion recognition system (SERS) for e-learning improvement based on
learner concentration metric," Procedia Computer Science, vol. 85, pp. 767-776, 2016.
[12] S. Turabzadeh, H. Meng, R. M. Swash, and M. Pleya, "Facial expression emotion detection for real-
time embedded systems," Technologies, vol. 6, no. 1, p. 17, 2018.
[13] A. Kamath, A. Biswas, and V. Balasubramanian, "A Crowdsourced Approach to Student Engagement
Recognition in E-learning Environments," IEEE Winter Conference on Applications of Computer
Vision (WACV), 2016, pp. 1-9.
[14] P. Sharma, M. Esengönül, S. R. Khanal, T. T. Khanal, V. Filipe, and M. J. C. S. Reis, "Student
Concentration Evaluation Index in an E-learning Context Using Facial Emotion Analysis," Technology
and Innovation in Learning, TECH-EDU, 2018, pp. 529-538.
[15] D. M. Wiegand, J. McClafferty, S. E. McDonald, and R. J. Hanowski, "Development and Evaluation
of a Naturalistic Observer Rating of Drowsiness Protocol," Final Report of the National Surface
Transportation Safety Center for Excellence (NSTSCE), 2009.
261
8 trang
17740
Free
Bạn đang xem tài liệu "Một kỹ thuật đánh giá sự tập trung của sinh viên dựa trên trạng thái đóng/mở của mắt", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- mot_ky_thuat_danh_gia_su_tap_trung_cua_sinh_vien_dua_tren_tr.pdf
