Resumen

La comunicación en el aula implica el comportamiento del profesor y las respuestas de los alumnos. Se han realizado numerosas investigaciones sobre el análisis de las expresiones faciales de los alumnos, pero el impacto de las expresiones faciales del profesor es un área de investigación aún inexplorada. El reconocimiento de las expresiones faciales tiene el potencial de predecir el impacto de las emociones del profesor en el entorno del aula. La evaluación inteligente del comportamiento del profesor durante la impartición de la clase no sólo podría mejorar el entorno de aprendizaje, sino también ahorrar tiempo y recursos utilizados en las estrategias de evaluación manual. Para abordar el problema de la evaluación manual, proponemos un enfoque de reconocimiento de la expresión facial del instructor dentro de un aula utilizando un modelo de aprendizaje feedforward. En primer lugar, se detecta la cara a partir de los vídeos de conferencias adquiridos y se seleccionan los fotogramas clave, descartando todos los fotogramas redundantes para la extracción efectiva de características de alto nivel. A continuación, se extraen las características profundas mediante redes neuronales de convolución múltiples junto con el ajuste de los parámetros, que luego se alimentan a un clasificador. Para un aprendizaje rápido y una buena generalización del algoritmo, se emplea un clasificador de máquina de aprendizaje extremo regularizado (RELM) que clasifica cinco expresiones diferentes del instructor dentro del aula. Se realizan experimentos con un conjunto de datos de expresiones faciales del instructor en entornos de aula de nueva creación, además de tres conjuntos de datos faciales de referencia, a saber, Cohn-Kanade, el conjunto de datos de expresiones faciales femeninas japonesas (JAFFE) y el conjunto de datos de reconocimiento de expresiones faciales 2013 (FER2013). Además, el método propuesto se compara con las técnicas más avanzadas, los clasificadores tradicionales y los modelos neuronales convolucionales. Los resultados de la experimentación indican un aumento significativo del rendimiento en parámetros como la precisión, la puntuación F1 y la recuperación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:reconocimiento de la expresión facial, expresión facial, entorno del aula, aumento significativo del rendimiento, expresión facial femenina, impacto de los profesores, modelo de aprendizaje feedforward, impacto del instructor, extracción de características de nivel, vídeo de conferencia adquirido
• Keywords:facial expression recognition, facial expression, classroom environment, significant performance gain, female facial expression, impact of teachers, feedforward learning model, impact of instructor, level features extraction, acquired lecture video