文摘

针对“学习困难”卫生统计的现状,提出了一种基于卷积神经网络视频可视化技术,更新参数通过计算损失函数的梯度获得准确的或近准确的损失函数。把学生从2014年到2017年在河南大学为研究对象,分析了教学视频可视化技术及其应用效果的大学生的健康统计方面的学生课程意识,学习行为,教师和学生之间的交流,知识掌握,当然满意。结果表明,外部模型加载每个显式变量与潜变量之间的差异是显著的。学习行为和教师之间的交流和学生对知识的掌握有直接的影响,以及影响的程度从高到低如下:学习行为和教师和学生之间的沟通。卫生统计的教学效果模型基于视频可视化技术的卷积神经网络具有一定的实用性。

1。介绍

卫生统计是一门科学,应用数理统计的原理和方法研究居民的健康状况和收集、整理,分析数据从卫生服务领域的1,2]。这是一个纪律针对实际应用和医学研究的一个重要工具。随着关注我国科学研究工作,它不仅是预防医学的必修课程,已成为一个受欢迎的学习课程为学生和医务人员等其他医学专业临床医学(3,4]。卫生统计中扮演一个重要的角色在培养科研思维的医学人才5]。

卫生统计是一个主题,它使用的原则和数理统计和概率论的方法收集、整理,分析医疗数据。随着医学研究的发展,为了满足医学研究的需要,在当前医学院校医学统计已经成为必修课程。卫生统计是严谨和抽象的内容,具有较强的逻辑和大量复杂的数学公式和抽象的概念。根据先前的研究,虽然学生有积极的学习态度和强大的卫生统计学习需要,他们认为卫生统计很难学习和应用能力很差。对一些学生来说,很难完全理解正态分布等重要的统计学知识和假设检验6]。他们很难正确区分这两者的不同和标准差和标准误差之间的关系,参考价值区间和置信区间,相关性和回归等。许多学生不能选择恰当的统计方法根据数据的类型(7]。研究生主修卫生统计的调查和流行病学在大学还表明,如何正确选择和使用统计方法是学生面临的最大问题的过程中学习。学生没有一个全面的了解和卫生统计知识的扎实掌握,这将导致不满意统计实践在未来的工作。的原因很难详细研究不仅是难以理解的知识,也难以获得高质量的资源。目前,现有的卫生统计网络资源只是上市和缺乏逻辑和一些学习者很难找到适合自己的学习材料水平(8]。与此形成鲜明对比的是,卫生统计教师积累了大量高质量的教学资源在长期教学;但受限于面对面教学的教学方法,这些内容只是用于类或在大学和高质量的资源没有有效地提升和充分利用9,10]。

此外,作为一个重要的应用学科,卫生统计需要形成一个系统的和高质量的知识体系,所以医务人员根据工作需要可以快速获取相应的知识。因此,迫切需要构建一个智能学习工具的卫生统计通过视频可视化技术密切结合卫生统计的主题特征,从而达到以下效果:帮助学习者独立学习卫生统计知识分散时间和改善他们的健康统计方法的实际应用能力。

部分2介绍了视频可视化技术及其相关的教学研究现状对大学生健康统计。节3建设视频可视化的关键技术基于卷积神经网络进行了研究。部分4本文的研究对象和研究方法。部分5结果和讨论,部分6包含的结论。

2。相关工作

互联网的迅速普及和教育信息化的加速推广,在线教育的规模迅速扩大,预计将促进教育公平和提高学习的质量11]。然而,常见的传统在线教育是将离线在线课堂,为学生提供均匀和模板学习资源有不同的特点,这也削弱了学生学习过程中的交互,导致一个不令人满意的学习完成率和学习满意度。

近年来,“以学生为中心”教育的概念已被广泛接受,从“教”到“学习”,从教育者学习者,从终身教育和终身学习。但这种变化提出了全新的挑战和要求的学习方式(12]。”与此同时,正如世界上没有两片完全相同的树叶,“每个学生的知识水平和学习态度是不同的,他们认为知识难度也会不同。如果我们对待所有学习者只有在“一刀切”的模式,并为他们提供相同的学习指导和帮助,这可能会导致学习者有较高的研究能力感到无聊,因为小研究挑战,而学习者的学习能力很低没有帮助感到困惑,导致学习参与度较低。要解决这些问题,有必要根据学习者的实际需要提供帮助13,14),也就是说,提供个性化的帮助和指导。在此背景下,视频可视化技术系统应运而生。视频可视化技术致力于理解学习者的个性化特征通过学生教育数据的挖掘,将学习资源来满足个性化学习的需要,打破传统的团队学习结构。专业报道“2017地平线报告(基础教育版)”和“2018”地平线报告(高等教育版)指出,视频可视化技术中扮演着重要角色在促进网络教育的发展,帮助实现高效的和有意义的个性化学习。

视频可视化技术系统是为学习者提供适当的学习活动和最好的视频可视化系统根据自己的学习特点等知识和技能水平和学习风格。通过学习过程的实时分析,不断修正和改进,实现个性化学习。视频可视化技术作为支持系统需要一个强大的知识模型。从卫生统计的知识特点,卫生统计有很强的逻辑和清晰的知识在每一章的关系,这有利于知识的建设模型,这是知识可视化的基础推动[15- - - - - -17]。有些学者探索知识模型和学习系统的建设以数学和数学科目,如高中数学(18),微积分(19),和高中物理20.)作为研究对象,这对这项研究有参考价值。

无线通信技术的快速发展,视频可视化技术已成为一个美丽的风景在大学卫生统计。“视频可视化技术的通信方式+大学教育”促进了卫生统计的方式沟通。“帮助时尚nonlegacy文化的交流。据调查,如果学生可以通过课外资源解决卫生统计的问题,这将是很大的帮助,提高学习效果。我们可以总结和提取卫生统计的要点,进行视觉显示困难的知识,分析至关重要的情况下,区分不同材料的概念和分类,建立一个多元化、多层次、系统化的知识体系根据学习者的程度对卫生统计的需求。它有利于巩固学生的卫生统计的基本知识,提高学生的实际应用能力的统计方法。特别是在“互联网+”,这是一个非常积极的尝试应用“视频可视化技术+平台教育”卫生统计。本研究希望利用信息技术分享优秀的学习资源,促进卫生统计通过视频可视化技术软件。

因此,是否匹配使用的视频可视化技术系统具有积极的影响对学生,教师,以及教师和学生之间的互动,如何正确使用无线网络通信技术在企业,以及如何提高大学生的健康统计教学质量都是值得探索和研究的问题。

3所示。分析视频可视化的关键技术基于卷积神经网络

通过学习和培训的内在性质和表示样本数据的特点,神经网络获得重要信息如语音、文字、图像,说明函数,这机器与人类相同的分析和学习能力,并能进行活动,如语音和文字识别和目标检测。目前,神经网络在语音和图像识别取得了明显的成效21,22]。

如果神经网络结构被认为是一个网络,其核心思想如下:(1)每一层的网络使用无监督学习(2)一个无监督学习只有火车一层的网络,其培训结果作为输入的更高的层(3)所有网络层可以调节监督学习

在神经网络中,常见的网络和良好的性能包括AlexNet、VGGNet, ResNet SqueezelNet, DarkNet。本文之所以选择使用神经网络来使用其强大的学习和训练函数分析剪机场视频图像包括视觉特征,如颜色、纹理、形状、和统计特性,并结合实时可见性数据实现机场能见度的检测。然而,随着用户需求的增加和计算机技术的发展,高成本的缺点和大量的计算工作负载一般神经网络正变得越来越突出。此外,本文的处理对象主要是图像。如果没有卷积操作在深层神经网络模型中,学习参数的数量将灾难性的爆炸。

3.1。卷积神经网络的性质

卷积神经网络由一个或多个的卷积和整个顶部的层(层的连接 卷积作为最终输出)组成的前馈神经网络组成的偏相关的神经元隐层的局部小区域可以作为潜在的输入数据,使网络具有的特点,本土意识,并且可以获得边缘信息(23- - - - - -25]。此外,网络共享相同的卷积内核通过重量在所有图片共享和保留了原始位置的关系。与此同时,网络自动列车和多次提取每一层的特点,这样网络才能充分探索地方特色的形象而有效地限制参数的数量,防止过度拟合(26]。

无论什么样的卷积神经网络,必须有五层的输入,卷积,激活,池和完全连接的结构,如图1。和每一层都有一个特定的角色27,28]。其中,输入层可以输入数据在三维尺寸。摘要机场图像数据处理属于3 d,因为一般彩色图像包含R, G, B通道。

一般来说,与相同级别的模型精度,结构越小,越的优势有:①较小的通信需求,②更少的参数和数据,和③容易被应用在设备内存有限,如现场可编程门阵列(FPGA)。轻量级卷积神经网络(LCNN)可以大大减少操作参数,提高计算效率保持性能不变的情况下改变卷积后模式。目前,常见的轻量级卷积神经网络模型包括SqueezeNet、MobileNet ShuffleNet, Xception。

3.2。卷积神经网络的结构

3.2.1之上。分析卷积的层结构

卷积操作是最关键的技术在卷积神经网络的结构。通过该操作,输入信号的卷积层可以提取各种特征。例如,浅卷积层可以获得目标的低阶特征,而深褶积层可以提取目标的高阶特性。卷积操作通过一系列的固定大小的卷积核和执行滑动和内积操作的输入信号卷积层根据设置步长,从而导致一个全新的功能映射。卷积层是网络的核心,而特征提取是在翻译的过程中实现原始图像。它由许多过滤器,包括大小和深度。通常有古怪窗口等 , ,和 ,和深度是卷积核的数量(29日,30.]。具体操作过程如图2。

在特定的卷积操作中,有两种情况:第一种是如图2。由于卷积核窗口和滑动步长,地图生成的特性是与输入信号的大小不一致。第二种方法可以使输出特征映射保持相同的大小作为输入信号通过填写0在输入信号的边界。

卷积运算后,通常采用非线性激活函数。主要原因是非线性因素的引入可以使网络不再只是一个的输出输入但可以近似任何复杂函数的线性组合,有效提高网络学习复杂事物的能力(31日- - - - - -33]。目前,常用的非线性激活函数包括饱和非线性函数s形的, ,等和不饱和非线性函数ReLU等等,显示如下:

上面的激活函数的主要区别在于,不饱和非线性函数可以有效地避免消失的问题网络中的梯度或爆炸,因为没有饱和饱和非线性函数平滑区域,所以网络可以更快地收敛和稳定。总之,操作由卷积层可以描述如下:

和卷积的输入和输出层,分别是非线性激活函数,和分别代表卷积核的重量和偏见。这个符号的是数学运算的基本符号,代表了张量积。这可以应用在不同的上下文中如向量,矩阵,张量,向量空间,代数拓扑向量空间,和模块。这个标志的意思是相同的在所有情况下:最一般双线性操作,也称为外部产品在某些情况下。

3.2.2。汇聚层的结构分析

池层通常是连接在系列卷积层,本质上是将采样操作,主要目的是使功能有一定的空间不变性。目前,常用的池操作包括最大池和平均池,通过计算获得结果的最大值和平均值的地方,分别。最大池可以保留在当地最重要的特征信息(34),特别是非常稀疏的特性。计算过程如图3。平均池可以总结当地的整体空间信息。

池过程的输入图像,池核大小根据池移动一步。常见的池方法包括池平均和最大池。最大值是用来代表当地最大的池,使得图像的整体特征更为重要。平均池方法使用平均值代表当地的区域,这使得整个图像的特征信息流畅。当训练模型,池层可以帮助网络关注学习图像的像素特征,有助于提高网络的泛化和鲁棒性,并避免网络的过度拟合。

3.2.3。批处理标准化的分析

随着网络变得越来越深,会有一个非常明显的梯度扩散的问题,这将改变输入信号的分布,影响网络的学习能力和性能。为了有效地解决这个问题,萨班吉等人提出克服内部协变量弥补问题和主要流程可以分为以下两个步骤(35- - - - - -39]。(1)计算输入信号的均值和方差数据标准化处理,计算表达式如下: 在哪里和代表输入信号的均值和方差,分别是一个常数,确保数值稳定(2)一个线性变换用于恢复规范化数据,及其计算表达式如下所示: 在哪里和代表可学的两个网络参数。

BN有许多优点:(1)它允许我们使用更高的学习速率来提高网络的训练速度没有梯度的风险分散,(2)没有必要考虑网络参数的初始化太多,这减少了梯度依赖参数,(3)辍学操作可以从网络中删除在某些情况下,(4)它减少了风险,网络将会进入饱和状态时,饱和非线性激活函数,和(5),它有效地提高了网络的泛化能力。

3.3。损失函数和参数学习

目前,通过卷积神经网络参数学习方法都是基于梯度下降算法,这是一个算法,更新参数通过计算损失函数的梯度。具体过程如下所示(40- - - - - -42]:(步骤1)正向传播过程

假设输入信号和输出值的输入层 ,然后,随后的相应输出层( )可以计算如下: 在哪里和每一层的相应参数,也就是说,网络参数更新,然后呢是激活函数通过每一层的网络。(步骤2)计算输出层的误差

根据定义,输出层错误可以计算如下: 在哪里损失函数是通过网络。为了建立一个连接并激活价值的输出层 ,方程(7)简化为(8根据链式法则)。

因为,当 , ,方程(8)简化为以下:

根据方程(6),最后得到输出层的误差计算公式如下: (步骤3)误差反向传播

同样,在其他层的计算表达式错误除了输出层如下:

为了建立一个关系,输出层的误差,方程(12)可以通过使用规则链导数方程(11)。

根据计算表达式(13相邻层之间的网络,计算表达式(14)所有层错误除了可以得到输出层。 (步骤4)更新参数

由于网络的主要目的是来更新参数和在每一层,参数更新值的表达式可以推导出方程(15)利用误差反向传播的各层。

最后,参数更新根据梯度下降算法的规则和公式如下:

损失函数的语义分割算法广泛应用于目标包括均方误差和叉。均方误差反映了预测结果之间的区别和标签数据在每个像素,所示(17)。

这个函数是用于反向传播时,其参数更新表达式如下:

它可以发现,上述参数更新是密切相关的 。如果激活函数是乙状结肠,它将出现在网络训练一段和神经元的输出方法1 (43,44]。当接近0,它将导致网络参数更新缓慢,不利于整体网络的学习过程。为了解决这个问题,越来越多的网络的均方误差和采用叉叉的表达显示如下:

同样,其参数更新值的表达式可以推导如下:

在这种情况下,参数更新有关网络输出和标签之间的误差。误差越大,更新速度将会越快,它不会受到激活函数,可以避免造成的问题在均方误差较小的梯度。

4所示。对象和方法

4.1。受访者

从2014年到2017年,在中国河南省的一所大学的学生被选为研究对象。侦探接受统一的培训进行了问卷调查以匿名方式受试者在课外时间学习卫生统计,通过实际调查和访谈,从2021年12月到2022年4月。在问卷平台上,我们进行了随机问卷调查的视频可视化技术在教学中的应用的卫生统计大学生电子问卷的形式。总共402份问卷发放,366年恢复,回收率为91.04%。360年问卷有效,有效率为98.36%。收集到的360份问卷有效这一次被随机分为两组,一组数据(180张)是用于建立模型,和另一组数据(180张)被用来评估模型,探讨影响因素。在这个模型中使用的180个随机样本评价和影响因素分析,如图4,有74名男生和104名女生,2人失踪。2014年有31个学生在课堂上,班上41 2015 63 2016年类,45 2017年类。平均年龄为( )年。同意的学生之前获得的问卷调查。

4.2。研究工具

调查问卷是由文学和采访中,设计和presurvey之前进行正式调查。调查问卷包括19个项目从5维度包括课程意识(3观察变量,A1 ~ A3),学习行为(4观察变量,B1 ~ B4),师生交流(5观察变量,C1 ~ C5),知识掌握(4观察变量,D1 ~ D4),和课程的满意度(3个观测变量,E1 ~ E3)。每一项得分在里氏5级量表,分数从1到5表示“强烈不同意”到“强烈同意。卫生统计“的教学模式,建立了根据问卷的维度和项目,如图5。证明该模型具有良好的可靠性、有效性、解释能力。

4.3。统计方法

使用Epidata3.1建立了数据库,数据输入,两个人,两个地方。SPSS21.0用于数据整理和调查对象的基本情况的描述。SmartPLS3.1.2软件由Ringle等人在德国汉堡大学的用于PLS-SEM模型建设、模型评价和影响因素分析。

5。结果与讨论

5.1。每个潜变量得分的分析

为方便比较和查看,每个潜变量的总分由0 ~ 100线性转换。线性变换后,每个潜变量的平均分数如下:课程认知( )。学习行为的得分 ,老师和学生之间的沟通 ,和知识的掌握 );课程满意度的得分 。

5.2。模型结构分析

结果如表所示1和数字6- - - - - -8。克伦巴赫的五个潜在变量的值在图6范围从0.705到0.864,CR值范围从0.828到0.904,大于0.7。AVE值范围从0.551到0.759,大于0.5,和的平方根AVE高于每个潜变量的相关系数。在图7外部模型加载值的显式变量和潜变量显示显著差异( )。每个潜变量的路径系数图8也具有统计学意义( ),表明该模型成立。

5.3。分析影响因素

路径分析的结果可以直接反映每个潜变量的影响的方向和程度上掌握知识和课程满意度。如数据所示8和9,可以看出,所有潜在的变量有积极影响的知识掌握和课程满意度。潜变量的影响程度从大到小是掌握如下知识:学习行为(路径 , ),老师和学生之间的交流程度(路径 , )。每个潜变量对课程满意度的影响程度从大到小是如下:师生沟通程度(路径 , ),课程意识程度(路径 , ),和知识掌握程度(路径 , )。

5.4。直接和间接影响的分析

表2列出了直接和间接影响,总效应值显式变量对学习行为、师生交流、知识掌握,教学的满意度。差异的直接、间接和总每个预测变量对因变量的影响具有统计学意义( )(45]。课程学习的认知可以解释23.4%变异行为。课程认知和学习行为的变化可以解释31.4%的教师和学生之间的交流。课程认知、学习行为,教师和学生之间的交流可以解释58.3%变异知识的掌握。课程意识、学习行为、教师和学生之间的交流,知识掌握的变异可以解释教学满意度36.9%。

5.5。应用效果分析

如数据所示8和9,结果表明,课程意识,学习行为,教师和学生之间的沟通解释知识掌握58.3%的变化。学习行为和教师之间的交流和学生对知识掌握有直接影响,而对知识掌握课程意识有间接影响,两者都是积极的。根据每个潜变量的分数,100分,线性变换后的每个潜变量的得分(90.33 - 10.339)分课程认知。这些学习行为(70.22 - 13.094),教师和学生之间的沟通(54.71 - 14.875),(65.44 - 12.510)分有谋略和知识。总分的结果表明,学生的认知过程的卫生统计高,说明学生很好地理解这门课程的重要性。然而,许多学生的学习行为、教师和学生之间的交流和知识的掌握很低,这表明学生不够活跃在卫生统计的研究,缺乏师生之间的沟通,导致学习效果不佳。直接潜变量之间的影响的知识掌握,学习行为的路径系数最高,为0.442,表明它对知识掌握有最大的影响。其次,教师和学生之间的沟通,其路径系数略低于学习行为,是0.422,这表明教师和学生之间的沟通程度对知识的掌握也有很大的影响。

因此,为了改善卫生统计的知识,学生应该充分发挥主观能动性,努力提高自己的学习行为。作为一名教师,我们应该与学生互动和交流在教学过程中及时解答学生的困惑的过程中学习卫生统计。同时,教师应鼓励和引导学生参与各种科学研究主题,从而达到热身的目的过去和学习新事物和应用他们所学到的。学校、学院等应继续做好工作的指导,增强学生强调这个问题,和正确的学习态度。路径分析的结果还表明,学生的主体意识,教师和学生之间的沟通,和知识的掌握对课程的满意度有直接的正面影响,而学习行为对课程的满意度有间接的积极影响。然而,四个潜在变量只能解释36.9%的变异当然满意度和总体平均分数当然满意是(80.22 - 12.663)线性变换后的100点,这表明课程满意度也极大地受到其他未知的潜在变量的影响,并进一步研究是必要的。

6。结论

基于卷积神经网络的视频可视化技术,本文对教学模式的卫生统计和分析了影响知识掌握和教学满意度的因素,以提高卫生统计的教学方法。本文了以下结论:(1)克伦巴赫的和模型中的五个潜在变量的值都大于0.7;AVE值都大于0.5。AVE的平方根是高于每个潜变量的相关系数。外部模式的差异负载显式变量和潜变量之间是统计学意义( )。所有潜在变量的路径系数在统计上的不同( )(2)学习行为和教师之间的交流和学生对知识的掌握有直接的影响,而影响的顺序如下:学习行为(路径 , )和老师和学生之间的沟通(路径 , )。话题识别、师生交流,知识掌握课程满意度有直接的积极影响,并影响的顺序如下:师生沟通(路径 , ),课程认可(路径 , ),和知识的掌握(路径 , )(3)学习行为和教师和学生之间的交流,教学效果的卫生统计模型基于视频可视化技术的卷积神经网络具有一定的实用性

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作得到了国家自然科学基金(批准号。U1636107和61972297),河南省的科技项目(中国)(批准号。182102210215,182102210215,212102210538),河南省软科学项目(中国)(批准号182400410482),河南大学的研究生教育创新和质量改进项目(没有。SYL20040121)。