目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,...目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,导致对小鼠行为差异观测的精度较低且缺乏量化评价指标。为此,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)的旷场实验视频分类方法,可基于量化特征对两组小鼠的行为差异自动分类。方法从视频空域和时域中提取22维的小鼠运动行为特征,经过量化后生成特征矩阵,进而以矩阵拼接方式构造可学习的行为特征矩阵样本,利用不同结构卷积神经网络对提取的行为特征矩阵样本进行训练和分类,并分析网络结构对分类结果的影响,在实现两组小鼠分类的基础上,对不同维度小鼠行为特征对分类精度的重要性进行评价。结果在真实旷场实验数据集上的实验分析表明,本文算法的分类准确率为99.25%。此外,由实验结果分析发现小鼠的大角度转向频次、停留区域与时间对小鼠分类的重要性高于其他维度特征。结论提出的特征拼接矩阵学习方法能够准确识别两组小鼠旷场实验视频的差异,本文方法的分类准确率明显优于现有人工分析及经典机器学习方法。展开更多
知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural N...知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural Network,HG-TCKT),将知识追踪任务重述为基于异构图神经网络的时序边分类问题.具体来说,首先将学习记录构建成包含3种节点类型(学生,习题和技能),2种边类型(学生-习题和习题-技能)的异构图数据,异构图描述了学生交互记录中实体类型之间的丰富关系,使用异构图神经网络缓解交互稀疏的问题,引入异构互注意力机制捕捉不同类型节点间的交互关系,提取不同类型节点的高阶特征.将学生节点和习题节点表征拼接,构造边(学生-习题)的表征.最后,使用时间卷积网络捕捉学生历史交互序列的时序依赖关系从而进行预测.在2个真实教育数据集进行实验证明,HG-TCKT相比当前主流知识追踪方法有更好的预测效果.展开更多
文摘目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,导致对小鼠行为差异观测的精度较低且缺乏量化评价指标。为此,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)的旷场实验视频分类方法,可基于量化特征对两组小鼠的行为差异自动分类。方法从视频空域和时域中提取22维的小鼠运动行为特征,经过量化后生成特征矩阵,进而以矩阵拼接方式构造可学习的行为特征矩阵样本,利用不同结构卷积神经网络对提取的行为特征矩阵样本进行训练和分类,并分析网络结构对分类结果的影响,在实现两组小鼠分类的基础上,对不同维度小鼠行为特征对分类精度的重要性进行评价。结果在真实旷场实验数据集上的实验分析表明,本文算法的分类准确率为99.25%。此外,由实验结果分析发现小鼠的大角度转向频次、停留区域与时间对小鼠分类的重要性高于其他维度特征。结论提出的特征拼接矩阵学习方法能够准确识别两组小鼠旷场实验视频的差异,本文方法的分类准确率明显优于现有人工分析及经典机器学习方法。
文摘知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural Network,HG-TCKT),将知识追踪任务重述为基于异构图神经网络的时序边分类问题.具体来说,首先将学习记录构建成包含3种节点类型(学生,习题和技能),2种边类型(学生-习题和习题-技能)的异构图数据,异构图描述了学生交互记录中实体类型之间的丰富关系,使用异构图神经网络缓解交互稀疏的问题,引入异构互注意力机制捕捉不同类型节点间的交互关系,提取不同类型节点的高阶特征.将学生节点和习题节点表征拼接,构造边(学生-习题)的表征.最后,使用时间卷积网络捕捉学生历史交互序列的时序依赖关系从而进行预测.在2个真实教育数据集进行实验证明,HG-TCKT相比当前主流知识追踪方法有更好的预测效果.
