技术领域
[0001] 本发明涉及教育系统，特别涉及智能化辅助系统，具体的，是一种学生异常行为监控系统。
相关背景技术
[0002] 学生异常行为预警可利用视频监控技术，对学生在学校内的行为进行分析，并及时发现和预警学生异常行为；可以帮助学校和家长及时发现学生的问题，并提供必要的帮助，以防止学生出现更严重的行为问题。
[0003] 因此，需要提供一种学生异常行为监控系统来实现上述目的。
具体实施方式
[0024] 实施例：
[0025] 参阅图1，本实施例展示一种学生异常行为监控系统，包括：
[0026] 视频监控采集模块10：采集学生在学校内的视频数据；
[0027] 算法中心模块20：通过数据预处理、特征提取、模型训练三个阶段针对多种场景下的异常行为进行训练；
[0028] 预警分析模块30：负责将训练好的模型应用于的监控数据，以对学生作息时间、课间状态、行动轨迹异常的行为进行预警分析，并对异常行为进行分级处理，分为一级严重、二级警告、三级普通；
[0029] 数据分析模块45：使用学生的历史行为数据来预测学生未来的行为，通过回归分析、因子分析、聚类分析分析手段回溯学生发生异常行为的原因；
[0030] 异常模型50：包括作息时间异常、课间状态异常、校园轨迹异常。
[0031] 算法中心20包括：
[0032] 数据预处理模块21：对采集到的视频数据进行预处理，包括数据清洗、数据转换和数据归一化；
[0033] 特征提取模块22：负责从预处理后的数据中提取与学生异常行为相关的特征，如，可以提取学生在河边行走、前往天台的频率、持续时间特征；
[0034] 模型训练模块23：基于神经网络的机器学习模型，通过使用提取的特征数据，可以学习学生的行为模式，并预测学生未来的行为，检测学生异常行为，如自残倾向、暴力倾向。
[0035] 预警分析模块30对应一级预警必要当天给予调查核实，给予一定的干预措施，并形成处理结果、记录原因，反馈结果给到模型辅助进行更精准的计算。
[0036] 数据分析模块45统计高频问题，归纳其发生的原因，并通过神经网络模型预测感知学生未来异常行为的可能性，辅助学校科学决策提前干预，及时避免更大的问题产生。
[0037] 视频监控采集模块10使用固定摄像头或移动摄像头来采集视频数据。
[0038] 作息时间异常，通过视频监控分析学生的上课考勤时间、自修时间、宿舍就寝情况分析学生的作息时间是否正常，通过大数据模型与普遍正常作息时间对比的方法，对一段时间内作息时间异常的学生作预警。
[0039] 课间状态异常，在课间表现出异常的兴奋状态，难以控制自己的情绪或行为，甚至会与同学发生争吵、打斗或其他形式的冲突，在课间状态异常时变得沉默寡言，避免与他人交流或参与社交活动，选择独自待在一边，在课间出现身体不适的症状，如头痛、胃痛、乏力，通过对课间视频数据的采集，结合神经网络智能分析模型及时发现学生的异常情况，及时预警，避免发生更严重的问题。
[0040] 校园轨迹异常，在某时间出现在不该出现的地方，或在该出现的地方不出现的时候作出预警，使用门禁记录、WIFI定位、考勤记录数据，对诸如学生深夜出现在教学楼、学生长期不在宿舍情况作预警。
[0041] 与现有技术相比，本发明实时性强：本系统可以实时地对学生的行为进行分析，并及时发现和预警学生异常行为；使用机器学习模型来预测学生是否具有异常行为，准确率高；能够在各种各样的条件下正常工作，而不容易受到干扰或崩溃；可以很容易地扩展到更大的规模，以满足更多学校的需求。
[0042] 以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
