本發(fā)明實(shí)施例涉及數(shù)據(jù)處理，尤其涉及一種上機(jī)考試的考生考場(chǎng)異常行為分析方法和系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代教育和考試系統(tǒng)中，上機(jī)考試已成為一種常見的考試形式。為了確?？荚嚨墓叫院凸裕瑢?duì)考生在考試過程中的行為進(jìn)行監(jiān)控和分析變得尤為重要。

2、傳統(tǒng)監(jiān)考方式主要依靠人工和攝像頭進(jìn)行監(jiān)考，現(xiàn)有方案通過人工巡邏進(jìn)行監(jiān)考，難以覆蓋所有考生的行為，容易遺漏作弊行為；現(xiàn)有方案通過使用圖像分析技術(shù)分析攝像頭捕獲的考場(chǎng)視頻，識(shí)別考生異常行為，該技術(shù)僅依賴面部表情和身體姿態(tài)信息，缺乏對(duì)其他行為數(shù)據(jù)的綜合分析，導(dǎo)致識(shí)別準(zhǔn)確率較低；考生的自然動(dòng)作可能導(dǎo)致誤報(bào)和漏報(bào)，影響識(shí)別的可靠性和實(shí)用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種上機(jī)考試的考生考場(chǎng)異常行為分析方法和系統(tǒng)，用以解決現(xiàn)有技術(shù)中難以覆蓋所有考生的行為，容易遺漏作弊行為、考生作弊行為識(shí)別準(zhǔn)確率較、可靠性以及實(shí)用性低的問題。

2、第一方面，本發(fā)明實(shí)施例提供一種上機(jī)考試的考生考場(chǎng)異常行為分析方法，包括：

3、從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識(shí)別算法分析鍵盤敲擊頻率和鼠標(biāo)移動(dòng)軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；

4、應(yīng)用基于長短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)算法，并結(jié)合注意力機(jī)制優(yōu)化模型，對(duì)所述綜合行為特征集中的時(shí)間維度上的行為模式進(jìn)行分析，得到異常行為信息；

5、通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場(chǎng)環(huán)境圖，通過分析所述異常行為信息，來識(shí)別協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識(shí)別結(jié)果動(dòng)態(tài)調(diào)整檢測(cè)策略，得到目標(biāo)檢測(cè)策略；

6、采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及所述目標(biāo)檢測(cè)策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計(jì)算后得到綜合評(píng)分，并基于所述綜合評(píng)分生成異常行為判定報(bào)告。

7、可選地，所述通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場(chǎng)環(huán)境圖，通過分析所述異常行為信息，來識(shí)別協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識(shí)別結(jié)果動(dòng)態(tài)調(diào)整檢測(cè)策略，得到目標(biāo)檢測(cè)策略，包括：

8、獲取考生座位布局和考試期間的考場(chǎng)視頻資料，得到考場(chǎng)資料信息，基于所述考場(chǎng)資料信息，利用圖神經(jīng)網(wǎng)絡(luò)算法構(gòu)建初始考場(chǎng)環(huán)境圖，其中每個(gè)節(jié)點(diǎn)代表一個(gè)考生，邊表示考生間的相對(duì)位置關(guān)系及考生實(shí)際互動(dòng)程度，動(dòng)態(tài)更新邊的權(quán)重，得到目標(biāo)考場(chǎng)環(huán)境圖；

9、基于所述目標(biāo)考場(chǎng)環(huán)境圖，分析所述異常行為信息，識(shí)別出協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，在所述強(qiáng)化學(xué)習(xí)框架中集成自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制，根據(jù)考場(chǎng)環(huán)境的變化調(diào)節(jié)學(xué)習(xí)速率，得到優(yōu)化后的協(xié)同作弊識(shí)別模型；

10、基于所述優(yōu)化后的協(xié)同作弊識(shí)別模型，動(dòng)態(tài)調(diào)整檢測(cè)策略，檢測(cè)策略包括：對(duì)歷史記錄中作弊風(fēng)險(xiǎn)高于預(yù)設(shè)閾值的區(qū)域和考生增加監(jiān)控力度，縮短異常行為檢測(cè)的時(shí)間間隔，對(duì)歷史記錄中作弊風(fēng)險(xiǎn)低于預(yù)設(shè)閾值的考生降低監(jiān)控頻率，得到目標(biāo)檢測(cè)策略。

11、可選地，所述基于所述目標(biāo)考場(chǎng)環(huán)境圖，分析所述異常行為信息，識(shí)別出協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，在所述強(qiáng)化學(xué)習(xí)框架中集成自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制，根據(jù)考場(chǎng)環(huán)境的變化調(diào)節(jié)學(xué)習(xí)速率，得到優(yōu)化后的協(xié)同作弊識(shí)別模型，包括：

12、應(yīng)用社區(qū)檢測(cè)算法來識(shí)別考生之間的緊密聯(lián)系群體，得到協(xié)同作弊群體候選列表；

13、基于所述協(xié)同作弊群體候選列表，采用孤立森林檢測(cè)算法進(jìn)行篩選，確定行為模式存在異常的群體，以定位協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果；

14、基于所述協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，集成自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制，使模型能夠根據(jù)考場(chǎng)環(huán)境變化動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)速率，得到待優(yōu)化的協(xié)同作弊識(shí)別模型，所述考場(chǎng)環(huán)境變化包括考試時(shí)間段和考場(chǎng)內(nèi)考生分布密度；

15、將歷史考試中積累的作弊行為數(shù)據(jù)作為先驗(yàn)知識(shí)庫，應(yīng)用遷移學(xué)習(xí)技術(shù)，訓(xùn)練所述待優(yōu)化的協(xié)同作弊識(shí)別模型，得到優(yōu)化后的協(xié)同作弊識(shí)別模型。

16、可選地，所述將歷史考試中積累的作弊行為數(shù)據(jù)作為先驗(yàn)知識(shí)庫，應(yīng)用遷移學(xué)習(xí)技術(shù)，訓(xùn)練所述待優(yōu)化的協(xié)同作弊識(shí)別模型，得到優(yōu)化后的協(xié)同作弊識(shí)別模型，包括：

17、收集歷史考試中積累的作弊行為數(shù)據(jù)，得到先驗(yàn)知識(shí)庫，所述作弊行為數(shù)據(jù)包括已確認(rèn)的作弊案例、疑似作弊行為記錄及相關(guān)環(huán)境信息；

18、將所述先驗(yàn)知識(shí)庫作為遷移學(xué)習(xí)的源域數(shù)據(jù)，利用領(lǐng)域?qū)褂?xùn)練技術(shù)初步訓(xùn)練所述待優(yōu)化的協(xié)同作弊識(shí)別模型，以優(yōu)化所述待優(yōu)化的協(xié)同作弊識(shí)別模型的關(guān)鍵特征提取性能，得到優(yōu)化中的協(xié)同作弊識(shí)別模型；

19、應(yīng)用微調(diào)技術(shù)和所述先驗(yàn)知識(shí)庫對(duì)所述優(yōu)化中的協(xié)同作弊識(shí)別模型進(jìn)行二次訓(xùn)練，以加速所述優(yōu)化中的協(xié)同作弊識(shí)別模型的收斂過程，在二次訓(xùn)練過程中引入正則化技術(shù)以防止所述優(yōu)化中的協(xié)同作弊識(shí)別模型過擬合，訓(xùn)練結(jié)束得到優(yōu)化后的協(xié)同作弊識(shí)別模型。

20、可選地，所述采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及所述目標(biāo)檢測(cè)策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計(jì)算后得到綜合評(píng)分，并基于所述綜合評(píng)分生成異常行為判定報(bào)告，包括：

21、采用極端梯度提升學(xué)習(xí)算法對(duì)所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及目標(biāo)檢測(cè)策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，得到初始綜合評(píng)估結(jié)果；

22、基于所述初始綜合評(píng)估結(jié)果，利用極端梯度提升學(xué)習(xí)算法的特征重要性評(píng)估功能，調(diào)整所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及目標(biāo)檢測(cè)策略的權(quán)重系數(shù)，并引入shapley值方法，量化每個(gè)信息的貢獻(xiàn)，得到優(yōu)化綜合評(píng)估結(jié)果；

23、構(gòu)建初始極端梯度提升學(xué)習(xí)模型，將所述優(yōu)化綜合評(píng)估結(jié)果輸入所述初始極端梯度提升學(xué)習(xí)模型，并引入交叉驗(yàn)證方法和貝葉斯優(yōu)化技術(shù)進(jìn)行訓(xùn)練，得到優(yōu)化極端梯度提升學(xué)習(xí)模型；

24、采用所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型分別對(duì)作弊行為數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到多個(gè)原始預(yù)測(cè)結(jié)果，利用集成學(xué)習(xí)方法，集成所述多個(gè)原始預(yù)測(cè)結(jié)果，得到融合預(yù)測(cè)結(jié)果，基于所述融合預(yù)測(cè)結(jié)果訓(xùn)練初始化評(píng)分模型，得到初步綜合評(píng)分模型，在所述初步綜合評(píng)分模型中引入自適應(yīng)加權(quán)融合方法，根據(jù)所述初步綜合評(píng)分模型在不同子集上的表現(xiàn)動(dòng)態(tài)調(diào)整各模型的權(quán)重，得到優(yōu)化綜合評(píng)分模型，所述多種學(xué)習(xí)模型包括隨機(jī)森林和支持向量機(jī)；

25、基于所述優(yōu)化綜合評(píng)分模型計(jì)算得到綜合評(píng)分，根據(jù)綜合評(píng)分生成異常行為判定報(bào)告，所述異常行為判定報(bào)告包含異常行為描述、作弊可能性評(píng)估以及處理建議。

26、可選地，所述采用所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型分別對(duì)作弊行為數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到多個(gè)原始預(yù)測(cè)結(jié)果，利用集成學(xué)習(xí)方法，集成所述多個(gè)原始預(yù)測(cè)結(jié)果，得到融合預(yù)測(cè)結(jié)果，基于所述融合預(yù)測(cè)結(jié)果訓(xùn)練初始化評(píng)分模型，得到初步綜合評(píng)分模型，在所述初步綜合評(píng)分模型中引入自適應(yīng)加權(quán)融合方法，根據(jù)所述初步綜合評(píng)分模型在不同子集上的表現(xiàn)動(dòng)態(tài)調(diào)整各模型的權(quán)重，得到優(yōu)化綜合評(píng)分模型，所述多種學(xué)習(xí)模型包括隨機(jī)森林和支持向量機(jī)，包括：

27、將所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型作為初始基學(xué)習(xí)器；在作弊行為數(shù)據(jù)上分別訓(xùn)練所述初始基學(xué)習(xí)器，得到多個(gè)目標(biāo)基學(xué)習(xí)器，基于所述多個(gè)目標(biāo)基學(xué)習(xí)器對(duì)所述作弊行為數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到多個(gè)預(yù)測(cè)結(jié)果，通過加權(quán)平均的方式將所述多個(gè)預(yù)測(cè)結(jié)果進(jìn)行融合，得到融合預(yù)測(cè)結(jié)果，將所述融合預(yù)測(cè)結(jié)果作為元特征；

28、構(gòu)建初始化評(píng)分模型，將所述初始化評(píng)分模型作為元學(xué)習(xí)器，基于所述元特征和真實(shí)標(biāo)簽訓(xùn)練所述元學(xué)習(xí)器，得到初步綜合評(píng)分模型，所述真實(shí)標(biāo)簽包括所述作弊行為數(shù)據(jù)和數(shù)據(jù)標(biāo)簽，所述數(shù)據(jù)標(biāo)簽包括正常行為、異常行為以及作弊行為；

29、將所述綜合行為特征集劃分為多個(gè)訓(xùn)練集和驗(yàn)證集，在每個(gè)驗(yàn)證集上評(píng)估所述初步綜合評(píng)分模型的表現(xiàn)，得到評(píng)估表現(xiàn)結(jié)果，并記錄所述多個(gè)目標(biāo)基學(xué)習(xí)器的預(yù)測(cè)誤差，基于所述評(píng)估表現(xiàn)結(jié)果和所述預(yù)測(cè)誤差，使用在線梯度下降法動(dòng)態(tài)調(diào)整所述多個(gè)目標(biāo)基學(xué)習(xí)器的權(quán)重，得到調(diào)整后權(quán)重，使用所述調(diào)整后權(quán)重訓(xùn)練所述初步綜合評(píng)分模型，得到優(yōu)化綜合評(píng)分模型。

30、可選地，所述應(yīng)用基于長短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)算法，并結(jié)合注意力機(jī)制優(yōu)化模型，對(duì)所述綜合行為特征集中的時(shí)間維度上的行為模式進(jìn)行分析，得到異常行為信息，包括：

31、將所述綜合行為特征集中的數(shù)據(jù)按時(shí)間順序排列，并進(jìn)行特征提取，得到時(shí)間序列數(shù)據(jù)，所述時(shí)間序列數(shù)據(jù)包括時(shí)間窗口內(nèi)的統(tǒng)計(jì)特征；

32、構(gòu)建基于長短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型，在所述時(shí)間序列預(yù)測(cè)模型中引入注意力機(jī)制來優(yōu)化模型，得到優(yōu)化時(shí)間序列預(yù)測(cè)模型；

33、采用優(yōu)化時(shí)間序列預(yù)測(cè)模型對(duì)所述時(shí)間序列數(shù)據(jù)進(jìn)行分析，得到分析結(jié)果，使用異常檢測(cè)算法對(duì)所述分析結(jié)果進(jìn)行處理，得到行為異常值，預(yù)設(shè)一個(gè)合格閾值，當(dāng)所述行為異常值大于所述合格閾值時(shí)，判斷為異常行為，得到考生異常行為信息。

34、第二方面，本發(fā)明實(shí)施例提供一種上機(jī)考試的考生考場(chǎng)異常行為分析系統(tǒng)，包括：

35、集成模塊，用于從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識(shí)別算法分析鍵盤敲擊頻率和鼠標(biāo)移動(dòng)軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；

36、分析模塊，用于應(yīng)用基于長短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)算法，并結(jié)合注意力機(jī)制優(yōu)化模型，對(duì)所述綜合行為特征集中的時(shí)間維度上的行為模式進(jìn)行分析，得到異常行為信息；

37、識(shí)別模塊，用于通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場(chǎng)環(huán)境圖，通過分析所述異常行為信息，來識(shí)別協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識(shí)別結(jié)果動(dòng)態(tài)調(diào)整檢測(cè)策略，得到目標(biāo)檢測(cè)策略；

38、生成模塊，用于采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及所述目標(biāo)檢測(cè)策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計(jì)算后得到綜合評(píng)分，并基于所述綜合評(píng)分生成異常行為判定報(bào)告。

39、第三方面，本發(fā)明實(shí)施例提供一種計(jì)算設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器被設(shè)置為運(yùn)行所述計(jì)算機(jī)程序以執(zhí)行第一方面任一所述的一種上機(jī)考試的考生考場(chǎng)異常行為分析方法。

40、第四方面，本發(fā)明實(shí)施例提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面中任意一項(xiàng)所述的一種上機(jī)考試的考生考場(chǎng)異常行為分析方法。

41、本發(fā)明實(shí)施例中，從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識(shí)別算法分析鍵盤敲擊頻率和鼠標(biāo)移動(dòng)軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；應(yīng)用基于長短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)算法，并結(jié)合注意力機(jī)制優(yōu)化模型，對(duì)所述綜合行為特征集中的時(shí)間維度上的行為模式進(jìn)行分析，得到異常行為信息；通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場(chǎng)環(huán)境圖，通過分析所述異常行為信息，來識(shí)別協(xié)同作弊行為，得到協(xié)同作弊識(shí)別結(jié)果，引入基于q學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識(shí)別結(jié)果動(dòng)態(tài)調(diào)整檢測(cè)策略，得到目標(biāo)檢測(cè)策略；采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識(shí)別結(jié)果以及所述目標(biāo)檢測(cè)策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計(jì)算后得到綜合評(píng)分，并基于所述綜合評(píng)分生成異常行為判定報(bào)告。本發(fā)明提供的技術(shù)方案提高了上機(jī)考試中異常行為和作弊行為的檢測(cè)能力和效率，有助于維護(hù)考試的公平性和公正性。其中，遷移學(xué)習(xí)和領(lǐng)域?qū)褂?xùn)練技術(shù)，優(yōu)化了模型的關(guān)鍵特征提取能力，使模型在新環(huán)境中表現(xiàn)更佳；微調(diào)技術(shù)和正則化技術(shù)的應(yīng)用，加速了模型的收斂過程，減少了訓(xùn)練時(shí)間和資源消耗，提高了訓(xùn)練效率；正則化技術(shù)防止了模型過擬合，提高了模型的泛化能力和魯棒性，確保模型在面對(duì)新數(shù)據(jù)時(shí)依然表現(xiàn)良好；優(yōu)化后的協(xié)同作弊識(shí)別模型能夠全面、準(zhǔn)確地監(jiān)控考生行為，有效防止作弊行為，確?？荚嚨墓叫院凸?。

42、本發(fā)明的這些方面或其他方面在以下實(shí)施例的描述中會(huì)更加簡明易懂。