前沿洞察丨教学小帮手到位，确定学生参与度的AI系统来啦

本期前沿洞察又和大家见面啦，这周也为大家带来了新鲜的前沿技术，分别是：可灵活重构，仿自然生命系统的磁微机器人群；预测癫痫发病准确率达99.6%的AI系统；帮助AI高等教育实现快速教学反馈的AI传感系统......

一起来看看吧：

帮助高等教育实现快速教学反馈的AI传感系统

虽然K-12教育人员的培训和反馈机会比比皆是，但在高等教育里却并非如此。当前，对老师最有效的提高机制是让专家观察课程并提供个性化反馈。但是，卡内基梅隆大学研究人员开发的新系统提供了一种全面的实时传感系统，该系统便宜且可扩展，可为老师提供持续的反馈机制。

该系统称为EduSense，可分析与有效指令相关的各种视觉和音频功能。它使用两台壁挂式摄像机-一台面向学生，一台面向老师，通过感知学生的姿势和以及老师在叫学生之前暂停的时间来确定他们的参与度。

单个实时的摄像机可以查看教室中的每个人，并自动识别信息，例如学生正在看的地方，举手的频率以及老师是否在教室里移动等等。

随着计算机视觉和机器学习的发展，通过数月的观察才能获得的见解在数天之内就可得到，大大缩短了反馈机制的时间。

该小组将继续开发面向老师的应用程序，通过收集数据来了解如何以最好的方式提供反馈，让教授可以将反馈整合到实践中。从而帮助他们改善教学实践。

可灵活重构，仿自然生命系统的磁微机器人群

近年来，微型机器人、纳米机器人在细胞和分子水平的诊断和治疗方面显示出了巨大的潜力，然而，单个微型机器人的能力有限，且难以集成驱动、传感等复杂功能。

哈尔滨工业大学提出一种利用外部交变磁场控制微型机器人集群的方法，能使微型机器人集群呈现出不同的形态，在一定程度上模仿自然生命的系统。

研究人员利用交变磁场激发大量赤铁矿胶体颗粒构建微型机器人集群，其中胶体颗粒呈花生形，长轴3μm、短轴2μm。在外部不同磁场的驱动下，单个微型机器人呈现出振荡、滚动、翻滚和旋转的多种动态模式，进而形成类似液体、链状、旋涡状、带状4种集群样式。

研究人员使用离散粒子计算方法模拟了这种集群运动，并通过调整旋转磁场的频率及极化情况，快速转换集群样式。其中，链状群集可在狭窄环境中完成复杂运动；旋涡状群集可用于处理较大的负载；带状群集则能实现大面积的同步操作。

这种微型机器人集群可灵活重构，能满足不同的环境和任务要求，有望用于显像、靶向药输送等生物医学领域。

提前预测癫痫发作率，准确率达99.6% 的AI系统

路易斯安那大学拉斐特分校的两名研究人员开发了一种新的AI模型，可以在癫痫患者发病前一小时做出预测，其准确率高达99.6％。

此前，其他研究小组也曾通过脑电图（EEG）测试分析大脑活动，开发预测模型。但这些模型往往被设计为手动提取大脑模式、应用分类系统两个阶段，比较复杂。

在最新方法中，特征提取和分类过程被组合到单个自动化系统中。此外，研究人员还利用深度学习算法，从不同的电极位置提取并分析患者大脑活动的时空特征，从而提高模型的准确性。最后，他们还用另一种算法，给出EEG读数可能涉及的多个电活动“通道”中可能性最高的预测。

对波士顿儿童医院的22名患者的长期EEG数据开发和测试显示，他们的模型准确率不仅达到了99.6％，而且误报率也很低，每小时只有0.004错误警报。

研究人员表示，随着软件组件的完善，下一步是开发定制的计算机芯片来处理算法。

— END —