1.一种基于深度学习学生在线学习效率预测的模型检测方法，其特征在于，其方法由下述步骤组成：

(1)获取原始数据和特征

从图像库中取图像至少500幅分为训练集和测试集，其中训练集占70％，测试集占

30％，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F；

(2)确定学生学习状态

将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态；

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：其中，S∈{S1、S2、...、Sn}为状态，A∈{A1、A2、...、Am}为动作，n、m为有限的正整数；

(4)构建马尔可夫决策过程模型

对每一个动作AK，记录每一次状态转移，建立马尔科夫决策过程模型M如下；

马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中Pi,j为状态Si转移到状态Sj的概率，按下式确定转移概率Pi,j：其中，i、j为1到n之间的整数，k为1到m之间的整数，Ni,j,k为在动作Ak下，状态Si迁移进状态Sj所有边的总量；SUMi,j,k为从每个状态Si迁移出动作Ak的边的总数；

(5)生成PRISM代码

将马尔可夫决策过程模型使用JAVA语言生成PRISM代码；

(6)确定动作状态转移

将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好；

(7)处理迁移动作结果

根据动作状态转移结果提醒老师并记录。

2.根据权利要求1所述的基于深度学习学生在线学习效率预测的模型检测方法，其特征在于在(1)获取原始数据和特征步骤中，所述的用户的特征向量F是F1、F2、F3、F4、F5、F6向量的集合，F∈{F1,F2,F3,F4,F5,F6}；其中F1为学生眼睛聚焦的位置，1表示学生直视屏幕，0表示没有看向屏幕；F2为学生的坐姿，1表示学生直坐，0表示学生没有坐直；F3为学生是否正在讲话，1表示学生没有在说话，0表示学生正在讲话；F4为学生是否正在打呵欠，1表示没有打呵欠，0表示正在打呵欠；F5为学生是否在闭眼，1表示没有闭眼，否则为0；F6为学生上节课的表现，1表示没有被提醒，0表示被提醒。

3.根据权利要求1所述的基于深度学习学生在线学习效率预测的模型检测方法，其特征在于在(2)确定学生学习状态步骤中，所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0。

4.根据权利要求1所述的基于深度学习学生在线学习效率预测的模型检测方法，其特征在于：在(3)确定动作状态轨迹序列步骤中，所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。