1.一种学习参与度识别方法，其特征在于，所述识别方法包括：

对获取的视频样本进行预处理，提取出多个模态下的单模态特征；

将多个模态下的单模态特征进行特征融合，得到多模态融合特征；

多模态融合特征经过全连接层降低维度并进行预测，得到多模态输出值；单模态特征映射到低维空间中，再运用线性回归得到单模态输出值；将单模态输出值和多模态输出值按照预设权重加权求和，得到融合输出值；

基于所述多模态输出值、单模态输出值和融合输出值，确定用户的学习参与度。

2.如权利要求1所述的识别方法，其特征在于，多个模态下的单模态特征包括文本特征、视频特征和音频特征；

对于文本特征，特征提取过程包括：采用预设层数的BERT预训练模型进行编码，选取最后一层中的第一个词向量作为整句表示；

对于视频特征和语音特征，特征提取过程包括：经过新增加的网络层进行预训练后，再经过单向长短期记忆网络提取时序特征，将最后一个隐藏向量作为输出，通过一层卷积层提取出的初始特征与全连接层相连，输出低维向量进入单向长短期记忆网络，得到相应的特征表示。

3.如权利要求1所述的识别方法，其特征在于，将提取出的单模态特征进行拼接，得到多模态融合特征。

4.如权利要求1所述的识别方法，其特征在于，所述单模态特征映射到低维空间中，再运用线性回归得到单模态输出值，包括：将提取出的单模态特征映射到低维度空间之后，得到单模态特征向量；将所述单模态特征向量输入至训练好的单模态分类模型，得到单模态输出值。

5.如权利要求4所述的识别方法，其特征在于，所述单模态分类模型的训练方法包括：确定不同模态表示类的类中心；基于不同模态到类中心之间的距离，以及距离与预测值之间的关系，确定单模态监督值对多模态注释的偏移量，以L1损失函数作为优化目标训练单模态分类模型。

6.如权利要求5所述的识别方法，其特征在于，所述类中心包括消极中心和积极中心，分别计算不同模态到消极中心和积极中心的距离，定义用于衡量模态表示到负中心和正中心的相对距离，基于所述相对距离，以及相对距离与预测值之间的关系，确定单模态监督值对多模态注释的偏移量。

7.如权利要求6所述的识别方法，其特征在于，使用L2归一化作为模态表示与类中心之间的距离。

8.一种学习参与度识别装置，其特征在于，包括：

特征提取模块，用于对获取的视频样本进行预处理，提取出多个模态下的单模态特征；

特征融合模块，用于将多个模态下的单模态特征进行特征融合，得到多模态融合特征；

预测模块，用于多模态融合特征经过全连接层降低维度并进行预测，得到多模态输出值；单模态特征映射到低维空间中，再运用线性回归得到单模态输出值；将单模态输出值和多模态输出值按照预设权重加权求和，得到融合输出值；

参与度确定模块，用于基于所述多模态输出值、单模态输出值和融合输出值，确定用户的学习参与度。

9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的学习参与度识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任意一项所述的学习参与度识别方法的步骤。