Name: Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung (Video) | JoVE Journal
Uploaded: 2019-05-07T12:30:00.000+00:00
Duration: 8 min 25 s
Description: Erfahren Sie, wie Eye-Tracking-Daten mit maschinellem Lernen automatisiert analysiert werden. Diese Methode ermöglicht eine detailliertere Extraktion komplexer visueller Reaktionsdaten in Echtzeit-Szenarien.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Diese Arbeit wurde von der Stadt Melbourne und teilweise von ARC DP 150103135 finanziell unterstützt. Wir danken Eamonn Fennessy für seinen Rat und seine Zusammenarbeit. Ein besonderer Dank galt den Forscherinnen Isabelle Janecki und Ethan Chen, die auch bei der Erhebung und Analyse dieser Daten mitgeholfen haben. Alle Fehler bleiben den Autoren erhalten.

<ol><li>Patrik, P., Stigsdotter, U. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+relation+between+perceived+sensory+dimensions+of+urban+green+space+and+stress+restoration%5BTitle%5D)+AND+%22Landscape+and+Urban+Planning%22%5BJournal%5D)">The relation between perceived sensory dimensions of urban green space and stress restoration.</a> Landscape and Urban Planning. 94 (3-4), 264-275 (2010).</li>
<li>Bjørn, G., Patil, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biophilia%3A+does+visual+contact+with+nature+impact+on+health+and+well-being%3F%5BTitle%5D)+AND+%22International+Journal+of+Environmental+Research+and+Public+Health%22%5BJournal%5D)">Biophilia: does visual contact with nature impact on health and well-being?</a> International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).</li>
<li>Velarde, M. aD., Fry, G., Tveit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Health+effects+of+viewing+landscapes-Landscape+types+in+environmental+psychology%5BTitle%5D)+AND+%22Urban+Forestry+%26+Urban+Greening%22%5BJournal%5D)">Health effects of viewing landscapes-Landscape types in environmental psychology.</a> Urban Forestry & Urban Greening. 6 (4), 199-212 (2007).</li>
<li>Polat, A. T., Ahmet, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relationships+between+the+visual+preferences+of+urban+recreation+area+users+and+various+landscape+design+elements%5BTitle%5D)+AND+%22Urban+Forestry+%26+Urban+Greening%22%5BJournal%5D)">Relationships between the visual preferences of urban recreation area users and various landscape design elements.</a> Urban Forestry & Urban Greening. 14 (3), 573-582 (2015).</li>
<li>Peter, P., Giannopoulos, I., Raubal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Where+am+I%3F+Investigating+map+matching+during+self-localization+with+mobile+eye+tracking+in+an+urban+environment%5BTitle%5D)+AND+%22Transactions+in+GIS%22%5BJournal%5D)">Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment.</a> Transactions in GIS. 18 (5), 660-686 (2014).</li>
<li>Berto, R., Massaccesi, S., Pasini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+Eye+Movements+Measured+across+High+and+Low+Fascination+Photographs+Differ%3F+Addressing+Kaplan%27s+Fascination+Hypothesis%5BTitle%5D)+AND+%22Journal+of+Environmental+Psychology%22%5BJournal%5D)">Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan's Fascination Hypothesis.</a> Journal of Environmental Psychology. 28 (2), 185-191 (2008).</li>
<li>Kaplan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+restorative+benefits+of+nature%3A+Towards+an+integrative+framework%5BTitle%5D)+AND+%22Journal+of+Environmental+Psychology%22%5BJournal%5D)">The restorative benefits of nature: Towards an integrative framework.</a> Journal of Environmental Psychology. 15, 169-182 (1995).</li>
<li>Duchowski, A. T. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDuchowski%2C+AT+%22Eye+Tracking+Methodology%3A+Theory+and+Practice%22">Eye Tracking Methodology: Theory and Practice</a>. , 3rd ed, Springer International Publishing. London. (2017).</li>
<li>Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+eye-catching+are+natural+features+when+walking+through+a+park%3F+Eye-+tracking+responses+to+videos+of+walks%3F%5BTitle%5D)+AND+%22Urban+Forestry+and+Urban+Greening%22%5BJournal%5D)">How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?</a> Urban Forestry and Urban Greening. 31, 67-78 (2018).</li>
<li>Gould, S. D. A. R. W. I. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Framework+for+Machine+Learning+and+Computer+Vision+Research+and+Development%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">A Framework for Machine Learning and Computer Vision Research and Development.</a> Journal of Machine Learning Research. (Dec), 3533-3537 (2012).</li>
<li>Richardson, D., Matlock, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+integration+of+figurative+language+and+static+depictions%3A+an+eye+movement+study+of+fictive+motion%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">The integration of figurative language and static depictions: an eye movement study of fictive motion.</a> Cognition. 102 (1), 129-138 (2007).</li>
<li>Bojko, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBojko%2C+A+%22Eye+Tracking+the+User+Experience%3A+A+Practical+Guide+to+Research%22">Eye Tracking the User Experience: A Practical Guide to Research</a>. , Rosenfeld, New York. (2013).</li>
</ol>

In der Regel wird in Standard-Softwarepaketen zur Analyse von Eye-Tracking-Daten ein Vektor AOI verwendet. Auch für ein einzelnes Standbild lässt sich die Größe des Vektors nicht einfach messen. Darüber hinaus ist es mühsam, alle AOIs in ein Bild aufzunehmen und die relativen Mengen von AOIs zu berechnen. Es ist fast unmöglich, dies manuell auf einem Video zu tun, ohne eine maschinelle Lerntechnik, wie sie beschrieben wird. Das war eine relativ einfache Aussage, die eine kostenlose Betrachtungssituation einfügt. Ein viel...

Unsere täglichen Erfahrungen in urbanen Umgebungen haben großen Einfluss auf unsere Gesundheit und unser Wohlbefinden. Unser Wohlbefinden kann von der Menge der Grünflächen abhängen, die wir1,2,3sehen und erleben, und diese Ansichten können mit Hilfe von Eye-Tracking-Geräten quantifiziert werden, um die Entscheidungsfindung über das Parkdesign zu bestimmen. Ein Problem stellt sich jedoch mit dem Umfang der Eye-Tracking-Daten, die generiert werden und die für diese Daten sinnvoll sind. Da die Geräte zur Erfassung von Blickdaten in einem Labor oder in einer natürlichen Umgebung einfacher zu bedienen und leistungsfähiger werden, müssen die Forscher überlegen, wie wir Daten wirksam sammeln und analysieren können, um bei Entscheidungsfragen zu helfen.
Bisher hat eine große Menge Eye-Tracking-Recherchen Fotos in einer Befragung oder Laboreinstellung4verwendet. Diese Methodik ermöglicht zwar eine große Reproduzierbarkeit und Kontrolle über die Ergebnisse, ist aber nicht in der Lage, die neuesten Fortschritte in der Eye-Tracking-Technologie zu nutzen, zu der der Einsatz von Video und tragbaren mobilen Eye-Trackern gehört. Darüber hinaus würden wir argumentieren, dass der Akt des Gehens und Entspannens notwendigerweise dynamisch ist, besonders wenn er sich an einer Aufgabe wie der Wegeunterstellung5orientiert. Daher sollte ein vollständig wissenschaftliches Verständnis dieser Einstellungen außerhalb des Labors stattfinden. Im Moment jedoch macht die Eye-Tracking in einem realen naturalistischen Rahmen den Vergleich der Erfahrungen zwischen den Themen sehr schwierig. Wenn wir zum Beispiel vergleichen wollten, ob ein Befragter mehr als ein anderer auf Bäume schaut, wie könnten wir dann kontrollieren, dass sich ihr Standpunkt im Vergleich zu anderen ständig ändern würde oder dass sich ihr Kopf gewendet hätte. Eine detaillierte Analyse unter diesen Bedingungen ist mit aktuellen Analysetechniken nahezu unmöglich. Wir würden argumentieren, dass es wichtig ist, die Sichtbereiche zu kontrollieren, die dem untersuchten Individuum zur Verfügung stehen, und in der Analyse in der Lage zu sein, die Gesamtszene, die zu einem bestimmten Zeitpunkt betrachtet wird, zu berücksichtigen.
Es gibt eine Reihe von Theorien, die Stresslevel und Sicherheitswahrnehmungen mit Landschaftsansichten und gutentwickelten Messgrößen von Stress 6,7verbinden. Es gab auch einen rasanten Anstieg der Raffinesse der Eye-Tracking-Geräte, um den Blick8zu messen. Eye-Tracking ist wichtig, weil unfreiwillige Augenbewegungen zuverlässiger mit Präferenz, Stress und anderen traditionellen Messungen verbunden sein können als Umfragen und aufdringliche, physiologische Tests wie Speichelkortisolspiegel. Ziel dieser Forschung ist es, Werkzeuge zu entwickeln, die eine präzisere Messung von Eye-Tracking-Daten ermöglichen, die auf naturalistischere Umgebungen angewendet werden, um weitere Beweise für langjährige Landschaftstheorien zu liefern oder zu widerlegen, die die Gestaltung des Parks informiert haben. Jahrzehnten.
Ziel des Projektes ist es, eine neuartige Analysetechnik zu entwickeln und zu testen, die für verschiedene Videos von Park-Walking-Simulationen relevante Eye-Tracking-Daten generieren kann. Unsere Arbeit, die hier und anderswo berichtet wird9 , stellt einen halben Punkt zwischen der naturalistischen Einstellung eines vollmobilen Eye-Tracking-Systems und den oben erwähnten labbasierten Fotostudien dar. Wir konzentrieren uns vor allem darauf, Videos als Reizstoff zu verwenden und zu untersuchen, wie dieses Material genutzt werden kann, um die Faszination zu testen, die verschiedene Parks in der Stadt Melbourne erzeugen. Unsere Arbeit basiert auf der Annahme, dass eine detaillierte Analyse von Videos ein notwendiger Schritt ist, um zu brechen, bevor wir eine umfassendere, naturalistischere Bewertung des Potenzials von Parks, um Wiederherstellung von Stress zu ermöglichen.
In dieser Studie haben wir einen Desktop-Eye-Tracker mit Videos von Spaziergängen durch Stadtparks eingesetzt und die Teilnehmer gebeten, sich vorzustellen, dass sie einen entspannten Spaziergang durch einen Park machen. Wir beschreiben eine Methode, mit der die Zeit, die die Teilnehmer damit verbrachten, verschiedene Objekte zu betrachten, zwischen Parks vergleichbar ist. Desktopstudien sind im Vergleich zu mobilen ET-Studien in der Regel leichter zu kontrollieren und erlauben eine vergleichende Analyse der einzelnen Fäbanten.
Die Standard-Eye-Tracking-Software verwendet ein manuelles Tool, in dem ein Bediener manuell Grenzen um Objekte ziehen kann, die für jede Szene von Interesse sind. So kann automatisch gezählt werden, wie viel Zeit die Teilnehmer damit verbrachten, verschiedene Objekte zu betrachten. Bei Videodaten ist dieser Prozess arbeitsintensiv und unterliegt der Subjektivität und dem Irrtum des Betreibers. In späteren Versionen der Eye-Tracking-Analyse-Software können AOIs Objekte automatisch über Frames verfolgen, wenn sie im Video die gleiche Größe haben. Das ist eine Verbesserung, aber dies ist nur für eine kleine Anzahl von Reizen in jedem Bild gedacht und jedes Bild muss überprüft und bestätigt werden.
Die manuelle Kennzeichnung von Objekten in einem Bild ist üblich und wird durch Bildbearbeitungssoftware wie GNU Image Manipulation Program (GIMP) unterstützt. Da 1 s 30 Bilder oder Bilder produziert, ist die manuelle Kennzeichnung von Videos unpraktisch. Darüber hinaus ist die AOI-Kennzeichnung durch das Zeichnen von Vektorpolygonen am Rand komplexer Objekte wie Baumkronen sehr zeitaufwendig. Schließlich ist es zwar denkbar, die Größe von Objekten in einem Sichtfeld mit Vektorkennzeichnung zu berechnen, aber diese Funktion ist derzeit nicht verfügbar.
Die Methode, über die wir unten berichten, befasst sich mit diesen Einschränkungen. In dieser Studie wurde die automatische Kennzeichnung von Objekten verwendet. Möglich wird dies mit einer Bildbearbeitungstechnik, die als semantische Beschriftung bekannt ist, bei der jedem Pixel in jedem Rahmen des Videos ein Etikett zugewiesen wird, das eine Objektklasse anzeigt. Maschinelles Lernen wird verwendet, um Pixelklassiker für jede Objektklasse von Interesse abzuleiten. Diese Klassifizierer bieten für jedes Pixel (als unary Potentials bekannt) ein probabilistisches Etikett, das dann in einem anschließenden Optimierungsprozess verfeinert wird, um die Endbeschriftung zu erreichen. Diese Klassifikatoren lernen statistische Entscheidungsgrenzen zwischen den einzelnen Objektklassen im Raum der aus dem Bild gewonnenen Funktionen, einschließlich Textur, Histogramm der Kantenorientierung, RGB-Farbwerte und die normalisierten Bildkoordinaten. Eine entsprechende Technik dafür ist in der DARWIN-Maschinenlernwerkskaufstelle10 implementiert und wird im Folgenden beschrieben.

<table><tbody><tr><td>12 mm Objektiv</td><td>Olympus</td><td></td><td>Objektiv</td></tr><tr><td>Panasonic GH4&nbsp;</td><td>Panasonic</td><td></td><td>Videokamera</td></tr><tr><td>Tobii Studio Version (2.1.14) &nbsp;</td><td>Tobii</td><td></td><td>Software</td></tr><tr><td>Tobii x120 Desktop Eyetracker</td><td>Tobii</td><td></td><td>Eyetracker</td></tr></tbody></table>

die kombination von eye-tracking-daten mit einer analyse von video-inhalten aus dem free-viewing eines videos von einem walk in einer urbanen park-umgebung

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Da Individuen zunehmend in Städten leben, werden Methoden, um ihre Alltagsbewegungen zu studieren, und die Daten, die gesammelt werden können, werden wichtig und wertvoll. Eye-Tracking Informatiker sind dafür bekannt, dass sie sich mit einer Reihe von Gefühlen, gesundheitlichen Bedingungen, psychischen Zuständen und Handlungen verbinden. Aber weil das Sehen das Ergebnis ständiger Augenbewegungen ist, ist das Ausreißen des Wichtiges aus dem, was Lärm ist, komplex und datenintensiv. Darüber hinaus besteht die Kontrolle darüber, was die Menschen im Vergleich zu dem, was ihnen präsentiert wird, zu kontrollieren.
Im Folgenden finden Sie eine Methodik zur Kombination und Analyse von Eye-Tracking auf einem Video einer natürlichen und komplexen Szene mit einer maschinellen Lerntechnik zur Analyse des Inhalts des Videos. Im Protokoll geht es um die Analyse von Daten von gefilmten Videos, wie ein Video am besten verwendet werden kann, um die Eye-Tracking-Daten der Teilnehmer aufzuzeichnen, und wie der Inhalt des Videos analysiert und mit den Eye-Tracking-Daten kombiniert werden kann. Wir präsentieren eine kurze Zusammenfassung der Ergebnisse und eine Diskussion über das Potenzial der Methode für weitere Studien in komplexen Umgebungen.

Abbildung 1 und Abbildung 2 zeigen das Ergebnis, dass alle Eye-Tracking-Daten für das gesamte Video über alle Teilnehmer hinweg erfasst werden und eine Wärmekarte erstellt wird; Dies ist der Standard-Ansatz, der in Eye-Tracking-Softwarepaketen verfügbar ist. Durch den Vergleich von Abbildung 1 und Abbildung 2 lässt sich feststellen, dass im Durchschnitt die Teilnehmer links und rechts auf der x-Koordinate des Vid...

Ziel des Protokolls ist es, detailliert darzulegen, wie Videodaten für den Einsatz im Labor gesammelt werden können; Wie man die Daten der Teilnehmer, die sich die Daten ansehen, aufzeichnet und wie man den Inhalt der Videos, die sie mit Hilfe einer maschinellen Lerntechnik betrachten, effizient analysiert.

Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

Viele Eye-Tracking-Studien basieren auf komplexen Videoreizen und realen Einstellungen, was die Analyse der Daten hochkomplex macht. Diese Analysetechnik ermöglicht einen viel umfassenderen und automatisierten Ansatz zur Analyse von videobasierten Daten als derzeit verfügbare Methoden, die zu einer umfassenderen Extraktion komplexerer Daten führen. Diese Methode könnte in vielen verschiedenen Eye-Tracking-Anwendungen verwendet werden, vor allem in realen Situationen oder solche, die Video als Stimulus verwenden.Landschaftsstudien haben sich darauf verlassen, zu verstehen, wie Menschen auf unterschiedliche visuelle Reize reagieren. Diese Technik in Kombination mit Eye Tracking könnte verwendet werden, um diese Annahmen zu testen. Für diese Art der Forschung ist ein Teamansatz unerlässlich, da es mehrere Aspekte gibt, die einen hohen Input und eine hohe Berücksichtigung erfordern.Demonstrieren das Verfahren mit mir wird mein Postgraduierten-Student Andrew Treller sein. Die Filmsequenzen sollten in einem Eye-Tracking-Labor gezeigt werden, in dem natürliches Licht zur Verfügung steht, das aber gesteuert werden kann, um Reflexionen auf dem Bildschirm auf einer möglichst großen Leinwand zu vermeiden, um so viel vom Gesichtsfeld zu besetzen, dass Ablenkungen von außerhalb des Sichtfeldes vermieden werden. Nachdem Sie den Teilnehmer 60-65 Zentimeter vom Bildschirm entfernt sitzen, bitten Sie ihn, sich vorzustellen, dass er mit einem Satz, der es dem Teilnehmer ermöglicht, sich im Kontext des Eye-Tracking-Videos vorzustellen, eine Wiederherstellung braucht.Spielen Sie dann die Filme für den Teilnehmer in einer vorgegebenen zufälligen Reihenfolge mit einem Desktop-Eye-Tracking-Gerät ab, um die Augenbewegungen des Teilnehmers während jedes Videos aufzuzeichnen. Um einen Interessenbereich zu entwerfen, wählen Sie Elemente aus, die für die Studie von Interesse sind, z. B. Bäume, Sträucher, Wegweiser, Gebäude, Pfade, Schritte. Für optimale Leistung und minimale Trainingsanforderungen verwenden Sie Elemente, die sich mit bloßem Auge leicht voneinander unterscheiden lassen und/oder die unterschiedliche Bereiche jedes Videoframes konsequent einnehmen.Im Allgemeinen sollte das Einschließen ausreichender Schulungsbeispiele, die die visuell unterscheidenden Unterschiede der einzelnen AOI darstellen, für eine robuste Leistung ausreichen. Wenn alle Elemente geändert wurden, wählen Sie eine entsprechende Anzahl von Trainingsrahmen aus, um den Trainingssatz zu bilden. Es gibt keine feste Nummer, die angemessen ist.Öffnen Sie anschließend jeden Trainingsrahmen aus dem Video in der Bildbearbeitungssoftware, und überlagern Sie für jeden Frame eine transparente Bildebene auf dem geladenen Bild für die Beschriftung, und erstellen Sie eine Farbpalette, die eine Farbe für jede bestimmte Objektklasse von Interesse bereitstellt. Um die Farbe für den von Interesse ausgewählten Beispielbereich auszuwählen, klicken und ziehen Sie Pixel innerhalb eines Bereichs, um sie in einem Bereich des Beispiels mit der entsprechenden Palettenauswahl zu färben. Nachdem die Beschriftung eines Frames abgeschlossen ist, exportieren Sie die überlagerte Ebene als separate Bilddatei, wobei darauf zu achten ist, dass der Basisdateiname mit dem ursprünglichen Frame-Basisdateinamen übereinstimmt, jedoch mit einem an das Ende angehängten C.Um die Genauigkeit des trainierten Klassifiierers quantitativ zu validieren, wählen Sie Frames aus der ursprünglichen Videosequenz aus, die noch nicht ausgewählt ist, um in das Trainingsset aufgenommen zu werden, und beschriften Sie die Pixel in jedem Frame, wie gerade gezeigt, damit die Trainingsrahmen so präzise und umfassend wie möglich sind. Wenn die Beschriftung eines Frames abgeschlossen ist, verwenden Sie die gleiche Benennungskonvention wie für die Schulung, indem Sie die Dateien in einem separaten Validierungsrahmenordner speichern. Starten Sie für die automatische Pixelbeschriftung der Videosequenz die darwingrafische Benutzeroberfläche, und klicken Sie auf Trainingsbeschriftungen laden.Um die GUI für Schulungen und Beschriftungen zu konfigurieren, wählen Sie Projekt erstellen aus, und geben Sie dem Projekt mithilfe des Popupdialogfelds einen Namen an. Wählen Sie den Ordner aus, der alle Originalframes der Videosequenz enthält, im Popupfenster. Wählen Sie im Dialogfeld Popupdatei Explorer den Ordner mit den beschrifteten Trainingsbildern für die entsprechende Videosequenz aus.Und wählen Sie im Dialogfeld Datei-Explorer den Ordner aus, der alle beschrifteten Validierungsbilder für die entsprechende Videosequenz enthält. Folgen Sie der Aufforderung, einen Zielordner für alle Ausgabeframes auszuwählen, die in Form von beschrifteten Bildern mit derselben Farbpalette wie im Training verwendet werden. Geben Sie unter den Interessengebieten die zu beschriftenden Bereiche ein, die die rot/grün/blauen Werte enthalten, die zum Markieren der einzelnen Regionen in den Schulungsbeispielen verwendet werden.Der Algorithmus untersucht jeden beschrifteten Trainingsrahmen und lernt ein Darstellungsmodell für die Klassifizierung der Pixel in eine der angegebenen Objektklassen von Interesse. Sobald die Schulung abgeschlossen ist, klicken Sie auf Schulung überprüfen. Und wählen Sie im Dialogfeld Datei-Explorer den Ordner aus, der alle beschrifteten Validierungsbilder für die entsprechende Videosequenz enthält.Um die generierten Beschriftungen visuell zu überprüfen, klicken Sie auf visuelle Validierung. Jedes generierte beschriftete Bild wird neben dem ursprünglichen Validierungsrahmen angezeigt. Wenn die bei der quantitativen oder qualitativen Validierung beobachtete Genauigkeit unter akzeptable Werte fällt, schließen Sie Weitere Ausbildungsbeispiele ein und schulen Sie sie um.Nachdem die Klassenschulung und Validierungsphasen abgeschlossen sind, klicken Sie auf Inferenz ausführen, um mit der vollständigen Beschriftung aller Frames in der Videosequenz mit dem trainierten Klassifier zu beginnen. Sobald die Beschriftung abgeschlossen ist, was mehrere Stunden dauern kann, klicken Sie auf Ausgabe durchsuchen, um die resultierenden Beschriftungen anzuzeigen. Die meisten Eye-Tracking-Software zeigt Ihnen, dass im Durchschnitt die Teilnehmer links und rechts auf der x-Koordinate des Videos im ersten Video im Vergleich zum zweiten Video gescannt haben, für das die Heatmap eine rundere Form zeigt.Mithilfe der in diesem Dokument beschriebenen Machine Learning-Pixelbeschriftungstechnik können wir mehr Details sehen. Diese grafische Darstellung der prozentualen Fixierungszeit zeigt, dass der Pfad im Verlauf des Videos deutlich sichtbar ist. Wie diese Abbildung aus den Eye-Tracking-Daten zeigt, hat sich der Teilnehmer diese Funktion jedoch nur gelegentlich an wichtigen Punkten angesehen.Hier wird eine Zusammenfassung der Verweilzeit aller 39 Teilnehmer dieser repräsentativen Studie gezeigt, wenn man Objekte über die gesamte Länge des Videos betrachtet. In diesem Diagramm wurden die gleichen Daten zur Verweilzeit durch die Zeit und den Raum geteilt, die verschiedene Objekte im Video belegten. Der Wert 1 gibt an, dass die Verweilzeit durch die Menge des Objekts im Video berücksichtigt werden kann.Beispielsweise wurden Objekte, die in beiden Bildern weniger relevant waren, wie z. B. der Himmel, vergleichsweise weniger als andere Objekte angesehen. Künstliche Objekte wie Straßenlaternen und Bänke wurden im Vergleich zu anderen Naturobjekten stärker bewohnen. Diese Arten von Analysen können viele weit reichende Anwendungen haben, um Fragen der Aufmerksamkeit und Salienität zu untersuchen, und können viele weit reichende Anwendungen in verschiedenen Forschungsbereichen haben.Da die Verwendung von Kurzfilmen als visuelle Reize immer häufiger wird, erwarten wir, dass diese Technik immer beliebter wird.

combining-eye-tracking-data-with-an-analysis-video-content-from-free

Research

Forschung

JoVE Journal

Environment

Umwelt

Kleinkinder nicht passiv beobachten die Welt, aber eher aktiv erforschen und mit ihrer Umwelt zu engagieren. Dieses Protokoll bietet Leitlinien und praktische Empfehlungen für die Verwendung von Head mounted Eye Tracker Säuglinge aufzeichnen und Kleinkinder dynamische visuelle Umgebungen und visuelle Aufmerksamkeit im Rahmen des natürlichen Verhaltens.

Blick in Aktion: Head-mounted Eyetracking Kinder-dynamische visuelle Aufmerksamkeit während der naturalistischen Verhalten

Dies ist eine qualitative vergleichende Fallstudie-Analyse von Eye-Tracking-Daten auf die ersten Momente des sozialen Videoszenen von drei Teilnehmern aus gesehen: eins mit Autismus-Spektrum-Störung, eine mit Appetenzstörung Aufmerksamkeits-Defizit-hyperaktiv-Syndrom und eine neurotypische Kontrolle.

Vergleich von Eyetracking-Daten von Kindern mit High-functioning Ass, Comorbid ADHD und eines Steuerelements sozialen Videos ansehen

Hier stellen wir ein Protokoll vor, um die Beziehung zwischen den Parametern der Augenbewegung und kognitiven Funktionen bei nicht dementen Parkinson-Patienten zu untersuchen. Das Experiment verwendete einen Eyetracker, um die sakkadische Amplitude und Fixierungsdauer in einer visuellen Suchaufgabe zu messen. Anschließend wurde die Korrelation mit der Leistung bei kognitiven Aufgaben mit mehreren Domänen gemessen.

Charakterisierung der Beziehung zwischen Augenbewegungsparametern und kognitiven Funktionen bei nicht dementen Parkinson-Patienten mit Eye Tracking

Die Verwendung multimodaler Sensoren ist ein vielversprechender Weg, um die Rolle sozialer Interaktionen in Bildungseinrichtungen zu verstehen. Dieses Papier beschreibt eine Methode zur Erfassung der visuellen Aufmerksamkeit von colocated Dyads mit mobilen Eye-Trackern.

Eine Methodik zur Erfassung der gemeinsamen visuellen Aufmerksamkeit mit mobilen Eye-Trackern

Die Studie schlägt ein Aktivierungsmodell vor, um zu untersuchen, wie Einsamkeit gemildert wird, wenn ein einsames Publikum sperrige Videos rationaler und emotionaler Appelle betrachtet. Das Protokoll verwendet Eye-Tracking, um Dauer und Fixierung zu dokumentieren, wobei der Grad der Zufriedenheit berücksichtigt wird, wenn emotionale Bedürfnisse durch Inhalt und Sperre beschwichtigt werden.

Einsamkeit assuaged: Eye-Tracking ein Publikum beobachten Barrage Videos

Das vorliegende Protokoll beschreibt die dreidimensionale Bewegungsverfolgung/-auswertung zur Darstellung der Veränderung der Gangbewegung von Ratten nach Exposition gegenüber einer simulierten Nichtverwendungsumgebung.

Umfassendes Verständnis der inaktivitätsinduzierten Gangveränderung bei Nagetieren

Eye-Tracking ist eine nicht-invasive Methode, um die Informationsverarbeitung zu untersuchen. In diesem Artikel wird beschrieben, wie Eye-Tracking verwendet werden kann, um das Blickverhalten während einer Flugsimulations-Notfallaufgabe bei Piloten mit geringer Arbeitszeit (z. B. &lt;350 Flugstunden) zu untersuchen.

Eye-Tracking während einer komplexen Luftfahrtaufgabe für Einblicke in die Informationsverarbeitung

Die Methodik untersuchte visuelle und vestibuläre Beiträge zur Blickstabilisierung während optokinetischer und Ganzkörperrotationen. Die Stimulation erfolgte durch visuelle, vestibuläre und visuovestibuläre Studien. Die Torsions-Augenbewegungsverstärkung und die Nystagmusfrequenzen dienten als Indikatoren für die subkortikale Weiterleitung sensorischer Bewegungsinformationen an die reflexive Hirnstammreaktion für jeden Versuch.

Verwendung von Eye-Tracking zur Beurteilung der relativen Bedeutung von visuellem und vestibulärem Input für die subkortikale Bewegungsverarbeitung in der Rollebene

Wir präsentieren einen kostengünstigen, markerlosen Workflow mit DeepLabCut, um spontanen Gang und Fortbewegung bei frei bewegenden Mäusen zu quantifizieren. Dieses Protokoll integriert Einzelkamera-Videoaufnahme, markerlose Verfolgung anatomischer Orientierungspunkte und die Extraktion räumlich-temporaler Lokomotorikparameter und bietet so einen nicht-invasiven und zugänglichen Rahmen für die Analyse des motorischen Verhaltens ohne spezielle Ausrüstung.

Ein kostengünstiger, markerloser DeepLabCut-basierter Workflow für spontane Gang- und Lokomotionsanalyse bei frei bewegenden Mäusen

Ein Verfahren zur Bestimmung der Fettsäuregehalt und der Zusammensetzung in Mikroalgen anhand von mechanischen Zellaufschluss, Lösungsmittelbasis Lipidextraktion, Umesterung und die Quantifizierung und Identifizierung der Fettsäuren mittels Gaschromatographie beschrieben. Ein tripentadecanoin interner Standard verwendet wird, um für die möglichen Verluste bei der Extraktion und unvollständiger Umesterung kompensieren.

Die Analyse der Fettsäuregehalt und Zusammensetzung in Mikroalgen

Erfahren Sie, wie Eye-Tracking-Daten mit maschinellem Lernen automatisiert analysiert werden. Diese Methode ermöglicht eine detailliertere Extraktion komplexer visueller Reaktionsdaten in Echtzeit-Szenarien.

Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung (Video) | JoVE Journal

Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung

Weitere Videos entdecken