Name: Combinare i dati di tracciamento degli occhi con unanalisi dei contenuti video da Free-visualizzazione di un video di una passeggiata in un ambiente parco urbano (Video) | JoVE Journal
Uploaded: 2019-05-07T12:30:00.000+00:00
Duration: 8 min 25 s
Description: Scopri come combinare il tracciamento oculare con l'analisi automatica dei contenuti video mediante apprendimento automatico. Questo metodo computazionale migliora l'estrazione dei dati visivi in studi di neuroscienza e comportamento.

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

Questo lavoro è stato sostenuto finanziariamente dalla città di Melbourne e parzialmente da ARC DP 150103135. Vorremmo ringraziare Eamonn Fennessy per il suo Consiglio e l'approccio collaborativo. Con un ringraziamento speciale agli assistenti di ricercatore Isabelle Janecki e Ethan Chen che hanno anche contribuito a raccogliere e analizzare questi dati. Tutti gli errori restano gli autori.

<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>

Generalmente, nei pacchetti software standard per l'analisi dei dati di tracciamento oculare, viene utilizzato un vettore AOI. Anche per una singola immagine fissa, la dimensione del vettore non può essere facilmente misurata. Inoltre, includendo tutti gli AOIs in un'immagine e calcolando le relative quantità di AOIs è laborioso. È quasi impossibile farlo manualmente su un video senza una tecnica di apprendimento automatico come quella descritta. Questa è stata una dichiarazione relativamente semplice che deduce una situ...

Le nostre esperienze quotidiane vissute negli ambienti urbani influiscono notevolmente sulla nostra salute e sul nostro benessere. Il nostro benessere può dipendere dalla quantità di spazi verdi che vediamo e sperimentiamo1,2,3, e queste viste possono essere quantificate utilizzando attrezzature Eye-Tracking per guidare il processo decisionale su Park Design. Tuttavia, si verifica un problema con il volume di dati di rilevamento degli occhi che viene generato e che dà un senso di questi dati. Poiché l'apparecchiatura per la registrazione dei dati dello sguardo in un laboratorio o in un ambiente naturale diventa più facile da usare e più potente, i ricercatori devono considerare come possiamo raccogliere e analizzare i dati validamente per aiutare con le domande decisionali.
Finora, una grande quantità di ricerca Eye Tracking ha usato fotografie in un sondaggio o impostazione di laboratorio4. Sebbene questa metodologia consenta una grande quantità di riproducibilità e controllo sui risultati, non è in grado di trarre vantaggio degli ultimi progressi nella tecnologia Eye-tracking che includono l'uso di video e Wearable eye-tracker mobili. Inoltre, vorremmo sostenere che l'atto di camminare e di rilassarsi è necessariamente dinamico soprattutto quando orientato verso un compito come segnaletica5. Pertanto, una conoscenza pienamente scientifica di queste impostazioni dovrebbe avvenire al di fuori del laboratorio. Tuttavia, al momento, l'Eye-Tracking in un ambiente naturalistico reale rende il confronto dell'esperienza tra soggetti molto difficile. Per esempio, se volevamo confrontare se un rispondente Guarda gli alberi più di un altro, come possiamo controllare per il fatto che il loro punto di vista sarebbe in continua evoluzione rispetto ad altri o che la loro testa potrebbe essersi trasformata. L'analisi dettagliata in queste condizioni è quasi impossibile con le tecniche di analisi attuali. Vorremmo sostenere che è importante controllare le aree di visualizzazione disponibili per l'individuo in fase di studio e nell'analisi per essere in grado di tenere conto della scena totale visualizzata in qualsiasi momento.
Ci sono una serie di teorie che collegano i livelli di stress e le percezioni di sicurezza alle viste panoramiche e alle misure ben evolute dello stress6,7. C'è stato anche un rapido aumento della sofisticazione delle attrezzature Eye-Tracking per misurare lo sguardo8. L'Eye-Tracking è importante perché i movimenti involontari degli occhi possono essere collegati in modo più affidabile alle preferenze, allo stress e ad altre misure tradizionali rispetto ai sondaggi e ai test fisiologici intrusivi, come i livelli di cortisolo salivare. L'obiettivo di questa ricerca è quello di sviluppare strumenti che consentano una misurazione più precisa dei dati di tracciamento degli occhi applicati a contesti più naturalistici, in modo da fornire ulteriori prove o confutare le teorie paesaggistiche di lunga data che hanno informato la progettazione del parco per Decenni.
Lo scopo di questo progetto è quello di sviluppare e testare una nuova tecnica di analisi in grado di generare dati di tracciamento degli occhi rilevanti per diversi video di simulazioni di camminata del parco. Il nostro lavoro riportato qui e altrove9 rappresenta un punto a metà strada tra l'impostazione naturalistica di un sistema di tracciamento degli occhi completamente mobile e gli studi fotografici basati su laboratorio di cui sopra. In particolare, ci concentriamo sull'utilizzo di video come materiale di stimolo, esplorando come questo materiale può essere utilizzato per testare la quantità di fascino che i diversi parchi generano nella città di Melbourne. Il nostro lavoro si basa sul presupposto che un'analisi dettagliata dei video sia un passo necessario per violare prima di intraprendere una valutazione più completa e più naturalistica del potenziale dei parchi per fornire il restauro dallo stress.
In questo studio, abbiamo impiegato un eye-tracker desktop con video di passeggiate attraverso parchi urbani e ha chiesto ai partecipanti di immaginare che stavano facendo una passeggiata rilassante attraverso un parco. Descriviamo un metodo per consentire la quantità di tempo che i partecipanti hanno speso a guardare diversi oggetti per essere comparabili tra i parchi. Gli studi sul desktop sono generalmente più facili da controllare rispetto agli studi ET mobili e consentono l'analisi comparativa di ogni soggetto.
Il software di tracciamento degli occhi standard utilizza uno strumento di area di interesse manuale in cui un operatore può disegnare manualmente i contorni intorno agli oggetti di interesse in ogni scena. In questo modo la quantità di tempo che i partecipanti hanno speso a guardare diversi oggetti da conteggiare automaticamente. Per i dati video, questo processo è intensivo di manodopera e soggetto a soggettività e errore dell'operatore. Nelle versioni successive del software di analisi Eye-Tracking, AOIs può monitorare automaticamente gli oggetti tra i fotogrammi quando sono della stessa dimensione nel video. Questo è un miglioramento, tuttavia, questo è destinato solo per essere utilizzato per un piccolo numero di stimoli in ogni immagine e ogni immagine deve essere verificata e confermata.
L'etichettatura manuale degli oggetti in un'immagine è comune e supportata da software di editing di immagini come il programma di manipolazione delle immagini GNU (GIMP). Dato che 1 s produce 30 fotogrammi o immagini, l'etichettatura manuale dei video è poco pratica. Inoltre, l'etichettatura AOI disegnando poligoni vettoriali attorno al bordo di oggetti complessi come le tettine degli alberi richiede molto tempo. Infine, sebbene sia plausibilmente possibile calcolare la dimensione degli oggetti in un campo visivo utilizzando l'etichettatura vettoriale, questa funzione non è attualmente disponibile.
Il metodo che riportiamo qui di seguito si occupa di queste limitazioni. Questo studio ha impiegato l'etichettatura automatica degli oggetti. Questo è possibile utilizzando una tecnica di elaborazione delle immagini nota come etichettatura semantica, in cui ogni pixel in ogni fotogramma del video viene assegnata un'etichetta che indica una classe di oggetti. L'apprendimento automatico viene utilizzato per derivare i classificatori di pixel per ogni classe di oggetti di interesse. Questi classificatori forniscono un'etichetta probabilistica per ogni pixel (noti come potenziali unari), che vengono poi perfezionati in un successivo processo di ottimizzazione per ottenere l'output finale etichettato. Questi classificatori imparano i confini delle decisioni statistiche tra ciascuna classe di oggetti nello spazio delle feature estratte dall'immagine, tra cui texture, istogramma degli orientamenti dei bordi, valori di colore RGB e le coordinate dell'immagine normalizzata. Una tecnica appropriata per questo è implementata nella cassetta degli attrezzi di DARWIN Machine Learning10 ed è descritta di seguito.

<table><tbody><tr><td>Obiettivo 12 mm</td><td>Obiettivo Olympus</td><td></td><td></td></tr><tr><td>Panasonic GH4&nbsp;</td><td>Panasonic</td><td></td><td>Videocamera</td></tr><tr><td>Tobii Studio versione (2.1.14)&nbsp; &nbsp;</td><td>Tobii</td><td></td><td>Software</td></tr><tr><td>Tobii x120 Eye-tracker da tavolo</td><td>Tobii</td><td></td><td>Eye-tracker</td></tr></tbody></table>

combinare i dati di tracciamento degli occhi con un'analisi dei contenuti video da free-visualizzazione di un video di una passeggiata in un ambiente parco urbano

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

Come individui sempre più vivono in città, metodi per studiare i loro movimenti quotidiani e i dati che possono essere raccolti diventa importante e prezioso. Gli Eye-Tracking informatici sono conosciuti per connettersi a una serie di sentimenti, condizioni di salute, stati mentali e azioni. Ma poiché la visione è il risultato di continui movimenti oculari, prendere in giro ciò che è importante da ciò che è il rumore è complesso e intensivo di dati. Inoltre, una sfida significativa sta controllando ciò che le persone guardano rispetto a ciò che gli viene presentato.
Di seguito viene presentata una metodologia per combinare e analizzare gli eye-tracking su un video di una scena naturale e complessa con una tecnica di machine learning per l'analisi del contenuto del video. Nel protocollo ci concentriamo sull'analisi dei dati da video girati, come un video può essere utilizzato al meglio per registrare i dati degli occhi dei partecipanti, e soprattutto come il contenuto del video può essere analizzato e combinato con i dati di tracciamento degli occhi. Presentiamo un breve riassunto dei risultati e una discussione del potenziale del metodo per ulteriori studi in ambienti complessi.

Figura 1 e Figura 2 mostrano il risultato di prendere tutti i dati Eye-Tracking per l'intero video in tutti i partecipanti e la produzione di una mappa di calore; Questo è l'approccio standard disponibile nei pacchetti software Eye-Tracking. Confrontando la Figura 1 e la Figura 2 è possibile identificare che in media i partecipanti scansionati a destra e a sinistra sulla coordinata x...

L'obiettivo del protocollo è quello di dettaglio come raccogliere i dati video per l'uso in laboratorio; come registrare i dati Eye-Tracking dei partecipanti guardando i dati e come analizzare in modo efficiente il contenuto dei video che stavano guardando utilizzando una tecnica di apprendimento automatico.

Combinare i dati di tracciamento degli occhi con un'analisi dei contenuti video da Free-visualizzazione di un video di una passeggiata in un ambiente parco urbano

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

Molti studi di tracciamento oculare si basano su stimoli video complessi e impostazioni del mondo reale rendendo l'analisi dei dati altamente complessa. Questa tecnica di analisi consente un approccio molto più ricco e automatizzato all'analisi dei dati basati su video rispetto ai metodi attualmente disponibili, portando a un'estrazione più ricca di dati più complessi. Questo metodo potrebbe essere utilizzato in molte diverse applicazioni di tracciamento oculare, in particolare in situazioni del mondo reale o in quelle che usano il video come stimolo.Gli studi sul paesaggio si sono basati sulla comprensione di come le persone reagiscono ai diversi stimoli visivi. Questa tecnica combinata con il tracciamento oculare potrebbe essere utilizzata per testare queste ipotesi. Per questo tipo di ricerca, un approccio di gruppo è essenziale perché ci sono molteplici aspetti che richiedono input e considerazione di alto livello.A dimostrare la procedura con me sarà il mio studente post-laurea Andrew Treller. Le sequenze di film devono essere mostrate in un laboratorio di tracciamento oculare in cui è disponibile luce naturale ma che può essere controllata per evitare riflessi sullo schermo su uno schermo il più grande possibile per occupare la maggior parte del campo visivo, evitando così distrazioni dall'esterno del campo visivo. Dopo aver seduto il partecipante a 60-65 centimetri di distanza dallo schermo, chiedi loro di immaginare di aver bisogno di essere restaurazione usando una frase che consente al partecipante di immaginare nel contesto del video di tracciamento oculare.Quindi riproduci i film per il partecipante in un ordine casuale predeterminato utilizzando un dispositivo di tracciamento oculare desktop per registrare i movimenti oculari del partecipante durante ogni video. Per progettare un'area di interesse, selezionare gli elementi che interessano lo studio come alberi, arbusti, cartelli, edifici, percorsi, gradini. Per prestazioni ottimali e requisiti di allenamento minimi, utilizzare elementi facilmente distinguibili visivamente l'uno dall'altro ad occhio nudo e/o che occupano costantemente diverse regioni di ogni fotogramma video.In generale, includere sufficienti esempi di allenamento che illustrino le differenze visivamente distintive di ciascun AOI dovrebbe essere sufficiente per prestazioni robuste. Una volta modificati tutti gli elementi, selezionare un numero appropriato di frame di training per creare il set di training. Non esiste un numero fisso appropriato.Quindi, apri ogni fotogramma di training dal video nel software di modifica delle immagini e per ogni fotogramma sovrappone un livello di immagine trasparente sull'immagine caricata per l'etichettatura e crea una tavolozza di colori che fornisce un colore per ogni classe di oggetti di interesse. Per selezionare il colore per l'area di interesse del campione, fare clic e trascinare i pixel all'interno di un'area da colorare in un'area di esempio con la scelta della tavolozza appropriata. Una volta completata l'etichettatura di un fotogramma, esportare il livello sovrapposto come file di immagine separato, facendo in modo che il nome del file di base corrisponda al nome del file di base del fotogramma originale ma con una C aggiunta alla fine.Per convalidare quantitativamente l'accuratezza del classificatore sottoposto a training, selezionare i fotogrammi della sequenza video originale non già selezionata per essere inclusi nel set di training ed etichettare i pixel in ogni fotogramma come appena dimostrato affinché i fotogrammi di training siano il più precisi e completi possibile. Al termine dell'etichettatura di un frame, utilizzare la stessa convenzione di denominazione del training, salvando i file in una cartella frame di convalida separata. Per l'etichettatura automatica dei pixel della sequenza video, avviare l'interfaccia utente grafica di Darwin e fare clic su etichette di training del carico.Per configurare l'interfaccia utente grafica per il training e l'etichettatura, selezionare Crea progetto e fornire al progetto un nome utilizzando la finestra di dialogo popup. Selezionare la cartella contenente tutti i fotogrammi originali della sequenza video nella finestra popup. Utilizzando la finestra di dialogo Esplora file popup, selezionare la cartella contenente le immagini di training etichettate per la sequenza video pertinente.Nella finestra di dialogo Esplora file selezionare la cartella contenente tutte le immagini di convalida etichettate per la sequenza video pertinente. Seguire la richiesta di selezionare una cartella di destinazione per tutti i fotogrammi di output che saranno sotto forma di immagini etichettate utilizzando la stessa tavolozza di colori utilizzata nel training. Utilizzando la finestra di dialogo popup, in aree di interesse, immettere le aree di interesse da etichettare, inclusi i valori rosso/verde/blu utilizzati per contrassegnare ogni area negli esempi di formazione.L'algoritmo esaminerà ogni frame di training etichettato e imparerà un modello di aspetto per classificare i pixel in una qualsiasi delle classi di oggetti di interesse specificate. Una volta completato il training, fare clic su convalida training. Nella finestra di dialogo Esplora file selezionare la cartella contenente tutte le immagini di convalida etichettate per la sequenza video pertinente.Per convalidare visivamente le etichette generate, fare clic su convalida visiva. Ogni immagine etichettata generata verrà visualizzata accanto al frame di convalida originale. Se l'accuratezza osservata nella convalida quantitativa o qualitativa scende al di sotto dei livelli accettabili, includere e riqualificare gli esempi di formazione continua.Una volta completate le fasi di training e convalida del classificatore, fare clic su Esegui inferenza per iniziare l'etichettatura completa di tutti i fotogrammi della sequenza video utilizzando il classificatore sottoposto a training. Una volta completata l'etichettatura, che potrebbe richiedere diverse ore, fare clic su Sfoglia output per visualizzare le etichette risultanti. La maggior parte dei software di tracciamento oculare ti mostrerà che in media, i partecipanti hanno scansionato a sinistra e a destra sulla coordinata x del video nel primo video rispetto al secondo video per il quale la mappa termica mostra una forma più rotonda.Utilizzando la tecnica di etichettatura dei pixel di machine learning descritta in questo documento, possiamo vedere più dettagli. Questa rappresentazione grafica del tempo di fissazione percentuale mostra che il percorso è chiaramente visibile durante il corso del video. Tuttavia, come mostra questa figura dei dati di tracciamento oculare, il partecipante ha esaminato questa funzione solo occasionalmente nei punti chiave.Qui viene mostrato un riepilogo del tempo di dimora di tutti i 39 partecipanti a questo studio rappresentativo quando si guardano gli oggetti per tutta la durata del video. In questo grafico, gli stessi dati del tempo di dimora sono stati divisi per la quantità di tempo e spazio che diversi oggetti hanno occupato nel video. Un valore pari a uno indica che il tempo di dimora può essere contabiliato dalla quantità di oggetto nel video.Ad esempio, gli oggetti meno pertinenti come il cielo in entrambe le immagini sono stati visti relativamente meno di altri oggetti. Oggetti artificiali come lampioni e panchine erano abitati in misura maggiore rispetto ad altri oggetti naturali. Questo tipo di analisi può avere molti usi ad ampio raggio per esaminare questioni di attenzione e salienza e può avere molte applicazioni di ampio respiro in diversi settori di ricerca.Man mano che l'uso dei cortometraggi come stimoli visivi diventa sempre più comune, ci aspettiamo che questa tecnica diventi più popolare.

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

Research

Ricerca

JoVE Journal

Environment

Ambiente

I bambini piccoli non passivamente osservare il mondo, ma piuttosto attivamente esplorare e coinvolgere con il loro ambiente. Questo protocollo fornisce principi guida e consigli pratici per l'utilizzo di inseguitori testa-montata occhio per registrare degli infanti e dei più piccoli ambienti visivi dinamici e l'attenzione visiva nel contesto del comportamento naturale.

Lo sguardo in azione: Head-mounted Eye Tracking dell'attenzione visiva dinamica dei bambini durante il comportamento naturalistico

Questa è un'analisi qualitativa comparata caso studio di eye tracking dati sui primi momenti di sociale scene video come visualizzato da tre partecipanti: uno con disturbo dello spettro autistico, uno con disturbo da deficit-iperattività di attenzione del comorbid e uno controllo neurotipici.

Confronto dei dati di Eye-tracking dei bambini con autismo ad alto funzionamento, del Comorbid ADHD e di un controllo guardando video sociali

Qui, presentiamo un protocollo per studiare la relazione tra i parametri del movimento oculare e le funzioni cognitive nei pazienti affetti dal morbo di Parkinson non demente. L'esperimento ha usato un eye tracker per misurare l'ampiezza scasoica e la durata della fissazione in un'attività di ricerca visiva. La correlazione con le prestazioni nelle attività cognitive multidominio è stata successivamente misurata.

Caratterizzare la relazione tra i parametri del movimento degli occhi e le funzioni cognitive nei pazienti con malattia di Parkinson non demente con tracciamento degli occhi

L'utilizzo di sensori multimodali è un modo promettente per comprendere il ruolo delle interazioni sociali negli ambienti educativi. Questo documento descrive una metodologia per catturare l'attenzione visiva congiunta da diade geografiche colocation utilizzando eye-tracker mobili.

Una metodologia per catturare l'attenzione visiva congiunta utilizzando Mobile Eye-Tracker

Lo studio propone un modello activation-match per studiare come la solitudine viene mitigata quando un pubblico solitario guarda sbarramenti video di appelli razionali ed emotivi. Il protocollo utilizza il tracciamento oculare per documentare la durata e la fissazione, rappresentando il grado di soddisfazione quando le esigenze emotive vengono placate dal contenuto e dalla raffica.

Loneliness Assuaged: eye-tracking di un pubblico che guarda video di sbarramento

Il presente protocollo descrive il tracciamento / valutazione del movimento tridimensionale per rappresentare l'alterazione del movimento dell'andatura dei ratti dopo l'esposizione a un ambiente di disuso simulato.

Comprensione completa dell'alterazione dell'andatura indotta dall'inattività nei roditori

L'eye tracking è un metodo non invasivo per sondare l'elaborazione delle informazioni. Questo articolo descrive come l'eye tracking può essere utilizzato per studiare il comportamento dello sguardo durante un'attività di emergenza di simulazione di volo nei piloti a basso tempo (ad esempio, &lt;350 ore di volo).

Tracciamento oculare durante un'attività aeronautica complessa per approfondimenti sull'elaborazione delle informazioni

La metodologia ha esplorato i contributi visivi e vestibolari alla stabilizzazione dello sguardo durante le rotazioni optocinetiche e di tutto il corpo. Le stimolazioni sono state effettuate attraverso prove visive, vestibolari e visuovestibolari. L'aumento del movimento oculare torsionale e le frequenze del nistagmo sono serviti come indicatori per il relè sottocorticale delle informazioni di movimento sensoriali specifiche verso la risposta riflessiva del tronco encefalico per ogni prova.

Utilizzo dell'eye-tracking per valutare l'importanza relativa dell'input visivo e vestibolare per l'elaborazione del movimento sottocorticale nel piano di rollio

Presentiamo un flusso di lavoro a basso costo e senza marker utilizzando DeepLabCut per quantificare l'andatura spontanea e la locomozione nei topi in movimento libero. Questo protocollo integra l'acquisizione video a camera singola, il tracciamento senza marcatori dei punti di riferimento anatomici e l'estrazione dei parametri locomotori spaziotemporali, fornendo un quadro non invasivo e accessibile per l'analisi del comportamento motorio senza apparecchiature specializzate.

Un flusso di lavoro a basso costo senza marcatori basato su DeepLabCut per l'analisi spontanea dell'andatura e della locomozione in topi in movimento libero

Procedimento per la determinazione del contenuto di acidi grassi e la composizione in microalghe basato su rottura meccanica delle cellule, estrazione dei lipidi solvente, transesterificazione, e quantificazione e identificazione di acidi grassi mediante gascromatografia è descritto. Uno standard interno tripentadecanoin viene utilizzato per compensare le eventuali perdite durante l'estrazione e transesterificazione incompleta.

Analisi di acido grasso contenuto e la composizione in microalghe

Scopri come combinare il tracciamento oculare con l'analisi automatica dei contenuti video mediante apprendimento automatico. Questo metodo computazionale migliora l'estrazione dei dati visivi in studi di neuroscienza e comportamento.

Combinare i dati di tracciamento degli occhi con unanalisi dei contenuti video da Free-visualizzazione di un video di una passeggiata in un ambiente parco urbano (Video) | JoVE Journal

Combinare i dati di tracciamento degli occhi con un'analisi dei contenuti video da Free-visualizzazione di un video di una passeggiata in un ambiente parco urbano

Esplora altri video