Name: 도시 공원 환경에서 산책 비디오를 무료로 볼 수 있는 비디오 콘텐츠 분석과 눈 추적 데이터 결합 (동영상) | JoVE Journal
Uploaded: 2019-05-07T12:30:00.000+00:00
Duration: 8 min 25 s
Description: 학습하세요 머신러닝 기반 눈 추적 비디오 분석 기법으로 복잡한 시각 자극 데이터를 자동화하여 풍부하게 추출하는 방법입니다. 이 기술은 신경과학 및 행동 분석 연구에 활용됩니다.

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

이 작품은 재정적으로 멜버른의 도시와 아크 DP 150103135에 의해 부분적으로 지원 했다. 우리는 그의 조언과 공동 접근법에 대 한 Eamonn 페 네 시에 게 감사 하 고 싶습니다. 또한이 데이터를 수집 하 고 분석 하는 데 도움을 준 연구원 조 수 이자벨 Janecki와이 단 첸에 게 특별 한 감사와 함께. 모든 오류는 저자에 남아 있습니다.

<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>

일반적으로 눈 추적 데이터를 분석 하기 위한 표준 소프트웨어 패키지에서는 벡터 AOI가 사용 됩니다. 단일 스틸 이미지의 경우에도 벡터의 크기를 쉽게 측정할 수 없습니다. 더욱이, 모든 AOIs를 이미지에 포함 하 고 AOIs의 상대적인 금액을 계산 하는 것은 힘든 일 이다. 설명 된 것과 같은 기계 학습 기술을 사용 하지 않고 비디오에서 수동으로이 작업을 수행 하는 것은 거의 불가능 합니다. 이것은 자유로운 보기 상황을 유추 하는 비교적 간단한 문입니다. 훨씬 더 정밀한 시나리오를 사용할 수 있으며 동일한 자극 전에 다른 시나리오 설명이 눈 움직임11에도 영향을 줄 수 있습니다.
우리의 연구는 비디오에서 개체를 정확 하 게 분류 하 고 눈에 보이는 범위를 분석 하는 방법을 사용 했습니다. 이 메서드는 눈 움직임이 관심 있는 개체에 연결 되는 범위를 고려 하는 한 가지 방법을 나타냅니다. 이를 통해 다양 한 피사체의 눈 추적을 모바일 아...

도시 환경에 대 한 우리의 일상 생활 경험은 우리의 건강과 복지에 크게 영향을 미칩니다. 우리의 복지는 우리가 보고 경험 하는 녹색 공간의 양에 달려 있습니다1,2,3이 보기는 공원 디자인에 관하여 결정을 안내 하기 위하여 눈 추적 장비를 사용 하 여 정량화 될 수 있습니다. 그러나이 데이터를 생성 하 고 이해 하는 눈 추적 데이터의 양이 문제가 발생 합니다. 실험실 또는 자연 환경에서 시선 데이터를 기록 하는 장비가 사용 하기 쉽고 더 강력해 지 면 연구원은 데이터를 수집 하 고 분석 하 여 의사 결정 질문에 도움을 줄 수 있는 방법을 고려해 야 합니다.
지금까지 눈 추적 연구의 큰 거래는 설문 조사 또는 실험실 설정4에서 사진을 사용 했습니다. 이 방법론은 결과에 대 한 많은 재현성 및 제어를 허용 하지만, 비디오 및 웨어 러 블 모바일 아이 트래커의 사용을 포함 하는 눈 추적 기술의 최신 발전을 활용할 수 없습니다. 또한, 우리는 걷고 휴식의 행동이 특히 길 찾기5와 같은 작업을 향해 배 향 할 때 반드시 역동적 이라고 주장 할 것 이다. 따라서 이러한 설정에 대 한 완전 한 과학적 이해가 실험실 외부에서 진행 되어야 합니다. 그러나, 순간, 실제 자연 환경에서 눈 추적 하는 것은 매우 어려운 과목 사이의 경험을 비교 합니다. 예를 들어, 한 응답자 들이 나무를 다른 것 보다 더 많이 바라보 고 있는지 비교 하기 원한다 면, 우리는 그들의 관점 들이 다른 사람들에 비해 끊임없이 변화 하거나 머리가 바뀔 수도 있다는 사실을 어떻게 통제할 수 있을까. 이 조건의 상세한 분석은 현재 분석 기술에 거의 불가능 합니다. 우리는 연구 중인 개인이 사용할 수 있는 보기 영역을 제어 하는 것이 중요 하다 고 분석에서 어느 시점에서 볼 되 고 총 장면을 고려 할 수 있을 것 이라고 주장 한다.
스트레스 수준과 풍경에 대 한 안전의 인식과 스트레스6,7의 잘 진화 된 측정을 연결 하는 이론의 집합이 있습니다. 시선8을 측정 하는 눈 추적 장비의 정교함도 급격히 증가 했습니다. 무의식적인 안구 운동은 더 확실 하 게 선호도에 연결 될 수 있기 때문에 눈 추적 중요 하다, 스트레스 및 다른 전통적인 측정 보다 설문 조사 및 관입, 타 액 코 티 솔 수준 등의 생리 테스트. 이 연구의 목적은 더 자연 스러운 설정에 적용 되는 눈 추적 데이터의 더 정확한 측정을 가능 하 게 하는 도구를 개발 하는 것입니다,에 대 한 추가 증거를 제공 하거나 공원 디자인에 대 한 정보를 오랫동안 풍경 이론을 반박 십 년간.
이 프로젝트의 목적은 파크 워크 시뮬레이션의 다양 한 비디오에 대 한 관련 눈 추적 데이터를 생성 할 수 있는 새로운 분석 기술을 개발 하 고 테스트 하는 것입니다. 여기에서 보고 된 우리의 작업9 는 완전히 모바일 아이 트래킹 시스템과 위에서 언급 한 실험실 기반 사진 연구의 자연주의 적 설정 사이의 반 방향 지점을 나타냅니다. 특히, 우리는이 재료가 멜 번의 도시에서 다른 공원이 생성 하는 매혹의 양을 테스트 하는 데 사용 될 수 있는 방법을 탐구, 자극 재료로 비디오를 사용 하는 것에 집중 한다. 우리의 작업은 비디오의 상세한 분석이 스트레스에서 복원을 제공 하는 공원의 잠재력에 대 한 풀러, 더 자연주의 적 평가를 착수 하기 전에 위반 하는 데 필요한 단계 라는 가정을 기반으로 합니다.
이 연구에서, 우리는 도시 공원을 통해 산책의 동영상과 바탕 화면 눈 추적기를 사용 하 고 그들이 공원을 통해 편안한 산책을 하 고 있다고 상상 하는 참가자를 물었다. 우리는 참가자 들이 서로 다른 개체를 보는 데 소요 되는 시간을 공원 간에 비교할 수 있는 방법을 설명 합니다. 데스크톱 연구는 일반적으로 모바일 ET 연구와 비교 하 여 제어 하 고 각 주제의 비교 분석을 허용 하는 것이 더 쉽습니다.
표준 눈 추적 소프트웨어는 사용자가 수동으로 각 장면에서 관심 있는 개체 주변에 경계를 그릴 수 있는 수동 관심 영역 도구를 사용 합니다. 이를 통해 참여자 들이 서로 다른 객체를 찾는 데 소요 되는 시간이 자동으로 계산 됩니다. 비디오 데이터의 경우이 프로세스는 노동 집약적 이며 운영자 주관 및 오류에 따라 달라질 수 있습니다. 이후 버전의 아이 트래킹 분석 소프트웨어에서 AOIs는 비디오의 크기가 같을 때 프레임 간에 오브젝트를 자동으로 추적할 수 있습니다. 이것은 개선, 그러나, 이것은 단지 각 이미지에 적은 수의 자극에 사용 하기 위한 것 이며 각 이미지를 확인 하 고 확인 해야 합니다.
이미지에서 개체의 수동 라벨링은 일반적 이며 GNU 이미지 조작 프로그램 (김프)과 같은 이미지 편집 소프트웨어에 의해 지원 됩니다. 1 s는 30 프레임이 나 이미지를 생성 하는 것을 감안할 때, 비디오의 수동 라벨링은 비현실적 이다. 또한, AOI는 나무 캐노피와 같은 복잡 한 물체의 가장자리를 중심으로 벡터 폴리곤을 그려 내는 데 매우 많은 시간이 소요 된다. 마지막으로, 벡터 라벨링을 사용 하 여 시야에 있는 객체의 크기를 계산할 수 있지만이 기능은 현재 사용할 수 없습니다.
아래에서 보고 하는 방법은 이러한 제한 사항을 다룹니다. 이 연구는 개체의 자동 라벨링을 채택 했다. 이는 비디오의 모든 프레임에 있는 모든 픽셀이 객체 클래스를 나타내는 레이블이 지정 되는 시맨틱 라벨링 이라는 이미지 처리 기술을 사용 하 여 가능 합니다. 머신 러닝은 관심 있는 각 객체 클래스에 대 한 픽셀 분류자를 도출 하는 데 사용 됩니다. 이러한 분류자는 각 픽셀 (단항 전위 라고 함)에 대 한 확률적 레이블을 제공 하며, 최종 레이블이 지정 된 출력을 얻기 위해 후속 최적화 프로세스에서 구체화 됩니다. 이러한 분류자는 텍스처, 가장자리 방향 히스토그램, RGB 색상 값 및 정규화 된 이미지 좌표를 포함 하 여 이미지에서 추출한 피쳐 공간에서 각 오브젝트 클래스 간의 통계적 결정 경계를 학습 합니다. 이에 대 한 적절 한 기술은 다윈 기계 학습 도구 상자에서 구현10 그리고 아래에 설명 되어 있습니다.

<table><tbody><tr><td>12mm 렌즈</td><td>올림푸스</td><td></td><td>렌즈</td></tr><tr><td>Panasonic GH4&nbsp;</td><td>파나소닉</td><td></td><td>비디오 카메라</td></tr><tr><td>Tobii Studio 버전 (2.1.14)&nbsp; &nbsp;</td><td>Tobii</td><td></td><td>소프트웨어</td></tr><tr><td>Tobii x120 데스크탑 아이 트래커</td><td>Tobii</td><td></td><td>아이 트래커</td></tr></tbody></table>

도시 공원 환경에서 산책 비디오를 무료로 볼 수 있는 비디오 콘텐츠 분석과 눈 추적 데이터 결합

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

개인이 도시에서 점점 더 살기 때문에 일상의 움직임을 연구 하는 방법과 수집 할 수 있는 데이터는 중요 하 고 가치 있게 됩니다. 눈 추적 정보학은 다양 한 감정, 건강 상태, 정신 상태 및 행동에 연결 하는 것으로 알려져 있습니다. 그러나 비전은 일정 한 안구 운동의 결과 이기 때문에 소음이 복잡 하 고 데이터 집약적 인 것에서 중요 한 것을 괴 롭 히 고 있습니다. 더욱이, 그들에 게 제시 된 것과 비교 하 여 사람들이 보는 것에 대 한 중요 한 도전은 통제 하 고 있습니다.
다음은 비디오의 콘텐츠를 분석 하기 위한 기계 학습 기법을 사용 하 여 자연스럽 고 복잡 한 장면의 비디오에서 눈 추적을 결합 하 고 분석 하는 방법을 제시 합니다. 이 프로토콜에서는 촬영 된 비디오에서 데이터를 분석 하는 방법, 참가자의 눈 추적 데이터를 기록 하는 데 비디오를 가장 잘 사용 하는 방법, 비디오의 콘텐츠를 분석 하 여 눈 추적 데이터와 결합 하는 방법에 대해 중점적으로 설명 합니다. 우리는 결과에 대 한 간략 한 요약과 복잡 한 환경에서의 추가 연구를 위한 방법의 가능성에 대 한 논의를 제시 합니다.

그림 1 과 그림 2 는 모든 참가자에 걸쳐 전체 비디오에 대 한 모든 눈 추적 데이터를 가져와 히트 맵을 생성 한 결과를 보여줍니다. 이것은 눈 추적 소프트웨어 패키지에서 사용할 수 있는 표준 접근 방식입니다. 도 1 과 도 2 를 비교 하 여도 1 에서의 비디오의 x 좌표에 대 한 좌측 및 우측에서 스캔 한 평균 참가자 들이 둥근 형상을 나타내는 것을도 2와 비교 하 여 확인할 수 있다. 그림 1 은 그림 2의 공원과 비교 하 여 비디오 전체에 가로 요소가 더 많이 있...

프로토콜의 목적은 실험실에서 사용 하기 위해 비디오 데이터를 수집 하는 방법을 상세히 설명 하는 것입니다. 데이터를 보는 참가자의 눈 추적 데이터를 기록 하는 방법 및 기계 학습 기술을 사용 하 여 보고 있던 비디오의 콘텐츠를 효율적으로 분석 하는 방법.

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

많은 아이트래킹 연구는 복잡한 비디오 자극과 실제 설정에 의존하여 데이터를 매우 복잡하게 분석합니다. 이 분석 기술을 사용하면 현재 사용 가능한 방법보다 비디오 기반 데이터를 분석하는 훨씬 더 풍부하고 자동화된 접근 방식을 통해 더 복잡한 데이터를 더 풍부하게 추출할 수 있습니다. 이 방법은 특히 실제 상황에서 또는 자극으로 비디오를 사용하는 많은 다른 아이 트래킹 응용 프로그램에서 사용할 수 있습니다.조경 연구는 사람들이 다른 시각적 자극에 어떻게 반응하는지 이해하는 데 의존했습니다. 아이 트래킹과 결합된 이 기술은 이러한 가정을 테스트하는 데 사용될 수 있습니다. 이러한 유형의 연구의 경우 높은 수준의 입력과 고려가 필요한 여러 측면이 있는 경우 팀 접근 방식이 필수적입니다.저와 함께 절차를 시연하는 것은 제 대학원생 앤드류 트렐러가 될 것입니다. 필름 시퀀스는 자연광을 사용할 수 있지만 가능한 한 큰 화면에서 화면반사를 피하기 위해 제어할 수 있는 아이트래킹 실험실에서 보여져야 하며, 이를 통해 시야 외부의 산만함을 피해야 한다. 참가자가 화면에서 60-65센티미터 떨어진 곳에 앉은 후, 참가자가 아이트래킹 비디오의 맥락에서 상상할 수 있는 문장을 사용하여 복원이 필요하다고 상상해 보십시오.그런 다음 데스크톱 아이트래킹 장치를 사용하여 참가자의 눈 움직임을 각 비디오 에서 기록하기 위해 미리 정해진 무작위 순서로 참가자의 영화를 재생합니다. 관심 영역을 설계하려면 나무, 관목, 표지판, 건물, 경로, 계단 과 같은 연구에 관심이있는 항목을 선택합니다. 최적의 성능과 최소한의 교육 요구 사항을 위해 육안으로 시각적으로 쉽게 구별할 수 있는 요소 및/또는 각 비디오 프레임의 다른 영역을 일관되게 차지합니다.일반적으로 각 AOI의 차이를 시각적으로 구별하는 충분한 교육 예제를 포함하면 강력한 성능에 충분해야 합니다. 모든 항목이 수정되면 적절한 수의 교육 프레임을 선택하여 교육 세트를 구성합니다. 적절한 고정 번호가 없습니다.그런 다음 이미지 편집 소프트웨어의 비디오에서 각 학습 프레임을 열고 각 프레임에 대해 로드된 이미지에 투명한 이미지 레이어를 오버레이하여 레이블을 지정하고 지정된 각 개체 클래스에 대해 하나의 색상을 제공하는 색상 팔레트를 만듭니다. 관심 있는 샘플 영역에 대한 색상을 선택하려면 적절한 팔레트 선택과 함께 샘플 영역에서 색상으로 영역 내에서 픽셀을 클릭하고 드래그합니다. 프레임의 레이블이 완료되면 기본 파일 이름이 원래 프레임 기본 파일 이름과 일치하지만 끝에 추가된 C를 사용하여 처리하는 별도의 이미지 파일로 오버레이 레이어를 내보냅니다.숙련된 분류자의 정확도를 정량적으로 검증하려면 학습 세트에 포함되지 않은 원래 비디오 시퀀스의 프레임을 선택하고 가능한 한 정확하고 포괄적인 교육 프레임에 대해 설명된 대로 각 프레임의 픽셀에 레이블을 지정합니다. 프레임 의 레이블이 완료되면 교육과 동일한 명명 규칙을 사용하여 파일을 별도의 유효성 검사 프레임 폴더에 저장합니다. 비디오 시퀀스의 자동 픽셀 라벨링을 위해 다윈 그래픽 사용자 인터페이스를 실행하고 로드 교육 레이블을 클릭합니다.교육 및 레이블링을 위해 GUI를 구성하려면 프로젝트를 선택하고 팝업 대화 상자를 사용하여 프로젝트에 이름을 제공합니다. 팝업 창에서 비디오 시퀀스의 원래 프레임이 모두 포함된 폴더를 선택합니다. 팝업 파일 탐색기 대화 상자를 사용하여 관련 비디오 시퀀스에 대해 레이블이 지정된 교육 이미지가 포함된 폴더를 선택합니다.파일 탐색기 대화 상자에서 관련 비디오 시퀀스에 대해 레이블이 지정된 모든 유효성 검사 이미지가 포함된 폴더를 선택합니다. 프롬프트를 따라 트레이닝에 사용된 것과 동일한 색상 팔레트를 사용하여 레이블이 지정된 이미지 의 형태로 표시될 모든 출력 프레임에 대한 대상 폴더를 선택합니다. 관심 영역 아래에 있는 팝업 대화 상자를 사용하여 관심 영역을 입력하여 교육 예제에서 각 영역을 표시하는 데 사용되는 빨간색/녹색/파란색 값을 포함하되 레이블을 지정합니다.알고리즘은 레이블이 지정된 각 교육 프레임을 검사하고 지정된 개체 클래스로 픽셀을 분류하기 위한 모양 모델을 학습합니다. 교육이 완료되면 교육 유효성 검사를 클릭합니다. 파일 탐색기 대화 상자에서 관련 비디오 시퀀스에 대해 레이블이 지정된 모든 유효성 검사 이미지가 포함된 폴더를 선택합니다.생성된 레이블의 유효성을 검사하려면 시각적 유효성 검사를 클릭합니다. 생성된 각 레이블이 붙은 이미지는 원래 유효성 검사 프레임 옆에 표시됩니다. 정량적 또는 질적 유효성 검사에서 관찰된 정확도가 허용 가능한 수준 이하로 떨어지면 추가 교육 예제를 포함하고 재교육합니다.분류자 교육 및 유효성 검사 단계가 완료되면 학습된 분류기를 사용하여 비디오 시퀀스의 모든 프레임에 대한 전체 레이블을 시작하려면 추론을 클릭합니다. 라벨링이 완료되면 몇 시간이 걸릴 수 있으므로 출력 찾아보기를 클릭하여 결과 레이블을 확인합니다. 대부분의 아이트래킹 소프트웨어는 히트 맵이 둥근 모양을 보여주는 두 번째 비디오에 비해 첫 번째 비디오에서 비디오의 X 좌표에서 왼쪽과 오른쪽으로 스캔한 참가자를 평균적으로 보여줍니다.이 백서에 설명된 기계 학습 픽셀 라벨링 기술을 사용하여 자세한 내용을 확인할 수 있습니다. 백분율 고정 시간을 나타내는 이 그래픽 표현은 동영상 진행 중에 경로가 명확하게 표시되는 것을 보여 줍니다. 그러나 아이트래킹 데이터의 이 그림에서 알 수 있듯이 참가자는 이 기능을 주요 지점에서만 살펴보았습니다.여기에 비디오의 길이에 걸쳐 개체를 볼 때이 대표 연구의 모든 39 참가자의 거주 시간의 요약이 표시됩니다. 이 그래프에서 동일한 거주 시간 데이터는 비디오에서 다른 개체가 차지하는 시간과 공간으로 나뉘었다. 하나의 값은 비디오의 개체 양에 의해 거주 시간을 설명할 수 있음을 나타냅니다.예를 들어 두 이미지의 하늘과 같이 관련이 적은 객체는 다른 오브젝트보다 상대적으로 적게 조회되었습니다. 가로등및 벤치와 같은 인공 물체는 다른 천연 물체에 비해 더 큰 범위에 거주했습니다. 이러한 종류의 분석은 주의와 눈에 띄는 질문을 조사하기 위해 광범위한 용도를 가질 수 있으며 다양한 연구 영역에 많은 광범위한 응용 프로그램을 가질 수 있습니다.단편 영화를 시각적 자극으로 사용하는 것이 점점 더 보편화됨에 따라 이 기술이 더 인기를 끌 것으로 기대합니다.

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

Research

연구

JoVE Journal

Environment

환경

어린 아이 할 하지 수 동적으로 관찰 세계, 그러나 오히려 적극적으로 탐구 하 고 그들의 환경과 교전. 이 프로토콜에는 기본 원칙 및 자연적인 행동의 맥락에서 유아의 기록 헤드 마운트 눈 추적자 ' 동적 시각적 환경 및 시각적 주의 사용 하 여에 대 한 실질적인 권장 사항을 제공 합니다.

행동에 시선: 자연 동작 동안 어린이 동적 시각적 관심의 머리 장착형 눈 추적

이것은 눈-추적 데이터의 질적 비교 사례 연구 분석 사회 비디오 장면의 첫 순간에 볼 3 참가자: 자폐증 스펙트럼 장애과 comorbid 주의 적자 활동적인 장애, 하나 하나 하나 neurotypical 컨트롤입니다.

눈-추적 데이터 높은 기능 ASD, Comorbid ADHD 어린이의 및 사회 동영상 보고 제어의 비교

여기에서, 우리는 비 demented 파킨슨 병 환자에 있는 눈 운동 매개변수 그리고 인식 기능 사이 관계를 공부하는 프로토콜을 제시합니다. 이 실험은 아이 트래커를 사용하여 시각적 검색 작업의 수정 진폭과 고정 기간을 측정했습니다. 다중 도메인 인지 작업의 성능과의 상관 관계는 이후에 측정되었습니다.

안구 추적을 통해 비탈증 파킨아 병 환자에서 눈 운동 매개 변수와 인지 기능 사이의 관계를 특성화

멀티모달 센서를 사용하는 것은 교육 환경에서 사회적 상호 작용의 역할을 이해하는 유망한 방법입니다. 이 백서는 모바일 아이트래커를 사용하여 공동 배치된 다이드에서 관절 시각적 주의를 포착하는 방법론을 설명합니다.

모바일 아이 트래커를 사용하여 공동 시각 주의를 포착하는 방법론

이 연구는 외로운 청중이 합리적이고 감정적인 호소의 공세 비디오를 볼 때 외로움이 어떻게 완화되는지 연구하기 위해 활성화 경기 모델을 제안합니다. 이 프로토콜은 아이트래킹을 사용하여 지속 시간과 고정을 문서화하여 콘텐츠와 공세로 정서적 요구가 완화될 때 만족도를 고려합니다.

외로움 설득: 눈을 추적 하는 관객을 보고 공세 동영상

본 프로토콜은 시뮬레이션된 불사용 환경에 노출된 후 쥐의 보행 동작 변화를 묘사하기 위한 3차원 동작 추적/평가를 설명합니다.

설치류의 비활동으로 인한 보행 변화에 대한 포괄적인 이해

시선추적은 정보 처리를 프로브하는 비침습적 방법입니다. 이 문서에서는 시선 추적을 사용하여 저시간 조종사(예: &lt;350 비행 시간)의 비행 시뮬레이션 비상 작업 중 시선 행동을 연구하는 방법을 설명합니다.

정보 처리에 대한 통찰력을 위한 복잡한 항공 작업 중 시선 추적

이 방법론은 시운동 및 전신 회전 중 시선 안정화에 대한 시각 및 전정 기여를 조사했습니다. 자극은 시각, 전정 및 시전엽 시험을 통해 수행되었습니다. 비틀림 안구 운동 이득 및 안진 빈도는 각 시도에 대한 반사 뇌간 반응에 대한 감각 특이적 운동 정보의 피질하 중계에 대한 지표 역할을 했습니다.

시선 추적을 사용하여 롤 평면의 피질하 운동 처리에 대한 시각 및 전정 입력의 상대적 중요성 평가

우리는 DeepLabCut을 사용하여 자유롭게 움직이는 쥐의 자발적인 보행과 이동을 정량화하는 저비용 마커 없는 워크플로우를 제시합니다. 이 프로토콜은 단일 카메라 비디오 획득, 해부학적 랜드마크의 무마커 추적, 시공간적 운동 매개변수 추출을 통합하여 전문 장비 없이도 비침습적이고 접근 가능한 운동 행동 분석 프레임워크를 제공합니다.

자유롭게 움직이는 쥐의 자발적 보행 및 이동 분석을 위한 저비용 마커리스 DeepLabCut 기반 워크플로우

기계적 세포 파괴, 용매 기반 지질 추출, 에스테르 교환 반응 및 정량 가스 크로마토 그래피를 사용하여 지방산의 식별에 기초하여 미세 조류의 지방산 함량 및 조성의 결정을위한 방법을 설명한다. tripentadecanoin 내부 표준 물질은 추출과 불완전 에스테르 교환시 가능한 손실을 보상하기 위해 사용된다.

미세 조류의 지방산 콘텐츠 및 조성 분석

학습하세요 머신러닝 기반 눈 추적 비디오 분석 기법으로 복잡한 시각 자극 데이터를 자동화하여 풍부하게 추출하는 방법입니다. 이 기술은 신경과학 및 행동 분석 연구에 활용됩니다.

도시 공원 환경에서 산책 비디오를 무료로 볼 수 있는 비디오 콘텐츠 분석과 눈 추적 데이터 결합

더 많은 동영상 탐색