É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Mapeamento tridimensional da rotação de objetos virtuais interativos com dados de rastreamento ocular

1.9K visualizações

⸱

DOI:

10.3791/65977

⸱

18 de outubro de 2024

 ,  ,  ,  , 
1Graduate Program in Chemistry, University of São Paulo, Institute of Chemistry, 2Graduate Program in Applied Mathematics, University of São Paulo, Institute of Mathematics and Statistics, 3Graduate Program in Neuroscience and Cognition, Federal University of ABC, Center of Mathematics, Computing and Cognition, 4School of Biomedical Engineering, Science and Health Systems, Drexel University

Neste artigo

Resumo

Desenvolvemos um método simples, personalizável e eficiente para registrar dados processuais quantitativos de tarefas espaciais interativas e mapear esses dados de rotação com dados de rastreamento ocular.

Resumo

Apresentamos um método para registro em tempo real da interação humana com objetos virtuais tridimensionais (3D). A abordagem consiste em associar dados de rotação do objeto manipulado a medidas comportamentais, como rastreamento ocular, para fazer melhores inferências sobre os processos cognitivos subjacentes.

A tarefa consiste em exibir dois modelos idênticos do mesmo objeto 3D (uma molécula), apresentados em uma tela de computador: um objeto interativo giratório (iObj) e um objeto alvo estático (tObj). Os participantes devem girar o iObj usando o mouse até que considerem sua orientação idêntica à do tObj. O computador rastreia todos os dados de interação em tempo real. Os dados do olhar do participante também são registrados usando um rastreador ocular. A frequência de medição é de 10 Hz no computador e 60 Hz no rastreador ocular.

Os dados de orientação de iObj em relação a tObj são registrados em quatérnios de rotação. Os dados do olhar são sincronizados com a orientação do iObj e referenciados usando este mesmo sistema. Este método nos permite obter as seguintes visualizações do processo de interação humana com iObj e tObj: (1) disparidade angular sincronizada com outros dados dependentes do tempo; (2) trajetória de rotação 3D dentro do que decidimos chamar de "bola de rotações"; (3) Mapa de calor de fixação 3D. Todas as etapas do protocolo utilizaram software livre, como GNU Octave e Jmol, e todos os scripts estão disponíveis como material suplementar.

Com essa abordagem, podemos realizar estudos quantitativos detalhados do processo de resolução de tarefas envolvendo rotações mentais ou físicas, em vez de apenas o resultado alcançado. É possível medir com precisão a importância de cada parte dos modelos 3D para o participante na resolução de tarefas e, assim, relacionar os modelos a variáveis relevantes, como as características dos objetos, as habilidades cognitivas dos indivíduos e as características da interface homem-máquina.

Introdução

A rotação mental (RM) é uma habilidade cognitiva que permite aos indivíduos manipular e girar objetos mentalmente, facilitando uma melhor compreensão de suas características e relações espaciais. É uma das habilidades visuoespaciais, um grupo cognitivo fundamental que foi estudado já em 18901. As habilidades visuoespaciais são um componente importante do repertório cognitivo de um indivíduo que é influenciado por fatores hereditários e ambientais 2,3,4,5. O interesse em habilidades visuoespaciais cresceu ao longo do século XX devido a evidências crescentes de sua importância em assuntos-chave, como envelhecimento6 e desenvolvimento7, desempenho em ciência, tecnologia, engenharia e matemática (STEM) 8 , 9 , criatividade10 e traços evolutivos11.

A ideia contemporânea de RM deriva do trabalho pioneiro publicado por Shepard e Metzler (SM) em 197112. Eles desenvolveram um método cronométrico usando uma série de tarefas "iguais ou diferentes", apresentando duas projeções de objetos 3D abstratos exibidos lado a lado. Os participantes tiveram que girar mentalmente os objetos em algum eixo e decidir se essas projeções retratavam o mesmo objeto, girado de maneira diferente ou objetos distintos. O estudo revelou uma correlação linear positiva entre o tempo de resposta (TR) e a disparidade angular (AD) entre as representações do mesmo objeto. Essa correlação é conhecida como efeito de disparidade angular (ADE). O ADE é considerado uma manifestação comportamental da RM e tornou-se onipresente em vários estudos subsequentes influentes no campo 13,14,15,16,17,18,19,20,21,22,23,24,25. Os objetos 3D empregados no estudo SM foram compostos por 10 cubos contíguos gerados pelo pioneiro dos gráficos de computador Michael Noll no Bell Laboratories26. Eles são chamados de números SM e são amplamente empregados em estudos de RM.

Dois avanços foram de grande importância no trabalho seminal de Shepard e Metzler; primeiro, considerando as contribuições no campo das avaliações de RM. Em 1978, Vanderberg e Kuze27 desenvolveram um teste psicométrico de lápis e papel de 20 itens baseado em figuras SM "iguais ou diferentes" que ficou conhecido como teste de rotação mental (VKMRT). Cada item de teste apresenta um estímulo alvo. Os participantes devem selecionar entre quatro estímulos, quais representam o mesmo objeto representado no estímulo alvo e quais não. O VKMRT tem sido usado para investigar a correlação entre a capacidade de RM e vários outros fatores, como diferenças relacionadas ao sexo 6,21,24,28,29,30, envelhecimento e desenvolvimento 6,31,32, desempenho acadêmico8,33, e habilidades em música e esportes34. Em 1995, Peters et al. publicaram um estudo com figuras redesenhadas para o VKMRT35,36. Da mesma forma, seguindo o design de tarefa "igual ou diferente", uma variedade de outras bibliotecas de estímulos gerados por computador foram empregadas para investigar processos de RM e avaliar as habilidades de RM (versões 3D dos estímulos SM originais 19,22,23,37,38, corpo humano imitando figuras SM 25,39,40, polígonos planos para rotação 2D 41, 42, anatomia e órgãos43, formas orgânicas44, moléculas45,46, entre outros21). O Teste de Visualização Espacial de Purdue (PSVT) proposto por Guay em 197647 também é relevante. Envolve uma bateria de testes, incluindo MR (PSVT:R). Empregando estímulos diferentes daqueles do VKMRT, O PSVT:R exige que os participantes identifiquem uma operação de rotação em um estímulo modelo e a apliquem mentalmente a um diferente. PSVT:R também é amplamente utilizado, particularmente em estudos que investigam o papel da RM na realização de STEM 48,49,50.

O segundo avanço de grande importância no trabalho seminal de Shepard e Metzler compreende as contribuições para a compreensão do processo de RM, em particular, com o uso de dispositivos de rastreamento ocular. Em 1976, Just e Carpenter14 usaram equipamentos de rastreamento ocular baseados em vídeo analógico para conduzir um estudo baseado no experimento ADE de Shepard e Metzler. A partir de seus resultados sobre movimentos oculares sacádicos e RTs, eles propuseram um modelo de processos de RM que consiste em três fases: 1) a fase de busca, na qual partes semelhantes das figuras são reconhecidas; 2) a fase de transformação e comparação, na qual uma das partes identificadas é girada mentalmente; 3) a fase de confirmação, na qual é decidido se os números são os mesmos ou não. As fases são repetidas recursivamente até que uma decisão possa ser tomada. Cada passo corresponde a padrões específicos de movimento ocular sacádico e fixacional em estreita relação com os EAMs observados. Assim, ao correlacionar a atividade ocular aos dados cronométricos, Just e Carpenter forneceram uma assinatura cognitiva para o estudo dos processos de RM. Até o momento, esse modelo, embora com adaptações, foi adotado em vários estudos 15,42,46,51,52,53.

Seguindo essa trilha, vários estudos subsequentes monitoraram o comportamento 18,19,22,23,25,34,40,54,55 e a atividade cerebral 20,22,56,57 durante a rotação de estímulos. Seus achados apontam para um papel cooperativo entre a RM e os processos motores. Além disso, há um interesse crescente em investigar estratégias de resolução de problemas envolvendo RM em relação às diferenças individuais 15,41,46,51,58.

De modo geral, pode-se considerar que o desenho de estudos que visam a compreensão dos processos de RM baseia-se na apresentação de uma tarefa com estímulos visuais que solicitam aos participantes a realização de uma operação de RM que, por sua vez, envolve uma reação motora. Se essa reação permite a rotação dos estímulos, geralmente é chamada de rotação física (PR). Dependendo dos objetivos específicos de cada estudo, diferentes estratégias e dispositivos têm sido empregados para aquisição e análise de dados de RM e RP. Na etapa de apresentação do estímulo da tarefa, é possível alterar os tipos de estímulos (ou seja, exemplos citados anteriormente); a projeção (imagens geradas por computador em monitores tradicionais 22,23,25,29,40,41,59, bem como em estereoscópios19 e ambientes virtuais60 e de realidade mista43); e a interatividade dos estímulos (imagens estáticas 12,27,36, animações61 e objetos virtuais interativos 19,22,23,43,53,59).

A RM é geralmente inferida a partir de medidas de TRs (ADE), bem como da atividade ocular e cerebral 25,46,62. A atividade ocular é medida usando dados de rastreamento ocular que consistem em movimentos sacádicos e fixações 14,15,42,51,52,54,58,60, bem como pupilometria40. Os dados RT geralmente surgem de dados de resposta do motor registrados durante a operação de vários dispositivos, como alavancas13, botões e interruptores 14,53, pedais53, botões giratórios19, joysticks37, teclado61 e mouse 29,58,60, rodas motrizes 53, sensores inerciais22,23, telas sensíveis ao toque52,59e microfones22. Para medir a RP, além dos TRs, o desenho do estudo também incluirá o registro de rotações manuais de estímulos interativos enquanto os participantes realizam a tarefa de RM 22,23,52,53.

Em 1998, Wohlschläger e Wohlschläger19 utilizaram tarefas "iguais ou diferentes" com estímulos interativos de SM virtual manipulados com um botão, com rotações limitadas a um eixo por tarefa. Eles mediram o TR e o registro cumulativo das rotações físicas realizadas durante as tarefas. Comparando situações com e sem rotação real dos estímulos interativos, eles concluíram que RM e RP compartilham um processo comum para rotações imaginadas e realmente realizadas.

Em 2014, foram realizados dois estudos empregando o mesmo tipo de tarefas com estímulos interativos virtuais 22,23. No entanto, os objetos foram manipulados com sensores inerciais que capturaram o movimento no espaço 3D. Em ambos os casos, além dos TRs, foram registradas as trajetórias de rotação - a evolução das diferenças de rotação entre estímulos de referência e interativos durante as tarefas. A partir dessas trajetórias, foi possível extrair informações cumulativas (ou seja, o número total de rotações, em unidades quaterniônicas) e informações detalhadas sobre as estratégias de solução. Adams et al.23 estudaram o efeito cooperativo entre RM e RP. Além dos RTs, eles usaram a integral das trajetórias de rotação como parâmetro de precisão e objetividade de resolução. Os perfis das curvas foram interpretados de acordo com um modelo de três etapas63 (planejamento, rotação principal, ajuste fino). Os resultados indicam que a RM e a RP não têm necessariamente um único fator comum. Gardony et al.22 coletaram dados sobre TR, acurácia e rotação em tempo real. Além de confirmar a relação entre RM e RP, a análise das trajetórias de rotação revelou que os participantes manipularam os números até que pudessem identificar se eram diferentes ou não. Se fossem iguais, os participantes os girariam até que parecessem iguais.

Continuando essa estratégia, em 2018, Wetzel e Bertel52 também usaram figuras SM interativas em tarefas "iguais ou diferentes" usando tablets com tela sensível ao toque como interface. Além disso, eles usaram um dispositivo de rastreamento ocular para obter dados cumulativos sobre o tempo de fixação e a amplitude sacádica como parâmetros da carga cognitiva envolvida na resolução de tarefas de RM. Os autores confirmaram os estudos anteriores discutidos acima sobre as relações entre RM e RP e os processos de resolução de tarefas. No entanto, neste estudo, eles não utilizaram dados de mapeamento de fixação e sacadas para os estímulos.

Abordagens metodológicas para o mapeamento de dados de rastreamento ocular em objetos 3D virtuais têm sido propostas e constantemente aprimoradas, comumente por pesquisadores interessados em estudar os fatores relacionados à atenção visual em ambientes virtuais64. Embora acessíveis e usando dispositivos de rastreamento ocular semelhantes, aparentemente, esses métodos não foram efetivamente integrados ao repertório experimental empregado em estudos de rotação mental com objetos 3D interativos, como os mencionados anteriormente. Por outro lado, não encontramos nenhum estudo na literatura relatando mapeamento em tempo real de dados de fixação e movimento sacádico em objetos 3D interativos. Parece não haver um método conveniente para integrar facilmente os dados de atividade ocular com as trajetórias de rotação. Nesta pesquisa, pretendemos contribuir para preencher essa lacuna. O procedimento é apresentado em detalhes, desde a aquisição de dados até a geração de saída gráfica.

Neste artigo, descrevemos em detalhes um método para estudar processos de rotação mental com objetos 3D interativos virtuais. Os seguintes avanços são destacados. Primeiro, ele integra a coleta de dados quantitativos de motor comportamental (rotação de objetos acionados pela mão por meio de uma interface de computador) e ocular (rastreamento ocular) durante sessões de interação com modelos virtuais 3D. Em segundo lugar, requer apenas equipamentos de computador convencionais e dispositivos de rastreamento ocular para design de tarefas visuais, aquisição de dados, gravação e processamento. Em terceiro lugar, ele gera facilmente uma saída gráfica para facilitar a análise de dados - disparidade angular, rotação física, trajetórias de rotação quaterniônica e mapeamento de acertos de dados de rastreamento ocular em objetos virtuais 3D. Finalmente, o método requer apenas software livre. Todos os códigos e scripts desenvolvidos estão disponíveis gratuitamente (https://github.com/rodrigocnstest/rodrigocnstest.github.io).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

1. Preparação de ferramentas de coleta de dados

  1. Configure a coleta de dados online (opcional).
    NOTA: Esta etapa descreve como configurar um clone personalizável do código do projeto e da página da Web de trabalho (consulte Arquivo Suplementar 1). Esta etapa foi adaptada dos tutoriais disponíveis em https://pages.github.com/ e https://github.com/jamiewilson/form-to-google-sheets. Se os usuários estiverem interessados apenas no método de processamento de dados e não no registro de dados, eles podem usar a página da Web https://rodrigocnstest.github.io/iRT_JoVE.html, juntamente comTabela Suplementar S1 e os arquivos do repositório em https://github.com/rodrigocns/rodrigocns_JoVE/tree/main/Octave e ignore as etapas 1.1, 1.2 e suas subetapas.
    1. Entre no GitHub (https://github.com/).
    2. Crie um clone público do repositório original de páginas do GitHub.
      1. Clique em Importar repositório do https://github.com enquanto estiver conectado à conta.
      2. No campo URL de clone do seu repositório antigo , cole o https://github.com/rodrigocns/rodrigocns_JoVE URL no campo Nome do repositório , digite username.github.io, onde username é o nome de usuário usado na conta, e verifique se a opção Public está habilitada. Em seguida, clique no botão verde Iniciar importação.
        NOTA: O repositório agora contém a maioria dos arquivos necessários para o restante desta configuração, e todas as alterações feitas no repositório serão atualizadas no site após alguns minutos. Por exemplo, o usuário chamado rodrigocnstest acessaria sua própria página no https://rodrigocnstest.github.io e seu repositório GitHub no https://github.com/rodrigocnstest/rodrigocnstest.github.io.
    3. Configure uma planilha na nuvem para armazenar os dados do experimento online.
      1. Inscreva-se ou faça login em uma conta do Google.
      2. Enquanto estiver conectado à conta, vá para o arquivo de limpeza de planilhas iRT disponível em https://docs.google.com/spreadsheets/d/1imsVR7Avn69jSRV8wZYfsPkxvhSPZ73X_9
        Ops1wZrXI/edit?usp=sharing.
      3. Dentro desta planilha, clique em Arquivo | Faça uma cópia. Uma pequena janela de confirmação aparecerá.
      4. Dentro da pequena janela, dê um nome ao arquivo e clique no botão Fazer uma cópia .
    4. Configure um Google Apps Script para automatizar o armazenamento de dados dentro da planilha que você criou.
      1. Enquanto estiver dentro do arquivo da planilha, clique na opção Extensão | Script de aplicativos.
        NOTA: Este script deve ser criado ou acessado de dentro da planilha para que seja associado a ela. Tentar criar um script externamente pode não funcionar.
      2. Clique no botão Executar para executar o script pela primeira vez.
      3. Clique no botão Revisar permissões . Uma nova janela aparecerá. Clique na mesma conta usada ao criar a planilha.
        NOTA: Se esta for a primeira vez que executa esta etapa, um alerta de segurança pode aparecer avisando o usuário sobre o aplicativo solicitando acesso às informações da conta. É seguro, pois o aplicativo está tentando acessar o conteúdo da planilha e pedindo permissão para preenchê-la com dados. Se nenhum aviso aparecer, a etapa 1.1.4.4 pode ser ignorada.
      4. Clique em Avançado | Ir para Do iRT para planilhas (não seguro) | Botão Permitir .
        NOTA: Após a execução, um aviso informando que a execução foi concluída deve aparecer dentro do log de execução.
      5. No painel deslizante esquerdo, clique no botão Gatilhos (o quarto ícone de cima para baixo) | + Adicionar botão Gatilho .
      6. Em Choose which function to run, escolha doPost; em Selecionar origem do evento, selecione Da planilha; em Selecionar tipo de evento, escolha Ao enviar formulário. Em seguida, clique em Salvar. Se algum pop-up de permissão aparecer, siga as etapas 1.1.4.3-1.1.4.4. Se o navegador acabar bloqueando o pop-up, desbloqueie-o.
      7. Clique no botão suspenso Implantar | Nova implantação.
      8. Passe o mouse sobre o ícone de engrenagem e verifique se a opção Aplicativo Web está selecionada.
      9. Escreva uma descrição no campo Nova descrição , como Implantação 1; no campo Quem tem acesso , selecione Qualquer pessoa e clique no botão Implantar .
        NOTA: O objetivo do campo Nova descrição é organizar as implantações de script. Ele pode ser nomeado como o leitor desejar, como Primeira implantação. O campo Executar como já deve aparecer como Eu(email), onde email é o email usado até agora.
      10. Dentro do novo pop-up, copie a URL do aplicativo Web da implantação do script.
        NOTA: Se, por algum motivo, você acabar perdendo o URL do aplicativo Web copiado, recupere-o clicando no menu suspenso Implantar | Gerenciar implantações. A URL do aplicativo Web deve estar lá.
      11. Vá para a página em https://github.com/rodrigocnstest/rodrigocnstest.github.io/edit/main/javascript/scripts.js onde rodrigocnstest é o nome de usuário usado no GitHub. Substitua a URL existente na linha 5 pela URL copiada do aplicativo Web na etapa 1.1.4.10 e clique no botão verde Confirmar alterações....
        NOTA: O valor do URL copiado deve permanecer entre aspas simples ' ' ou duplas " "'. Verifique novamente se a URL copiada é a correta do aplicativo Web.
      12. Por fim, clique no botão Confirmar alterações no meio da tela.
    5. Verifique se o processo foi concluído corretamente e se a página está funcionando.
      1. Vá para o repositório em https://github.com/username/username.github.io/, onde username é o nome de usuário usado no GitHub, e verifique se a implantação foi atualizada após as alterações feitas na etapa 1.4.14.
      2. Navegue até a página da Web em https://username.github.io/iRT_JoVE, altere o nome de usuário para o nome de usuário usado no GitHub e clique em Avançar.
      3. Clique em Ir, faça qualquer interação clicando e arrastando o objeto à direita com o mouse e, em seguida, clique no botão CONCLUÍDO! .
      4. Volte para o arquivo de planilha configurado nas etapas 1.1.3 e 1.1.4 e verifique a presença de uma linha de dados recém-adicionada para cada vez que o botão CONCLUÍDO foi pressionado.
  2. Configure a aquisição de dados offline (opcional).
    NOTA: O método destinado a executar e adquirir os dados da tarefa de rotação interativa (iRT) está online por meio dos serviços de nuvem configurados nas etapas descritas acima. Se desejado (já que a conexão com a internet pode ser um problema ou ter uma maneira alternativa de executá-la), também é possível executar o teste localmente com ou sem conexão com a internet no local onde o teste será executado. As etapas a seguir são uma alternativa opcional e descrevem como fazer isso. Caso contrário, pule para a etapa 1.3.
    1. Acesse o repositório GitHub no link: https://github.com/rodrigocnstest/rodrigocnstest.github.io. Clique no botão verde < > Código | Baixe o ZIP e, em seguida, descompacte os arquivos baixados.
      NOTA: As alterações feitas nos arquivos armazenados localmente não alterarão os arquivos no repositório e vice-versa. Quaisquer alterações destinadas a ambas as versões devem ser aplicadas a ambos os locais, copiando manualmente os arquivos atualizados ou por meio do uso do git/GitHub desktop.
    2. Obtenha a versão mais recente do Mozilla Firefox através do link: https://www.mozilla.org/en-US/firefox/new/.
    3. Abra o navegador Mozilla Firefox, digite "about:config" no slot URL, digite "security.fileuri.strict_origin_policy" no campo de pesquisa e altere seu valor para false. NOTA: Agora, o Mozilla Firefox no sistema operacional Windows deve ser capaz de acessar localmente os arquivos da página da web baixados em seu computador. Outros navegadores e sistemas operacionais podem ser configurados para funcionar localmente, cada um com sua configuração descrita no link http://wiki.jmol.org/index.php/Troubleshooting/Local_Files.
  3. Configure a ferramenta de processamento de dados.
    1. Baixe e instale a versão mais recente do GNU Octave em https://octave.org/download.
  4. Configure o dispositivo de rastreamento ocular.
    1. Certifique-se de que o software do sistema de gravação esteja instalado no laptop.
    2. Certifique-se de que a sala de pesquisa esteja limpa e bem organizada para evitar distrações.
    3. Use iluminação artificial na sala para manter uma iluminação consistente ao longo do dia.
    4. Instale o computador em uma mesa e certifique-se de que o participante possa mover o mouse confortavelmente.
    5. Forneça uma cadeira confortável para o participante, de preferência uma cadeira fixa, para minimizar o movimento durante o teste.
    6. Conecte um cabo USB para alimentar a iluminação infravermelha e outro cabo USB entre o laptop/computador e o rastreador ocular da câmera.
    7. Coloque o rastreador ocular abaixo da tela.

2. Coleta de dados

  1. Inicialize o software de coleta de dados.
    1. Execute o software de rastreamento ocular no computador para receber dados do rastreador ocular.
    2. Selecione a opção Captura de tela na janela principal do software para capturar o olhar durante o experimento (também é possível usar este software para visualização do mapa de calor e dados brutos de exportação).
    3. Clique em Novo projeto para criar um novo projeto e uma pasta de projeto onde os dados devem ser salvos.
    4. Abra a página de teste em https://rodrigocnstest.github.io/iRT_JoVE.html se estiver usando a oferecida como exemplo ou a página criada na etapa 1.1. Como alternativa, abra o arquivo iRT_JoVE.html localmente a partir do navegador configurado anteriormente na etapa 1.2.
    5. Se necessário, preencha os campos de nome e e-mail para ajudar na identificação dos dados e marque a caixa para baixar uma cópia de backup dos dados produzidos.
      NOTA: Se estiver usando o método offline (etapa 1.2), é aconselhável baixar as cópias de backup.
    6. Tente executar o experimento uma vez para garantir que o navegador carregue os elementos corretamente e que não haja problemas com as tarefas apresentadas ou a aquisição de dados.
  2. Execute o experimento.
    1. Explique ao participante o objetivo do experimento, a tecnologia utilizada e os critérios de inclusão/exclusão. Certifique-se de que o participante entendeu tudo. Peça ao participante que preencha o formulário de consentimento.
    2. Peça ao participante para se sentar diante do Sistema de Rastreamento Ocular e ficar o mais confortável possível.
    3. Mova a cadeira para garantir uma distância ideal entre o participante e a câmera (o comprimento ideal é de 65 cm do rastreador ocular aos olhos do participante).
    4. Peça ao participante para ficar o mais imóvel possível durante o experimento. Ajuste a altura da câmera para capturar corretamente as pupilas do participante (alguns softwares destacam a pupila para mostrar o reflexo da córnea).
    5. Clique em Ativar ganho automático para otimizar o rastreamento da pupila, alterando o ganho da câmera até que as pupilas sejam encontradas (alguns softwares não têm essa opção).
    6. Peça ao participante para olhar para uma série de pontos na tela e seguir o movimento do ponto sem mover a cabeça.
    7. Clique em Calibrar para iniciar a calibração (isso garantirá que o rastreador ocular possa rastrear para onde o participante está olhando para a tela).
      NOTA: A tela ficará em branco e um marcador de calibração (ponto) se moverá por cinco posições na tela.
    8. Após a calibração, uma estimativa visual do ponto de olhar será desenhada na tela para verificar a precisão da calibração. Peça ao participante para olhar para um ponto específico em exibição para ver se o olhar será exibido corretamente.
    9. Se a calibração não for satisfatória, ajuste a câmera e tente a calibração novamente até que o sistema rastreie o olhar adequadamente.
    10. Clique no botão Coletar dados no lado direito do software de rastreamento ocular (menu principal) para ativar o modo de coleta de dados. A exibição em tempo real da tela capturada será apresentada com os dados de observação mostrados na janela de exibição principal.
    11. Clique no botão Olhar vídeo no menu principal para exibir o rosto do usuário capturado pelo rastreador ocular. Em seguida, clique em Iniciar registro para iniciar o experimento.
      NOTA: Durante o experimento, a pupila do participante é destacada e seu olho é exibido como um ponto se movendo pela tela do laptop. Certifique-se de que o rastreador ocular rastreie a pupila e o olho na tela.
    12. Se o ponto desaparecer ou piscar com frequência, pare o experimento e tente calibrar novamente.
    13. Abra a janela do iRT aberta anteriormente e diga ao participante para clicar em Avançar.
    14. Dê as seguintes instruções ao participante: "Nesta seção, você realizará três tarefas de rotação. Quando você clica no botão GO! , dois objetos aparecerão em lados opostos da tela. Seu objetivo é girar o objeto à direita até que ele corresponda ao objeto à esquerda da melhor maneira possível. Para girar o objeto, clique e arraste o mouse sobre ele. Ao terminar cada uma das três tarefas, clique no botão CONCLUÍDO! botão para concluir."
      NOTA: Para cada tarefa, quaisquer dados iRT além da marca de 5 minutos (327º segundo exatamente) podem ser perdidos. À medida que desenvolvemos o método, esse limite deve ser expandido.
    15. No final do experimento, certifique-se de que o rastreador ocular esteja desligado do cabo de extensão e coloque a tampa da lente de volta na câmera.
  3. Extraia os dados.
    1. Assim que a coleta de dados do rastreador ocular for concluída, clique em Analisar dados para acessar os dados coletados.
    2. Exporte um arquivo .csv com todos os dados registrados para o usuário.
      NOTA: A primeira coluna de dados do rastreador ocular deve ser a época UNIX dos dados, pois essa é a única maneira de fazer com que diferentes conjuntos de dados correspondam corretamente no tempo. Se o arquivo não contiver um, ele deverá ser convertido de qualquer outro padrão de tempo usado. O arquivo pode estar no formato ".csv" ou ".xlsx".
    3. Se estiver usando a versão online da página de tarefas de rotação interativa (etapa 1.1), abra o arquivo do Planilhas Google usado para receber os dados online (criado na etapa 1.1.3) e baixe-o clicando em Arquivo | Baixar | Microsoft Excel (.xlsx).
      NOTA: Esses dados são empacotados para facilitar a transferência de dados (cada tarefa corresponde a uma linha preenchida com dados). Para processar os dados internos, cada linha de dados empacotados deve ser "descompactada" primeiro.

3. Tratamento e análise de dados

  1. Desempacote, mescle e processe os dados.
    OBSERVAÇÃO: as etapas a seguir descrevem como processar os dados usando os scripts fornecidos (consulte o Arquivo Suplementar 2). Os scripts GNU Octave solicitarão ao usuário entradas sobre seus arquivos. Se as entradas forem enviadas em branco, os valores padrão, referenciando os dados de amostra fornecidos se nenhum dado do usuário os tiver substituído, serão usados. Depois que o script terminar de ser executado, ele poderá ser fechado.
    1. Baixe e descompacte o repositório que está sendo usado (o próprio usuário ou o original em https://github.com/rodrigocns/rodrigocns_JoVE) se ele ainda não tiver sido baixado.
    2. Certifique-se de que os scripts 1.unpacking_sheets.m, 2.data_merge_and_process.m 3.3D rotacional trajectory.m e os modelos de pasta estejam dentro do repositório baixado na pasta Octave e mova os arquivos de dados baixados das etapas 2.3.2 e 2.3.3 para esta mesma pasta onde estão os scripts octave.
      NOTA: Todos os arquivos existentes que já estão na pasta com os mesmos nomes dos arquivos recém-gravados podem ser substituídos. Renomeie ou mova os arquivos para outra pasta de acordo.
    3. Abra o script 1.unpacking_sheets.m com o GNU Octave Launcher. Na guia Editor , execute o script clicando no botão verde Salvar arquivo e executar para descompactar os dados em uma estrutura mais legível.
      NOTA: Se algum dos arquivos de dados solicitados estiver aberto localmente, lembre-se de fechá-los antes de executar o script. Todos os arquivos de script .m foram executados usando o GNU Octave Launcher.
    4. Dois prompts aparecerão, um após o outro. Insira o nome do arquivo baixado no primeiro prompt e o nome do arquivo não empacotado no segundo campo. Como alternativa, deixe os dois campos de prompt em branco para usar os nomes padrão destinados aos arquivos de amostra incluídos. Aguarde alguns minutos (dependendo do volume de dados) por um pop-up informando ao usuário que o processo foi concluído e que o novo arquivo foi gravado.
    5. Abra e execute o script 2.data_merge_and_process.m para mesclar os dados do rastreador ocular e do iRT.
      NOTA: Embora esse script seja complexo, abrangendo centenas de linhas de código, ele é dividido em três seções principais: configurações, funções e scripts. Todos eles são comentados e explicados minuciosamente, facilitando futuras modificações, se necessário.
    6. Quatro prompts serão exibidos. Insira o valor sessionID, o valor taskID (ambos da tabela de dados iRT), o nome do arquivo de dados iRT não empacotado (escrito na etapa 3.1.5) e o nome do arquivo de dados do rastreador ocular (exportado na etapa 2.3.2) ou deixe todos eles em branco para usar os valores padrão.
      NOTA: Após alguns minutos, um pop-up de ajuda indicará que o script concluiu o cálculo e os nomes dos arquivos usados e criados. Três gráficos de amostra de disparidade angular aparecerão durante o processo de script: um gráfico simples, um gráfico com dados de olhar colorido e um gráfico com dados de diâmetro da pupila. Os dois arquivos criados são output merge X Y.xlsx e output jmol console X Y.xlsx, onde X é o valor sessionID e Y é o valor taskID , ambos gravados no início da etapa 3.1.6.
  2. Renderize imagens de trajetória de rotação 3D.
    1. Abra e execute o script 3.3D trajetória de rotação.m.
    2. Três prompts aparecerão. Insira o valor sessionID, o valor taskID e o nome do arquivo de dados iRT não empacotados ou deixe-os em branco para usar os valores padrão.
      NOTA: Um gráfico 3D aparecerá. O gráfico renderizado é a trajetória de rotação 3D da sessão e tarefa especificadas.
  3. Reproduza as animações.
    1. Para reproduzir a interação da tarefa do participante, primeiro, vá para a página da Web da tarefa interativa, inicie o teste (mostrando os dois modelos 3D), mova o ponteiro do mouse no canto superior direito da tela até que o ícone do mouse mude para texto, conforme descrito no Arquivo Suplementar 2 e, em seguida, clique no texto de depuração invisível, habilitando o modo de depuração.
    2. Nos botões que aparecem entre os modelos, clique no botão timerStop para interromper a tarefa e clique no botão do console para abrir o console JSmol do modelo à direita. Se a tarefa da interação de interesse não foi a primeira, clique nos botões numerados dentro da área de depuração superior para alterar a tarefa que está sendo mostrada na tela.
      NOTA: JSmol é o software de modelagem molecular usado na página da web.
    3. Abra o arquivo de saída jmol console.xlsx e copie a página inteira dos comandos Jmol.
      NOTA: Cada página contém comandos para uma cena ou animação diferente.
    4. Dentro do console JSmol, cole a lista de comandos copiados e clique no botão Executar ou pressione Enter no teclado para executá-lo.
    5. Se desejar, gere uma animação .gif. Escreva o comando capture "filename" SCRIPT "output" dentro do console JSmol, onde filename é o nome do arquivo .gif a ser criado e output é toda a lista de comandos copiados no passo 3.3.3, mantendo ambos entre aspas duplas.
      NOTA: Quanto mais complexos forem os comandos, com modelos maiores ou mais mudanças no tempo, e quanto menos potentes forem as especificações do computador utilizado, mais lenta se tornará a animação. A Jmol está focada na visualização de compostos químicos e reações, e o tipo de animação produzida com nossa pesquisa ultrapassa os limites das capacidades de renderização da Jmol. Esses pontos devem ser considerados e contabilizados ao fazer qualquer medida quantitativa com esta animação.

4. Personalização de tarefas

NOTA: Esta seção inteira é opcional e recomendada apenas para quem gosta de experimentar ou entender como codificar. Abaixo, você encontrará algumas das muitas opções personalizáveis disponíveis, e mais opções estarão disponíveis à medida que desenvolvermos os métodos.

  1. Configure tarefas novas ou existentes.
    1. Defina quantas tarefas interativas serão executadas pelo participante e nomeie cada uma delas no object_configs.js de arquivo dentro da matriz task_list substituindo os nomes de itens existentes ou adicionando mais. Certifique-se de que cada nome seja exclusivo, pois eles são usados posteriormente como identificadores.
    2. Escolha arquivos de coordenadas 3D compatíveis com JSmol para executar as tarefas interativas (http://wiki.jmol.org/index.php/File_formats). Copie esses arquivos para a pasta de modelos.
      NOTA: Os scripts incluídos neste artigo são otimizados para modelos assimétricos usando o formato de arquivo .xyz. Ao escolher arquivos de coordenadas, evite simetrias de rotação, pois elas têm soluções ambíguas65.
    3. Defina as configurações de renderização para objetos 3D dentro da função prepMolecule(num).
      NOTA: Todas as alterações de uma tarefa para a próxima executadas pelo JSmol vão aqui: alterar o padrão de cores, alterar o tamanho ou a forma como os elementos gráficos são renderizados, orientação, tradução, ocultar partes do objeto, carregar novos modelos 3D, etc. (para mais exemplos, consulte https://chemapps.stolaf.edu/jmol/docs/examples/bonds.htm). Cada tarefa nomeada em task_list corresponde a um caso. Cada comando para o JSmol executar segue a estrutura: Jmol.script( jsmol_obj , " jsmol_command1; jsmol_command2 "); onde jsmol_obj refere-se ao objeto que está sendo alterado (jsmol_ref e jsmol_obj sendo o padrão para o alvo e objetos interativos) seguido por um ou mais comandos separados por um ";".
  2. Crie novos modelos.
    1. Use qualquer modelo .xyz baixado online ou criado por editores moleculares como Avogadro (https://avogadro.cc/).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Evolução da disparidade angular e outras variáveis
Conforme descrito na etapa 3.3.1 no Arquivo Suplementar 2, duas telas são apresentadas ao participante na tela do monitor de vídeo, exibindo cópias do mesmo objeto virtual 3D em diferentes orientações. Na tela esquerda, o objeto de destino (tObj) permanece estático e serve como a posição de destino ou posição tObj. Na tela direita, o objeto interativo (iObj) é mostrado em uma posição diferente e permite que o particip...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Como dito anteriormente, este artigo tem como objetivo apresentar um procedimento detalhado de mapeamento em tempo real de dados de fixação e movimento sacádico em objetos 3D interativos, que é facilmente personalizável e utiliza apenas softwares disponíveis gratuitamente, fornecendo instruções passo a passo para que tudo funcione.

Embora essa configuração experimental envolvesse uma tarefa altamente interativa, como mover um objeto 3D para corresponder à orie...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm conflitos de interesse a divulgar.

Agradecimentos

Os autores agradecem à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) - Código de Finanças 001 e à Universidade Federal do ABC (UFABC). João R. Sato recebeu apoio financeiro da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP, Processos nº 2018/21934-5, 2018/04654-9 e 2023/02538-0).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
FirefoxMozilla Foundation (Open Source)Qualquer navegador moderno atualizado que seja compatível com WebGL (https://caniuse.com/webgl) e, por sua vez, com Jmol, pode ser usado
GNU OctaveOpen Sourcehttps://octave.org/
Google Apps ScriptGoogle LLCscript.google.com
Google SheetsGoogle LLChttps://www.google.com/sheets/about/
LaptopQualquer computador que possa executar o software do sistema de rastreamento ocular.
Pacote de softwareMangold Mangold Interface de software usada para o dispositivo de rastreamento ocular. Qualquer software que produza os dados com valores de tempo do sistema pode ser usado.
MouseQualquer mouse capaz de clicar e arrastar com movimentos simples deve ser compatível. Interfaces humanas análogas a um mouse com os mesmos recursos, como uma tela sensível ao toque ou ponteiro, devem ser compatíveis, mas podem se comportar de maneira diferente.
Vt3miniEyeTech Digital Systems60 Hz. Qualquer dispositivo de rastreamento ocular em funcionamento deve ser compatível.

Referências

  1. Spearman, C. 34;General intelligence," objectively determined and measured. The American Journal of Psychology. 15, 201-292 (1904).
  2. McGee, M. G. Human spatial abilities: psychometric studies and environmental, genetic, hormonal, and neurological influences. Psychological bulletin. 86 (5), 889-918 (1979).
  3. Johnson, W., Bouchard, T. J. The structure of human intelligence: It is verbal, perceptual, and image rotation (VPR), not fluid and crystallized. Intelligence. 33 (4), 393-416 (2005).
  4. Hegarty, M. Components of spatial intelligence. Psychology of Learning and Motivation. 52, 265-297 (2010).
  5. Uttal, D. H., et al. The malleability of spatial skills: a meta-analysis of training studies. Psychological Bulletin. 139 (2), 352-402 (2013).
  6. Linn, M. C., Petersen, A. C. Emergence and characterization of sex differences in spatial ability: a meta-analysis. Child Development. 56 (6), 1479-1498 (1985).
  7. Johnson, S. P., Moore, D. S. Spatial thinking in infancy: Origins and development of mental rotation between 3 and 10 months of age. Cognitive Research: Principles and Implications. 5, 10(2020).
  8. Wai, J., Lubinski, D., Benbow, C. P. Spatial ability for STEM domains: aligning over 50 years of cumulative psychological knowledge solidifies its importance. Journal of Educational Psychology. 101 (4), 817-835 (2009).
  9. Newcombe, N. S., Stieff, M. Six myths about spatial thinking. International Journal of Science Education. 34, 955-971 (2012).
  10. Kell, H. J., Lubinski, D., Benbow, C. P., Steiger, J. H. Creativity and technical innovation: spatial ability's unique role. Psychological Science. 24 (9), 1831-1836 (2013).
  11. Geary, D. C. Spatial ability as a distinct domain of human cognition: An evolutionary perspective. Intelligence. 101616, (2022).
  12. Shepard, R., Metzler, J. Mental rotation of three-dimensional objects. Science. 171, 701-703 (1971).
  13. Shepard, R., Judd, S. Perceptual illusion of rotation of three-dimensional objects. Science. 191, 952-954 (1973).
  14. Just, M. A., Carpenter, P. A. Eye fixations and cognitive processes. Cognitive Psychology. 8, 441-480 (1976).
  15. Just, M. A., Carpenter, P. A. Cognitive coordinate systems: accounts of mental rotation and individual differences in spatial ability. Psychological Review. 92 (2), 137-172 (1985).
  16. Shepard, S., Metzler, D. Mental rotation: effects of dimensionality of objects and type of task. Journal of Experimental Psychology: Human Perception and Performance. 14 (1), 3-11 (1988).
  17. Biederman, I., Cooper, E. Size invariance in visual object priming. Journal of Experimental Psychology: Human Perception and Performance. 18, 121-133 (1992).
  18. Wexler, M., Kosslyn, S. M., Berthoz, A. Motor processes in mental rotation. Cognition. 68 (1), 77-94 (1998).
  19. Wohlschläger, A., Wohlschläger, A. Mental and manual rotation. Journal of Experimental Psychology: Human Perception and Performance. 24 (2), 397-412 (1998).
  20. Jordan, K., W, T., Heinze, H., Peters, M., Jäncke, L. Women and men exhibit different cortical activation patterns during mental rotation tasks. Neuropsychologia. 40, 2397-2408 (2002).
  21. Jansen-Osmann, P., Heil, M. Suitable stimuli to obtain (no) gender differences in the speed of cognitive processes involved in mental rotation. Brain and Cognition. 64, 217-227 (2007).
  22. Gardony, A. L., Taylor, H. A., Brunyé, T. T. What does physical rotation reveal about mental rotation. Psychological Science. 25 (2), 605-612 (2014).
  23. Adams, D. M., Stull, A. T., Hegarty, M. Effects of mental and manual rotation training on mental and manual rotation performance. Spatial Cognition & Computation. 14 (3), 169-198 (2014).
  24. Griksiene, R., Arnatkeviciute, A., Monciunskaite, R., Koenig, T., Ruksenas, O. Mental rotation of sequentially presented 3D figures: sex and sex hormones related differences in behavioural and ERP measures. Scientific Reports. 9, 18843(2019).
  25. Jansen, P., Render, A., Scheer, C., Siebertz, M. Mental rotation with abstract and embodied objects as stimuli: evidence from event-related potential (ERP). Experimental Brain Research. 238, 525-535 (2020).
  26. Noll, M. Early digital computer art at Bell Telephone Laboratories, Incorporated. Leonardo. 49 (1), 55-65 (2016).
  27. Vandenberg, S. G., Kuse, A. R. Mental rotations, a group of three-dimensional spatial visualization. Perceptual and Motor Skills. 47, 599-604 (1978).
  28. Hegarty, M. Ability and sex differences in spatial thinking: What does the mental rotation test really measure. Psychonomic Bulletin & Review. 25, 1212-1219 (2018).
  29. Kozaki, T. Training effect on sex-based differences in components of the Shepard and Metzler mental rotation task. Journal of Physiological Anthropology. 41, 39(2022).
  30. Bartlett, K. A., Camba, J. D. Gender differences in spatial ability: a critical review. Educational Psychology Review. 35, 1-29 (2023).
  31. Jansen, P., Schmelter, A., Quaiser-Pohl, C. M., Neuburger, S., Heil, M. Mental rotation performance in primary school age children: Are there gender differences in chronometric tests. Cognitive Development. 28, 51-62 (2013).
  32. Techentin, C., Voyer, D., Voyer, S. D. Spatial abilities and aging: a meta-analysis. Experimental Aging Research. 40, 395-425 (2014).
  33. Guillot, A., Champely, S., Batier, C., Thiriet, P., Collet, C. Relationship between spatial abilities, mental rotation and functional anatomy learning. Advances in Health Sciences Education. 12, 491-507 (2007).
  34. Voyer, D., Jansen, P. Motor expertise and performance in spatial tasks: A meta-analysis. Human Movement Science. 54, 110-124 (2017).
  35. Peters, M., et al. A redrawn Vandenberg and Kuse mental rotations test: different versions and factors that affect performance. Brain and Cognition. 28, 39-58 (1995).
  36. Peters, M., Battista, C. Applications of mental rotation figures of the Shepard and Metzler type and description of a mental rotation stimulus library. Brain and Cognition. 66, 260-264 (2008).
  37. Wiedenbauer, G., Schmid, J., Jansen-Osmann, P. Manual training of mental rotation. European Journal of Cognitive Psychology. 19, 17-36 (2007).
  38. Jost, L., Jansen, P. A novel approach to analyzing all trials in chronometric mental rotation and description of a flexible extended library of stimuli. Spatial Cognition & Computation. 20 (3), 234-256 (2020).
  39. Amorim, M. A., Isableu, B., Jarraya, M. Embodied spatial transformations:" body analogy" for the mental rotation of objects. Journal of Experimental Psychology: General. 135 (3), 327(2006).
  40. Bauer, R., Jost, L., Günther, B., Jansen, P. Pupillometry as a measure of cognitive load in mental rotation tasks with abstract and embodied figures. Psychological Research. 86, 1382-1396 (2022).
  41. Heil, M., Jansen-Osmann, P. Sex differences in mental rotation with polygons of different complexity: Do men utilize holistic processes whereas women prefer piecemeal ones. The Quarterly Journal of Experimental Psychology. 61 (5), 683-689 (2008).
  42. Larsen, A. Deconstructing mental rotation. Journal of Experimental Psychology: Human Perception and Performance. 40 (3), 1072-1091 (2014).
  43. Ho, S., Liu, P., Palombo, D. J., Handy, T. C., Krebs, C. The role of spatial ability in mixed reality learning with the HoloLens. Anatomic Sciences Education. 15, 1074-1085 (2022).
  44. Foster, D. H., Gilson, S. J. Recognizing novel three-dimensional objects by summing signals from parts and views. Procedures of the Royal Society London B. 269, 1939-1947 (2002).
  45. Stieff, M., Origenes, A., DeSutter, D., Lira, M. Operational constraints on the mental rotation of STEM representations. Journal of Educational Psychology. 110 (8), 1160-1174 (2018).
  46. Moen, K. C., et al. Strengthening spatial reasoning: elucidating the attentional and neural mechanisms associated with mental rotation skill development. Cognitive Research: Principles and Implications. 5, 20(2020).
  47. Guay, R. B. Purdue spatial visualization test: Rotations. Purdue Research Foundation. , West Lafayette, IN. (1976).
  48. Bodner, G. M., Guay, R. B. The Purdue Visualization of Rotations Test. The Chemical Educator. 2 (4), 1-17 (1997).
  49. Maeda, Y., Yoon, S. Y., Kim-Kang, K., Imbrie, P. K. Psychometric properties of the Revised PSVT:R for measuring First Year engineering students' spatial ability. International Journal of Engineering Education. 29, 763-776 (2013).
  50. Sorby, S., Veurink, N., Streiner, S. Does spatial skills instruction improve STEM outcomes? The answer is 'yes'. Learning and Individual Differences. 67, 209-222 (2018).
  51. Khooshabeh, P., Hegarty, M. Representations of shape during mental rotation. AAAI Spring Symposium: Cognitive Shape Processing. , 15-20 (2010).
  52. Wetzel, S., Bertel, S. Spatial cognition XI. Spatial cognition 2018. Lecture Notes in Computer Science. Creem-Regehr, S., Schoning, J., Klippel, A. 11034, Springer. Cham. 167-179 (2018).
  53. Jost, L., Jansen, P. Manual training of mental rotation performance: Visual representation of rotating figures is the main driver for improvements. Quarterly Journal of Experimental Psychology. 75 (4), 695-711 (2022).
  54. Irwin, D. E., Brockmole, J. R. Mental rotation is suppressed during saccadic eye movements. Psychonomic Bulletin & Review. 7 (4), 654-661 (2000).
  55. Moreau, D. The role of motor processes in three-dimensional mental rotation: Shaping cognitive processing via sensorimotor experience. Learning and Individual Differences. 22, 354-359 (2021).
  56. Kosslyn, S. M., Ganis, G., Thmpson, W. L. Neural foundations of imagery. Nature Reviews Neuroscience. 2, 635-642 (2001).
  57. Guo, J., Song, J. H. Reciprocal facilitation between mental and visuomotor rotations. Scientific Reports. 13, 825(2023).
  58. Nazareth, A., Killick, R., Dick, A. S., Pruden, S. M. Strategy selection versus flexibility: Using eye-trackers to investigate strategy use during mental rotation. Journal of Experimental Psychology: Learning, Memory, and Cognition. 45 (2), 232-245 (2019).
  59. Montag, M., Bertel, S., Koning, B. B., Zander, S. Exploration vs. limitation - An investigation of instructional design techniques for spatial ability training on mobile devices. Computers in Human Behavior. 118, 106678(2021).
  60. Tang, Z., et al. Eye movement characteristics in a mental rotation task presented in virtual reality. Frontiers in Neuroscience. 17, 1143006(2023).
  61. Münzer, S. Facilitating recognition of spatial structures through animation and the role of mental rotation ability. Learning and Individual Differences. 38, 76-82 (2015).
  62. Gardony, A. L., Eddy, M. D., Brunyé, T. T., Taylor, H. A. Cognitive strategies in the mental rotation task revealed by EEG spectral power. Brain and Cognition. 118, 1-18 (2017).
  63. Ruddle, R. A., Jones, D. M. Manual and virtual rotation of three-dimensional object. Journal of Experimental Psychology: Applied. 7 (4), 286-296 (2001).
  64. Sundstedt, V., Garro, V. A Systematic review of visualization techniques and analysis tools for eye-tracking in 3D environments. Frontiers in Neuroergonomics. 3, 910019(2022).
  65. Sawada, T., Zaidi, Q. Rotational-symmetry in a 3D scene and its 2D image. Journal of Mathematical Psychology. 87, 108-125 (2018).
  66. Xue, J., et al. Uncovering the cognitive processes underlying mental rotation: an eye-movement study. Scientific Reports. 7, 10076(2017).
  67. O'Shea, R. P. Thumb's rule tested: Visual angle of thumb's width is about 2 deg. Perception. 20, 415-418 (1991).
  68. Todd, J., Marois, R. Capacity limit of visual short-term memory in human posterior parietal cortex. Nature. 428, 751-754 (2004).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Explorar mais artigos

Objetos Virtuais 3DTrajetória de RotaçãoRotação MentalTarefa de Rotação InterativaInteração Humano-ComputadorAnálise de Dados de OlharProcessos CognitivosGravação em Tempo RealMapeamento Rotacional
Mapeamento tridimensional da rotação de objetos virtuais interativos com dados de rastreamento ocular
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.