视角的转变:为分析头部安装的眼球追踪数据提供了一个框架,其中包含动态感兴趣的领域和动态场景
Haroula M Tzamaras1, Hang-Ling Wu2, Jason Z Moore2
1Pennsylvania State University Industrial Engineering.
概括
这项研究引入了使用计算机视觉和机器学习 (CVML) 来自动分析人类因素研究中的动态视线数据的新框架. 该方法有助于将眼睛运动映射到动态感兴趣的区域,提高研究效率.
科学领域:
- 人类因素研究研究
- 认知科学 认知科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 眼睛追踪对于理解人类认知至关重要,并且在人类因素研究中得到广泛使用,特别是在医疗保健中.
- 目前在使用可穿戴移动眼睛追踪器分析动态感兴趣区域 (AOI) 的动态视线数据方面存在局限性.
- 这种差距阻碍了eye-tracking在人类因素研究中的充分实用性.
研究的目的:
- 提出一个框架,用于自动化对动态AOI动态目光数据的分析.
- 整合计算机视觉和机器学习 (CVML) 进行这种自动化分析.
- 为了解决眼球追踪数据分析方法当前的局限性.
主要方法:
- 开发一个新的框架,整合计算机视觉和机器学习 (CVML).
- 该框架应用于一个涉及中央静脉导管培训师的用例.
- 用六个动态兴趣领域 (AOI) 测试框架.
主要成果:
- 拟议的CVML框架展示了一种分析动态AOI动态视线数据的方法.
- 验证试验表明,CVML方法的准确性和效率需要改进.
- 该框架在使用案例场景中成功将目光数据映射到动态的AOI.
结论:
- 开发的框架提供了一种有前途的方法,用于在eye-tracking研究中自动化动态AOI分析.
- 为了提高准确性和效率,需要进一步完善CVML方法.
- 该框架为在研究中使用动态AOI的人类因素研究人员提供了有价值的指导.
