用细分线性回归来分析现实环境中的眼动

科学领域:

• 神经科学和认知科学 神经科学和认知科学
• 计算机视觉和信号处理

背景情况:

• 眼动分析对于理解感知,认知和行为至关重要.
• 现实世界的目光数据通常很,阻碍了对缓慢的短暂变化的精确分析.
• 现有的方法与低精度设备和不受控制的环境作斗争.

研究的目的:

• 提出一个改进的天真细分线性回归 (INSLR) 算法,用于强大的眼动分析.
• 在不受控制的环境中,应对视线毁和预测错误的挑战.
• 为了提高眼运动事件分类和注意力变化检测的准确性.

主要方法:

• 开发了INSLR,一种以零碎线性函数 (PLF) 接近视线坐标的方法.
• 采用了一个假设集群算法,具有最小方位匹配得分和k-平均距离,用于假设估计.
• 过的假设使用预定义的值来完善凝视信号近似.

主要成果:

• 在拒绝噪音眼动数据集方面,INSLR始终优于基线NSLR.
• 在71.1%的样本中,低精度设备 (网络摄像头) 的目光预测错误被最小化.
• 通过提高NSLR-HMM眼运动事件分类器的精度,验证了改进的无噪声.

结论:

• 在现实世界,不受控制的环境中,INSLR为眼动分析提供了显著的进步.
• 该方法有效地消除了目光数据,并减少了预测错误,即使使用具有成本效益的硬件.
• 通过INSLR,可以更好地检测注意力和眼运动事件的微妙变化.