一种基于布森林的眼动分类方法
IEEE journal of biomedical and health informatics
|August 6, 2024
概括
使用级联森林 (EMCCF) 的新眼动分类方法提高了准确性和效率. 这种新的方法解决了眼睛追踪研究中的数据挑战,优于深度学习模型.
科学领域:
- 人与计算机的交互
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 眼睛追踪技术对于科学研究和应用至关重要.
- 将原始眼动数据分类为事件至关重要,但具有挑战性.
- 现有的方法在参与者变化,阶级不平衡和数据稀缺方面扎.
研究的目的:
- 引入一种基于级联森林的新型眼动分类方法EMCCF.
- 为了提高眼动分类的准确性和效率.
- 推进集体学习在眼动分析中的应用.
主要方法:
- 一个使用多尺度时间窗口的特征提取模块.
- 一个分类模块,采用带有布森林的分层集体架构.
- 集体学习原则的整合,以便进行可靠的分类.
主要成果:
- EMCCF在眼动分类方面表现出更高的准确性和效率.
- 该方法在各种数据集和参与者中显示出强大的性能.
- 在关键指标上,EMCCF的表现优于现有的基于深度学习的分类模型.
结论:
- 在眼动分类方面,EMCCF提供了显著的进步.
- 新型布森林方法有效地解决了数据稀缺性和阶级不平衡问题.
- 这种方法为分析眼动数据提供了更具适应性和效率的解决方案.


