基于凝视的思维检测跨自然主义任务使用一个PSO优化随机森林算法

科学领域:

• 认知科学 认知科学
• 神经科学是一个神经科学.
• 人与计算机的交互

背景情况:

• 持续的想法是人类经验的核心,并影响情绪,福祉和生产力.
• 之前的研究在实验环境中将眼睛运动与特定的思维维度 (例如,任务相关性) 联系起来.
• 在自然主义活动中通过眼运动活动来分类各种思维维度的理解有限.

研究的目的:

• 为了确定各种思维维度是否可以使用自然主义任务期间的眼运动活动来分类.
• 评估机器学习模型在从眼动数据中预测思维维度方面的有效性.
• 探索在生态有效的环境中实时预测正在进行的思想的潜力.

主要方法:

• 在七名参与者中,在多天的自选计算机任务中,利用了思想采样,眼睛跟踪和机器学习.
• 从63小时的录音中收集了1715个思维探测器.
• 采用随机森林 (RF) 分类器与粒子群优化 (PSO) 进行特征选择,使用固定和萨卡德数据.

主要成果:

• 在所有九个被评估的思维维度 (任务相关性,自由移动,粘性,目标导向,内外导向,自我导向,他人导向,视觉模式和听觉模式) 中实现了机会以上的分类表现.
• 马修斯相关系数 (MCC) 的平均值在0.25至0.54之间.
• 与使用所有功能相比,基于PSO的功能选择提高了射频分类器的性能.

结论:

• 机器学习与眼动测量相结合,可以对自然主义持续思想的多个维度进行分类.
• 这种方法表明了在现实环境中对认知状态的实时预测的潜力.
• 眼运动活动为人类意识的复杂流提供了宝贵的见解.