弹幕视频是一种近年来发展迅速的新兴媒体传播形式,备受大众喜爱,但根据调查显示,部分用户认为弹幕严重影响了视频观看。为改善弹幕视频服务,用户体验质量(Quality of Experience,QoE)的评估迫在眉睫。然而,现有用户体验质量评价方法存...弹幕视频是一种近年来发展迅速的新兴媒体传播形式,备受大众喜爱,但根据调查显示,部分用户认为弹幕严重影响了视频观看。为改善弹幕视频服务,用户体验质量(Quality of Experience,QoE)的评估迫在眉睫。然而,现有用户体验质量评价方法存在主观因素导致的虚假反馈、反馈不够及时、数据度量关系难以衡量等局限性。在这种情况下,脑电图(electroencephalogram,EEG)因具有无法伪装、高时间分辨率、数据更具统计学意义等优势,已经初步应用于视听刺激的主观评估。结合以上优势,本文提出将EEG突破性地应用于弹幕视频的QoE评估。本研究基于相锁值构建了功能连接特征脑网络,提取了高/低两种QoE水平下的成对差异网络,并基于该网络通过机器学习方法构建评估模型。该评估模型平均分类准确率达到80%,揭示了对于不同类型视频用户产生不同QoE时大脑区域协作的变化模式,并提出与QoE高度相关的额叶为主要会聚区域。以上研究结果表明,该评估模型能真实记录用户观看视频时的生理和心理活动,研究结果为改善弹幕视频服务提供了神经生理学依据。展开更多
目的新兴视频服务的功能参数设置将会直接影响到用户的认知状态,进一步影响用户体验质量,称为功能性用户体验质量(functional quality of experience,fQoE)。脑电信号蕴含丰富的大脑活动信息,能够揭示复杂脑活动中的脑网络模式,为fQoE...目的新兴视频服务的功能参数设置将会直接影响到用户的认知状态,进一步影响用户体验质量,称为功能性用户体验质量(functional quality of experience,fQoE)。脑电信号蕴含丰富的大脑活动信息,能够揭示复杂脑活动中的脑网络模式,为fQoE提供可靠的评估依据。为此,本文首次提出了一个基于脑电的脑网络构建方法以评估fQoE,并研究fQoE背后的神经机制。方法首先,通过改变功能参数诱发不同水平的fQoE,并同步收集脑电数据;然后,从脑电数据中提取单电极和多电极特征并以图结构进行融合,用以全面表征用户使用视频服务时的大脑状态;最后,使用基于自注意力图池化的脑网络构建模型来识别对fQoE敏感的脑网络,为fQoE提供可解释性,并进行分类以完成fQoE评估。结果本文以弹幕视频服务的弹幕覆盖率这一功能参数为例验证了方法的科学性和可行性。实验表明,提出的评估方法在多种视频类型的fQoE评估中均达到了满意的效果,最佳识别准确率分别为86%(鬼畜类)、81%(科技类)、80%(舞蹈类)、82%(影视类)和84%(音乐类)。结论来自fQoE相关的脑网络分析结果表明,额极、额中回、顶叶和颞叶的脑连接数量减少预示着观看弹幕视频的fQoE更高,即观看体验更好,同时也证明了功能参数通过影响人的脑状态进一步导致了fQoE的改变。本文的评估方法为fQoE的精确评估和视频服务功能参数的优化提供了来自神经生理学的定量工具和理论依据。展开更多
文摘弹幕视频是一种近年来发展迅速的新兴媒体传播形式,备受大众喜爱,但根据调查显示,部分用户认为弹幕严重影响了视频观看。为改善弹幕视频服务,用户体验质量(Quality of Experience,QoE)的评估迫在眉睫。然而,现有用户体验质量评价方法存在主观因素导致的虚假反馈、反馈不够及时、数据度量关系难以衡量等局限性。在这种情况下,脑电图(electroencephalogram,EEG)因具有无法伪装、高时间分辨率、数据更具统计学意义等优势,已经初步应用于视听刺激的主观评估。结合以上优势,本文提出将EEG突破性地应用于弹幕视频的QoE评估。本研究基于相锁值构建了功能连接特征脑网络,提取了高/低两种QoE水平下的成对差异网络,并基于该网络通过机器学习方法构建评估模型。该评估模型平均分类准确率达到80%,揭示了对于不同类型视频用户产生不同QoE时大脑区域协作的变化模式,并提出与QoE高度相关的额叶为主要会聚区域。以上研究结果表明,该评估模型能真实记录用户观看视频时的生理和心理活动,研究结果为改善弹幕视频服务提供了神经生理学依据。
文摘目的新兴视频服务的功能参数设置将会直接影响到用户的认知状态,进一步影响用户体验质量,称为功能性用户体验质量(functional quality of experience,fQoE)。脑电信号蕴含丰富的大脑活动信息,能够揭示复杂脑活动中的脑网络模式,为fQoE提供可靠的评估依据。为此,本文首次提出了一个基于脑电的脑网络构建方法以评估fQoE,并研究fQoE背后的神经机制。方法首先,通过改变功能参数诱发不同水平的fQoE,并同步收集脑电数据;然后,从脑电数据中提取单电极和多电极特征并以图结构进行融合,用以全面表征用户使用视频服务时的大脑状态;最后,使用基于自注意力图池化的脑网络构建模型来识别对fQoE敏感的脑网络,为fQoE提供可解释性,并进行分类以完成fQoE评估。结果本文以弹幕视频服务的弹幕覆盖率这一功能参数为例验证了方法的科学性和可行性。实验表明,提出的评估方法在多种视频类型的fQoE评估中均达到了满意的效果,最佳识别准确率分别为86%(鬼畜类)、81%(科技类)、80%(舞蹈类)、82%(影视类)和84%(音乐类)。结论来自fQoE相关的脑网络分析结果表明,额极、额中回、顶叶和颞叶的脑连接数量减少预示着观看弹幕视频的fQoE更高,即观看体验更好,同时也证明了功能参数通过影响人的脑状态进一步导致了fQoE的改变。本文的评估方法为fQoE的精确评估和视频服务功能参数的优化提供了来自神经生理学的定量工具和理论依据。
