基于多尺度眼动信息熵的抑郁检测

针对传统抑郁检测过程中出现的高主观依赖性和非普适性等弊端,提出一种基于多尺度眼动信息熵的抑郁检测方法。该方法以眼动扫描路径的多尺度信息熵为特征,通过比较被试在同一语义刺激下的眼动扫描路径差异,检测抑郁高危人群和抑郁症患者。在作答抑郁高危自评量表的眼动数据集上,该方法的平均分类准确度为80.36%,相较于MultiMatch、ScanMatch和SubsMatch算法,分别提升了12.50百分点、11.79百分点和9.08百分点。实验结果表明,该方法可以更好地捕获细颗粒度眼动信息,具有更高的准确度和灵敏度。

眼动数据可视化综述

随着眼动跟踪技术在实际应用中的普及,大量眼动数据需要通过合理的可视化方式进行处理与分析,在这种背景下,眼动数据可视化在基础理论、方法和应用研究等方面得到了快速发展.文中总结了眼动数据的预处理与参数化方法,并在此基础上介绍了眼动数据可视化的基本框架和4种主要可视化方法:扫描路径法、热区图法、感兴趣区法和三维空间法;进而介绍了眼动数据可视化在用户界面可用性评估等方面的应用实例.最后对眼动数据可视化未来的研究趋势进行了展望.

选择性激光烧结复合扫描路径的规划与实现

激光扫描路径是选择性激光烧结系统 (SLS)的关键技术之一。针对目前常用激光扫描路径的缺陷 ,提出了基于轮廓环偏移与分区变向填充相结合的一种复合激光扫描路径规划方法。文章给出了这种激光扫描路径的轨迹生成过程、轮廓环的修整、环分组以及环偏移扫描与分区扫描之间的厚度确定方案。并对其中图形运算算法进行了优化。

基于图上随机游动的Web页面布局可用性评价

针对Web页面布局可用性设计中缺乏实用的定量评价模型和方法的问题,根据扫描路径理论,使用视线跟踪法将网络用户在Web页面上的浏览行为模型化为注视点在赋权有限图上的随机游动,据此提出新颖实用的基于图上随机游动模型的Web页面布局可用性评价方法(WLUE-RWG),并以淘宝商城和阿里巴巴的商品展示页面为例对其使用过程与效果进行验证,说明模型的可行性与方法的有效性.

几何解题过程的眼动及视觉工作记忆模型:OGRE模型

简要介绍了一个几何解题过程的眼动及视觉工作记忆模型———眼动的几何推理引擎模型(OGRE),对该模型的特点及其在其它认知过程中的应用进行了讨论。

用异质迁移学习构建跨被试脑电情感模型

由于脑电信号的个体差异性和非平稳特性对情感模型性能产生影响,如何构建跨被试脑电情感模型是情感脑-机接口领域的一个重要研究方向.本文提出一种新的从眼睛的扫视轨迹进行知识迁移的异质迁移学习方法,以提升跨被试脑电情感模型的性能.该方法的主要神经生理学依据是,被试的视觉注视诱发了大脑特定的神经活动,而这些神经活动产生的脑电信号可以为情绪识别提供重要的情境线索.为了量化不同被试之间的域差异,我们引入了基于扫视轨迹和基于脑电信号的核矩阵,并提出了改进的直推式参数迁移学习算法,以实现跨被试脑电情感模型的构建.该方法与传统方法相比,具有两个优点:一是利用了目标被试容易获取的眼动追踪数据进行被试迁移,二是在目标被试只有眼动追踪数据的情况下,仍然能够从其他被试的历史数据中学到脑电信号的情绪类别判别信息.为了验证所提方法的有效性,我们对本文提出的方法与已有的迁移方法在三类情绪识别的脑电和眼动数据集上进行了系统的对比实验研究.实验结果表明,基于眼动轨迹的迁移模型取得了与基于脑电信号的迁移模型相当的识别性能.相对于传统的通用分类器50.46%的平均准确率,基于眼动轨迹的迁移模型的平均准确率达到了69.72%.

结合视觉显著性与眼跳概率模型的视频注视点序列预测

视觉注意力相关研究中,基于图像的视觉显著图预测研究较多,而针对视频的注视点序列预测研究相对较少.在充分考虑视频场景的动态特征与人眼视觉特性基础上,提出了一种同时利用视频底层与高层特征的注视点序列预测模型.使用隐马尔可夫模型(HMM)对注视点的转移序列进行建模,其中注视点的位置作为隐藏状态.首先,采用卷积神经网络(CNN)获得视频的视觉显著图,并将视频帧的显著值作为HMM的观测概率,表征注视点所在区域所能成功引起人视觉注意的程度;然后,使用视觉心理学中基于莱维飞行的眼跳概率模型对HMM状态的转移概率进行建模;最后,通过维特比算法推断整个视频最有可能产生的注视点序列.在HOLLYWOOD2数据集上进行视频的注视点序列预测实验,并和相关算法进行比较.实验结果表明:本文提出的模型的预测结果在Hausdorff距离与平均欧氏距离两项指标上都更优.

精神病性障碍患者眼动探索特征的临床应用展望（英文）

本文回顾总结了近年来文献报道的精神病性障碍患者在自由视图模式下的探索性眼动特征,并且对其作为一种实验室诊断工具的临床应用价值进行了分析与展望,以期对这一新的检测方法的特点和临床意义有更深入的了解。

改进DBA算法的眼动模式分析

随着眼动追踪技术的进步和设备成本的降低,眼动追踪技术已广泛应用于智能教育领域,分析眼动数据以评估学习状态成为智能教育中一个十分重要的环节。眼动扫描路径可以直接或间接地反映思维模式及心理状态的变化,通过分析扫描路径探索学习者眼动行为的共性和差异性,为改善视觉内容和给出指导性意见提供重要参考。首先研究在同一任务情况下学习者扫描路径的时间序列表示和聚类,通过聚类结果评估专注、走神及信息迷航等三种学习状态。进而对重心平均动态时间规整(DTW barycenter averaging,DBA)算法进行改进,并用于提取群体眼动模式,结合动态时间规整(dynamic time warping,DTW)算法计算扫描路径的相似度和确定聚类种子,采用距离密度聚类(distance density clustering,DDC)算法进行聚类。实验表明,基于时间序列的眼动模式挖掘能够识别群体观看行为。而聚类揭示了不同的阅读策略,并提供了评估学习状态的能力。

用户任务预测研究进展与算法分析

用户在执行不同任务时,会表现出不同的感知行为。知道用户正在执行的任务可以帮助进行用户行为的分析,也可以作为智能交互系统的输入,使得系统自动根据用户不同的任务提供不同的功能,改善用户的体验。用户任务预测指的是根据用户的眼睛运动特征、场景内容特征等相关信息来预测用户正在执行的任务。用户任务预测是视觉研究领域中的一个热门研究课题,研究者们针对不同的场景提出了很多有效的任务预测算法。然而,以往工作中提出的算法大多是针对一种特定类型的场景,且不同算法之间缺乏统一的测试和分析。本文首先回顾了图片场景、视频场景、以及现实场景中用户任务预测问题的相关进展,接着对目前主要的任务预测算法进行了详细的介绍。并在一个现实场景任务数据集上对相关算法进行了测试和分析,为未来的相关研究提供了有意义的见解。

基于注视兴趣区域聚类和转移的群体扫视路径生成

为解决自然场景下群体观察者扫视路径数据冗余繁乱、缺乏表征的问题,通过挖掘个体路径的潜在特性,提出了一种基于注视兴趣区域(ROI)时空聚类和转移的群体扫视路径生成方法。首先,分析同一刺激样本下多名观察者的扫视路径,利用亲和力传播聚类算法来聚类注视点以生成多个注视兴趣区域;其次,统计分析兴趣区域的观察者数量、注视频率以及注视时长等与注视强度相关的信息并筛选兴趣区域;然后,通过定义兴趣区域中的注视行为提取不同类型的兴趣子区域;最后,提出了基于注视优先度的兴趣区域和兴趣子区域转移模式,从而生成自然场景下的群体扫视路径。在MIT1003和OSIE公共数据集上进行群体扫视路径生成实验,结果表明,与目前先进的eMine、扫视路径趋势分析(STA)、序列模式挖掘算法(SPAM)、基于候选约束的动态时间规整质心平均方法(CDBA)和Heuristic方法相比,所提方法生成的群体扫视路径获得了较高的整体相似度,ScanMatch(w/o duration)分别可达0.426和0.467,ScanMatch(w/duration)分别可达0.404和0.439。可见该所生成的扫视路径与真实扫视路径的整体相似度较高,具有一定表征作用。

一个关于识别视觉错觉的研究

本研究是对正在进行着的关于观察视觉错觉的路径扫描研究的先导性工作。我们测量了一系列Hering错觉模式的程度大小：一组平行直线置于辐射状背景下后会显得有所弯曲。如图4所示，我们采用了曲率匹配的作业方式，观察者们被要求从曲线中选择他们认为曲率上最相似于量观察的视觉错觉的曲线。总共有五位观察者参加了这些实验，每位观察者重复四次上述的匹配作业，每个错觉模式需要被重复观察匹配四次。实验结果表明，在我们的实验中，对每一位观察者而言，Hering错觉的程度大小是稳定的，从而产生错觉的曲率因此可以被确定。在下一步研究中，我们将试图确定Hering错觉曲线和真实曲线的路径扫描，并且进一步研究视觉错觉的识别过程。

人类视觉行为的混合高斯-隐马尔可夫模型

视觉是人类与外界交互并获取信息的重要方式。为了研究在不同条件下人类的视觉行为,本文采用了混合高斯-隐马尔可夫模型(GMM-HMM)对扫视过程中的眼动路径进行建模,并提出了一种新的模型优化方法——时移分段法(TSS)。TSS方法可突出眼动序列中时间维度的特征,提升模式识别结果,增强模型稳定性。本研究对多维特征模式识别采用了线性判别分析(LDA)方法,以评价各模型的合理性及识别的准确性。全文共进行了四组对比试验,第一组应用了GMM-HMM模型对眼动路径进行建模分类,三分类准确率均值可达到0.507,大于三分类机会概率(0.333);第二组试验应用TSS方法,分类准确率均值提高至0.610;第三组将GMMHMM与TSS结合,分类准确率均值达到0.602,且相较于第二组模型更稳定;最后,将模型分析结果与眼跳(SA)等特征分析结果进行比较,建模分析方法远好于基础信息分析方法。同时,通过对三类任务特性分析,结果显示,自由查看任务特异性较高,而对象搜寻任务的敏感度较高。综上所述,GMM-HMM模型应用在眼动模式识别领域有较好的特征提取效果,引入TSS方法可以加强眼动特征差异,尤其对搜寻类任务的眼动路径识别有更好的优势,也为单一状态眼动序列提供了新的解决方案。

基于中央凹图像显著性和扫视倾向的注视点转移预测模型

注视点转移预测是图像显著性建模中的一个重要研究领域.现有算法大多过于繁琐,并且局限于利用单张静态显著图来预测,很少能考虑到注视点转移是一个动态的过程.针对以上问题,我们提出一种具有生物依据的注视点转移的预测方法,利用了3大因素:视网膜中央凹在显著目标选取中的动态预测作用、注视点移动在距离和方向上的倾向以及短期记忆对注视点返回的抑制机制.通过三者得到的联合转移概率随机产生候选点,从而逐点生成扫视轨迹.相比于其他模型,所提议方法在客观的衡量标准下,在多个数据库中能更准确、更高效地预测扫视路径.