文摘

设计概念和算法是解决眼动跟踪分析出现的问题,当(1)参与者询问动态多元素可以在显示和重叠的对象(2)视角眼睛追踪误差是无法提供确切的眼睛固定坐标。这些问题被解决(1)开发动态领域的利益(AOI)形式的凸或矩形形状代表移动和变形多元素对象,(2)引入AOI间隙公差的概念(AGT)控制苍老师解决重叠的大小和视角误差问题,和(3)附近找到一个最优AGT的价值。测试方法是在空中交通管制(ATC)的情况下操作,空中交通指挥员专家(ATCSs)审问多个移动飞机上的雷达显示检测和控制飞机的目的是维护安全、迅速的航空运输。此外,我们展示了眼动跟踪分析结果可以根据我们如何定义不同动态光学检查来确定眼睛注视移动对象。结果作为一个框架来更准确地分析眼动跟踪数据,以更好地支持人类的分析性能。

1。介绍

眼动跟踪研究有助于评估可用性或分析人类的性能,更重要的是理解潜在的认知过程基于eye-mind假说(1]。这个假说声称,当执行一个任务,我们所观察的是与我们的认知过程高度相关。因此,眼动跟踪研究进行了多方面的调查如何审问对象或空间固定区域(2- - - - - -7]。例如,一个空中交通管制专业(atc)必须及时发现和控制多个飞机在雷达显示为了维护一个安全的和迅速的空中交通流。通过眼动跟踪数据,我们可以确定哪些飞机atc质问和视觉搜索模式atc适用。

然而,眼球追踪数据分析任务,需要询问移动对象(例如,一个atc控制多个移动飞机在雷达显示或天气预报员决定是否发出警告通过观察天气雷达显示功能)是很困难的移动对象的不同特点和眼动跟踪系统的能力有限。此外,眼动跟踪分析变得更加困难如果对象的整体形状可以改变由于物体的形状改变的元素或元素的物理搬迁(例如,一架飞机在雷达屏幕上的元素,如一个矢量线和一个数据块,和矢量线的长度可以改变由于飞机的速度变化,或数据块可以通过atc)重新定位。的细节问题如下。

为了映射和分析上述这样一个任务的眼动跟踪数据,不同特点的移动对象需要被识别(图1)。对象可以有不规则的形状和大小和不同的运动特点,可以在近距离或重叠随着时间的推移。当眼睛固定收集数据,我们可以覆盖的数据对象来确定眼睛固定发生在对象。

眼动跟踪系统返回基于像素坐标的眼睛注视;然而,我们更感兴趣眼睛注视是否发生以及对象的利益的眼光停留在那些感兴趣的对象。具体而言,我们需要考虑以下问题映射基于像素的眼睛注视时在显示器上的多元素对象。

的困难之一与眼睛跟踪数据映射到对象是由于视角的眼睛追踪器(图的准确性2)。视觉角度精度(在华)被定义为坐标的偏差,从眼动跟踪收集,从个人的实际位置固定8,9)(例如,0.4 ~ 0.5°(10- - - - - -12)当使用显示器下面大约16(水平长度)×12(垂直长度)英寸(或者22英寸)的大小。例如,如果一个显示从1米的观察视角0.5°的准确性,然后我们可以有1厘米的误差,眼睛专注于。因此,观察注视点红点,如图所示1除了第一个四眼注视,我们也可以确定第五眼固定可能发生在对象“C。“除了眼睛跟踪系统的固有误差,精度误差也可以受实验条件的影响。

例如,在实际的空中交通管制的房间,ATCSs坐在靠近一个大监控(即。,19.83×19.83英寸)为了更好的检测和控制多个(即。,有时多达50或更多)飞机在他们的部门。在这种环境下,眼动跟踪的准确性可以大大减少。这些问题发生在测量眼球追踪数据不仅在一个空中交通管制的任务,而且在其他各种任务,如在驾驶或在一个虚拟的模拟近海石油和天然气业务。因此,视觉角度精度不是固定在0.5°,可以根据实验条件的不同,当我们追求高表面有效性。

此外,眼跟踪数据移动对象的映射是困难的如果有多个小物体移动的显示和每个对象由几个元素(例如,飞机位置符号(或目标),矢量线,和数据块)。适应对象的复杂形状以及视角的准确性,感兴趣的领域的概念(AOI)可以应用。一个苍老师是一个凸形状,可以近似和代表复杂对象的形状,可以简单的圆形和矩形等形状。例如,苍老师可以固定矩形区域5,6,13)或移动矩形区域(9,14基于任务类型)在显示器上。注意,一个苍老师的大小应该稍微扩大考虑视角精度(9,14]。

为了确定眼睛固定发生在一个对象,我们需要考虑两个方面。首先,眼睛应该发生在固定视角误差范围(例如,从对象的所有边缘点0.5°)。第二,应该没有其他对象或眼睛固定发生的背景图像。换句话说,如果两个物体在接近,很难确定哪些对象询问参与者。即使对象来自不同的地方,他们可以进入靠近,甚至随着时间的推移(图重叠3)。尽管大量的研究调查的眼球运动(空中交通控制操作15- - - - - -18),它仅限于创建空间固定苍老师或没有详细说明如何重叠的问题被解决。

此外,映射问题变得更加复杂,如果多元素对象的形状改变。例如,如果接近近两架飞机,飞机位置符号(或目标)以及数据块可以重叠,然后一个atc可以重新定位数据块(图4)。数据块可以在八个方向重新定位相对于飞机位置符号(例如,目标本身的从底部到顶部或右目标上角)以及增加距离(例如,从0.5厘米,5厘米)。

在本文中,我们目前的设计和算法解决提出的问题,以促进眼球追踪数据的分析任务,包括询问多元素移动的物体,可以改变他们的整体形状和相互重叠的苍老师通过考虑不同的形状和大小安装代表对象。

2。概念设计和算法

我们的方法的主要特点开发动态的苍老师,连续多元素对象适合凸或矩形形状每当对象的整体形状或位置的变化,修改苍老师的大小(通过AOI间隙公差的概念)考虑视角误差,地图基于像素坐标的眼睛注视苍老师,和定义眼光停留在重叠的苍老师。针对空中交通控制操作,设计和算法创建基于匹配的像素坐标,空姐飞行数据块,目标,和矢量线的像素坐标眼光停留。图5代表整个方法的数据处理流程图。流程图包括七个主要步骤,将在随后的章节中详细讨论。注意引入算法是基于离散移动物体的运动,和背景(场景)是固定的。

步骤1。收集和预处理模拟和眼动跟踪数据。
步骤1.1(收集和预处理模拟数据)。假设的仿真场景持续时间在几分钟内,一个更新率(UR)在几秒钟内(如1秒),定义为刷新率的对象的位置和形状在显示器上;一个场景的总持续时间可分为时间帧秒。因此,如果我们想代表分钟的场景我们可以表示为离散时间帧 在哪里代表时间计数器在几秒钟内。
图6代表的离散化过程的一个例子的仿真输出20分钟的时间。指出一个可观察(或系统)离散对象的运动(例如,飞机或雷达显示)。换句话说,没有位置的变化发生在一个时间框架;例如,假设仿真从0秒,开始下一个变化在正电子飞机会发生的第一第二,结束和下一个变化将最后两秒等等。离散化后的时间帧作为仿真数据预处理步骤的一部分,相应的多元素对象数据确定为每一个时间框架。让是一组包含的所有信息的多元素的总时间。然后可以表示成 在哪里是多元素的集合对象为每一个时间框架。
步骤1.2(收集和预处理的眼睛固定数据)。眼睛固定数据需要根据加工时间离散化策略用于处理仿真数据。表1代表一个眼睛固定数据的小样本。第一和第二列表示眼睛注视的水平和垂直像素坐标,分别。第三和第四列显示的启动和停止时间固定。第五列表示时间的固定。启动和停止时间值可用于确定眼睛注视的时间发生。
眼睛注视在一个时间框架可以被描述为 在哪里注视点的集合,每个时间发生。
图7显示了一个示例的眼注视持续时间发生在时间帧。时间框架是基于对象运动更新率(即。,objects would make discrete short burst of movements), and eye fixation durations can either fall within a time frame or stretch over more than one time frame.

步骤2(开发不同类型的苍老师)。基于数据预处理步骤1,不同类型的苍老师。两种类型的动态苍老师认为:凸葵和矩形。矩形苍老师是一个适应从[9),在这个研究矩形苍老师的形状和大小变化基于每个时间。凸苍老师是由计算凸壳(19,20.的坐标点的设置用来表示每个多元素对象。凸aoi改变他们的形状和大小根据每个时间。图8代表了两种不同类型的aoi(凸和矩形)多元素对象。因此,如果一只眼睛固定发生在一个动态的,然后我们得出这样的结论:一只眼睛固定发生在多元素移动的对象。
定义一个参数,控制缓冲区的大小,我们定义缓冲区的“葵间隙公差(AGT)。“因为任何给定的苍老师只对应于一个多元素的对象,可以代替,苍老师的集合在一个时间框架

步骤3(眼睛固定数据映射与苍老师)。“苍老师映射(AM)”执行匹配的眼睛固定组和苍老师组在同一时间框架。苍老师映射标识是否眼睛注视了苍老师的边界通过比较坐标。我可以表示为 描述的功能映射(5)一个多对多的映射。多对多的映射是指眼睛注视这一事实可以被映射到多个AOI指数和同样苍老师也可以映射到一个以上的眼睛固定在一个时间框架。例如,在一个时间框架,两个或两个以上的注视点(有不同的像素坐标)可能发生在一个,或两个或两个以上的苍老师可以共享一个眼睛固定(重叠)。生成的映射,空姐在时间框架可以表示为。所有映射的集合,空姐可以被定义为一个“映射AOI (MA)”,被写成 在哪里是映射的集合,空姐在一个时间框架和是指数。
图9代表一个映射的例子所示的矩形和凸苍老师是绿色的。红色的“+”符号代表眼睛注视点,属于葵边界。时可能会有情况下眼睛固定瀑布同时不止一个苍老师的边界内。换句话说,眼睛固定落入一个地区几个苍老师的交集的边界,从而导致“重叠苍老师的概念映射。“因此,在这个例子中,这只眼睛固定的映射,空姐将包括三个要素,可以显示为。
另一个重要的概念,它将在分析是有用的,是马集的基数,在基数的元素出现在数集。这一过程可以表达如下: 在哪里基数函数吗是多元素对象的数量出席的时间吗。
因此,如果“”的基数设置我们可以说,相应的眼睛固定指数被映射到“同时“苍老师的数量。基数越大集,分析这些困难越大眼光停留。因此,数据分析中的一个重要的考虑因素是不同的频率分布的基本价值观集。

步骤4(可视化绘制眼睛固定数据模拟的场景)。映射过程后,眼睛固定数据覆盖在模拟显示使用更新率作为时间的函数。这个过程需要随后策划两眼注视和AOI数据属于相同的时间框架和覆盖的时间顺序帧。示例如图12。

第五步(调查映射效果不同的AOI间隙公差(AGT)值)。的一些指标,为这个研究特别感兴趣注视点的数量下降的“百分比在aoi (PNFIA)”“注视点持续时间下降的百分比在aoi (PDFIA)。”
PNFIA被定义为 在注视点数量的下降在aoi ((8)) 在哪里最大值的时间帧数和吗是眼光停留在时间的数量吗: 基数函数表示为在哪里(例如,)。
的指标函数变成1如果基数相应的设置非零;换句话说这个函数接受的价值1至少如果相关的眼睛固定在一个葵边界。因此,使用(9)和(10),我们得到 在哪里注视点的总数。
PDFIA被定义为 眼神注视的时间内下降,空姐计算 在哪里是眼睛固定指数时间在时间框架和是发生在时间框架的注视点数量吗。
为了计算眼光停留在一个下降的时间,我们只需要考虑那些眼睛注视指标相应的光学映射集的基数是零。因此,我们可以使用描述的指标函数(10)只考虑那些特定的眼睛固定指标,至少在一个葵边界。因此我们得到以下: 使用(13)和(14),我们得到的眼睛注视时间百分比在一个苍老师 下一个度量的频率分布是感兴趣的各种基数。换句话说,它是各种可能的频率分布””的价值观,描述的是(7)。这可以通过计算找到的各种可能的值出现的次数。“这频率分布是一个重要的指标,因为它是一个定性的测量与分析相关的困难的眼睛固定序列。

步骤6(改变AOI间隙公差(AGT)值)。由于视角误差,AGT的选择价值取决于分析师的自由裁量权。在没有任何建立AGT值之间的关系和相关的眼睛固定参数在前面的部分中所讨论的,AGT值的最优范围变得非常依赖上下文。因此,它就变成了现在的环境下的重要研究这一关系。因此,下一步涉及不同AGT价值探讨它对感兴趣的相关指标的影响。管理AGT的变化方程可以写成 在哪里苍老师间隙公差值迭代值吗和代表AGT的增量值(例如,像素)。

表2显示了不同的迭代计数器值和相关的AGT值。上述所有步骤需要执行的步骤2- - - - - -5为每一个价值。

步骤7(找到最佳的AOI间隙公差值)。假设参与者或一组参与者询问一个对象,一个方法来找到最优AGT价值是选择AGT价值提供的最高频率映射AOI基数1,换句话说我们可以确定最优AGT价值的眼光停留在单一的苍老师的数量是最大的。
找到最优方程AGT值()如下: 在哪里AOI映射集的基数和吗是设置基数值的频率。
注意,我们还可以获得一个整体最佳AGT附近单价值建议一个实验,如果我们使用聚合获得眼球追踪数据从多个参与者。

伪代码1显示了简化的基于算法流程图如图的伪代码5。

3所示。实现

发达的方法是基准测试通过退休专业空中交通管制专家(ATCSs)主要工作为美国联邦航空管理局(FAA)教练。实验举行联邦航空局民用航空医学研究所(哥伦比亚),位于俄克拉荷马城。

3.1。参与者

十个认证ATCSs超过32年的经验参与实验。此外,三个联邦航空局员工参与伪飞行员操纵着飞机基于控制器的许可。眼动跟踪数据收集从认证的控制器。由于不可预见的技术问题在使用眼动跟踪系统和空中交通管制模拟器,获得的数据从第一个五个参与者被丢弃,只有获得的数据从随后的五个参与者使用。

3.2。装置

实验环境的实际环境相似字段(航路交通管制中心)为了获得高表面有效性。显示的模拟空中交通场景使用19.83×19.83英寸的显示器(20482048像素活动显示区域)。尺寸和分辨率都相当于实际领域中使用的显示尺寸。额外的监控被右边的模拟监控显示途中自动化现代化(ERAM)工具,一个决策支持工具,提供了对飞机数据、文本数据轨迹,和可能的冲突。键盘被下的atc仿真监控输入命令。

眼睛跟踪数据收集的只有模拟监控测试我们的设计和算法。Facelab 5眼动跟踪系统(11)是用于收集眼睛跟踪数据的采样率60赫兹。定义一个固定的阈值被设定为100 ms。眼动跟踪的准确性是在0.5°1°的视觉角度误差。每个参与者的眼睛大约在55 - 70厘米的范围从模拟显示。Kongsberg-Gallium I-Sim软件、内部外包和美国联邦航空局使用,用于生成三个不同的空中交通场景。模拟雷达显示器的刷新率是1秒。获得原始眼球追踪数据是通过Eyeworks软件出口(21),数据输出类似于表所示1。

空中交通的结构仿真文件中提供了表3(样本数据)。输出文件包含飞机运动的细节,他们的坐标,和其他相关信息用于模拟飞机的表示。数据更新率(UR)是1秒。在表3,第一和第二列显示运行时间从一开始的实验和实际的时间,分别。第三列命名为“飞机代码”显示考虑飞机的代号。第四列是“目标”列显示了水平(pos)和纵向(pos)目标(飞机)的像素坐标。第五列是“数据块”列有三个部分:()左上角的坐标数据块,()右下角坐标的数据块,()方向列代表飞机的相对位置对目标位置(N(北)、NE(东北),E(东),SE(东南),S(南)、西南(西南),W(西),和NW(西北))。最后一列提供了位置坐标的像素矢量线的终点。

3.3。任务和场景

任务是空中交通管制的高保真表示在美国国家空域系统的航路交通管制中心。控制模拟这样的交通需要一位有经验的atc观察雷达屏幕上,给飞机间隙调整高度,标题,或者速度,以保持aircraft-to-aircraft分离和飞机通过部门或路由到目的地机场内的部门。ATCSs给语音指令,通过通信系统中,伪飞行员是坐落在一个偏僻的房间。提供的伪飞行员许可后和ATCSs重复复诵。使用了三个场景(温和的交通,温和的交通与对流天气,和繁忙的交通)。每个场景的时间是20分钟。表4和图10显示场景的细节。在图10 (b),蓝色的补丁代表天气特征。

3.4。数据分析

凸和矩形aoi自动分析如下:根据提供的模拟输出和眼动跟踪输出,数据集都是同步的(步骤()在图5)。预处理步骤后,两种类型的AOI(凸和矩形苍老师)创建使用飞机坐标在每秒钟(步骤)。然后,执行映射使用眼球追踪数据和仿真数据(步骤())。映射的数据可视化(步骤()),且相关的度量标准包括PNFIA和PDFIA被改变AGT值(计算步骤()和())。最后,通过识别获得了最优AGT价值比例最高的眼光停留在单一的aoi(步骤())。

数据处理时间的复杂性,在那里参与者的数量,是场景的数量,是苍老师的数量类型,是AGT的数量值,每时间框架是苍老师的数量,每个时间段的注视点数量。每只眼睛固定与每个葵每时间框架。

结果,总眼固定数量和持续时间的显示(不使用苍老师)策划为了调查眼球运动的趋势。聚合PNFIA和所有参与者PDFIA值绘制基于AGT的值。然后,注视点的数量发生在单个和多个重叠的苍老师绘制基于AGT的值。最优AGT价值计算,不同的例子scanpath序列(造成不同的光学检查类型或AGT值)被确定。

4所示。结果

在图所示的眼球运动的趋势11。图(11日)显示注视点和图的总数11 (b)显示了总注视点持续时间对场景的困难:温和的交通(Mod),温和的交通和天气特征(Mod + W)和繁忙的交通(忙)。传说在图11显示1,2,3,4,5代表参与者数量。

图12可视化过程的快照显示例子(参见步骤()在图5苍老师类型)。快照实例显示动态光学与AGT的值设置为40像素。在图12,苍老师以绿色突出显示和眼睛定位以及相关的扫视的顺序(注视点之间的连接,从一个到另一个)以红色突出显示。注意,命令的自动化插图眼睛定位(数字所示)和扫视连接眼睛注视积累,这意味着插图显示所有注视点的场景开始时间(时间1)在指定的时间框架如120年或1200年。

图13描述了AGT值变化的影响()的百分比数字的眼光停留在aoi (PNFIA)灰色和所示(眼睛注视的时间的百分比,属于aoi (PDFIA)所示黑色。故事情节表现出平均值和标准误差与每个AGT值有关。此外,拟合多项式方程值提供。

图14描绘了AOI映射集的频率的变化,各种各样的基数,对凸AGT的变化值和矩形苍老师,分别。故事情节表现出均值和相关的标准错误覆盖率百分比值。最大可能观察到AOI映射集的基数是8。总的趋势在不同的情节的频率计数设置有基数1(或换句话说(红色)所示)增加,然后降低。随着AGT值的增加,重叠的苍老师的数量也增加,眼光停留在一个苍老师随后降低了。

附近的最优(或推荐)AGT值(通过考虑所有参与者和场景)提供了表5。40像素捕获的AGT价值大约70 - 80%的总注视点属于苍老师。注意,参与者可以自由地观察其他领域不显示定义为苍老师。

图15描绘了AOI映射集的频率的变化,各种各样的基数,对凸AGT的变化值和矩形苍老师,分别。情节显示均值和标准误差与频率值为每个AGT值有关。最大可能观察到AOI映射集的基数是8。在许多情况下基数值的频率高于五是零。因此这些基数的曲线可能不是完全的情节上可以看到他们相互重叠。总的趋势在不同的情节是马的频率计数_我,不设置有基数1(或换句话说(红色)所示)增加,然后降低。随着AGT值的增加,重叠的苍老师的数量也增加,因此,眼光停留在一个苍老师随后降低了。

图16显示不同的AGT值如何影响结果的例子AOI-based scanpath序列。更相关的眼睛注视被俘当使用的最佳AGT价值40(从我们的实验中获得)比的AGT价值5。如图16,确定scanpath序列”能力(A, B) E”(图16 (b))显示更切中要害的映射相比scanpath序列“CCA”(图(16日))。再次,注意scanpath序列可以进一步陷入“FC (A, B)”和“CA”,分别。

5。讨论

一种方法是自动开发的创建矩形和凸苍老师多元素对象,映射的眼睛注视和不同类型的苍老师,系统地评估映射特征通过增加苍老师的大小考虑眼睛的富达追踪器,和调查了苍老师的增加大小如何影响多个苍老师的重叠。这种方法应用于视觉扫描数据的收集从一个高保真的模拟一个空中交通控制任务。任务要求ATCSs询问多元素移动对象(也可以改变他们的整体形状)在雷达显示器上。应用于眼动跟踪的方法收集的数据从ATCSs冲突检测和控制执行任务时通过询问多个移动飞机在他们的部门。

眼球运动的统计数据在不同类型的场景表明,整个眼睛固定数量和持续时间的显示(不考虑苍老师)没有显著不同的场景。结果不同于以前的飞机冲突检测的研究(22,23]。在[22),眼球固定数量和持续时间增加随着难度的增加(容易:许多飞机有不同的高度;中度:许多飞机也有类似的高度;困难:很多飞机改变海拔),而设置的飞机数量显示在十二所有场景。在[23),眼球固定数量和持续时间增加飞机显示增加的数量从12到20。场景设置的主要区别是没有时间限制的检测可能的碰撞(22,23),而实验研究了20分钟的时间限制。

关于ATCSs的认知过程,可以发现类似的眼球运动的趋势的一个原因是,ATCSs不断警惕在审问和控制飞机在整个实验过程。此外,边际递减趋势的原因在注视点和持续时间的顺序效应可能是由于场景中执行一系列温和的交通,交通与对流天气温和,繁忙的交通。参与者可能会变得更加舒适和形势继续控制多个飞机。另一个可能性是ATCSs可能花费更多的时间在看ERAM显示以及键盘。不幸的是,导出的眼睛跟踪数据只提供基于像素的眼睛注视发生在定义显示;因此,很难知道眼睛注视发生以外的显示。

凸和矩形苍老师类型一般没有影响的眼光停留在参与者和映射场景由于规模相对较小的对象以及眼球跟踪系统的准确性高表面有效性实验。然而,我们能够识别特定的例子不同的AOI类型影响结果scanpath序列(图15)。人类使用scanpath序列性能的分析可能有显著不同的相同实验如果分析师应用不同葵类型。整体效果可能是重要的,如果多元素对象的大小更大是由于增加了不必要的区域(图8)由矩形葵类型。也会导致不必要的地区创造更多的重叠葵领域。

AGT值大幅度影响覆盖注视点的数量和持续时间苍老师类型和趋势拟合多项式方程。在一定程度上,增加AGT的价值是能够容纳许多眼睛注视周围发生的对象;然后增加率(包括注视点)的数量开始减少由于低数量的眼睛注视发生远离对象。眼睛固定数量和持续时间为我们的实验是高度相关的。注意AGT价值观也影响结果scanpath序列(图16)。太紧安装苍老师的使用导致丢失许多眼睛注视周围发生的对象。请注意,如果我们使用太大的苍老师,然后映射苍老师的基数会增加,导致不准确的映射或scanpath序列的复杂性的增加,有更多的重叠的苍老师。

因此,AGT的选择价值产生覆盖率之间的权衡(注视点)对算法的复杂性(重叠的苍老师)因为我们增加报道越多,我们越增加了复杂性。随着AGT值增加,重叠覆盖的苍老师相应增加,但单一的覆盖,空姐开始减少(图14)。原因是重叠的,空姐开始带走的注视点数量发生在单一的苍老师。因此,我们能够确定最优附近AGT值通过识别覆盖单一苍老师的峰值。有一个适当的大小将眼睛固定映射到一个单一苍老师更倾向于更大的苍老师,将导致创建不必要的重叠区域。换句话说,我们增加报道越多,我们就越增加多元素移动对象的复杂性,可以重叠。

6。局限性和未来的研究

虽然不同的AOI类型差异不显著聚合结果相比时,我们能够识别特定的情况下,差异确实存在。后续实验需要不同大小的实际对象,以确定一个阈值显示大量的映射差异在使用复杂凸近似与简单形状近似。此外,尽管发达的基准测试方法能够表明,当考虑权衡存在aoi基于视角的设计错误和重叠的对象,需要更多的后续实验来完善和更好的支持我们的方法。

此外,还获得最佳AGT值附近聚合数据在整个实验的参与者。这种方法的局限性是,我们应用一个常数AGT价值对整个持续时间。最优AGT值可能不是一个恒定的时间框架,并进一步详细分析可能有助于隔离段从整个实验持续时间(即。,确定数量的变化对不同种族隔离段)。注意,我们将无法获得一个趋势来确定最优值如果长度太短的时间(例如,秒的时间内,我们将只获得1或2眼注视)。调查如何变化,我们首先需要定义时间片段,我们应该适用。

另一个限制是,我们假设的多元素对象做离散动作和场景(背景)是固定的。如果背景是移动或做快速动作的对象(例如,从屏幕的一端到另一端的屏幕在很短的时间内),然后我们的方法行不通。这些问题很难解决,应该解决在我们的后续研究。

我们研究的总体目标是获取更准确的眼球运动和移动对象之间的映射,以便更好地支持人类的分析性能。这项研究集中在原型设计、实施和评估新概念设计和算法来获得更准确的映射。基于这个研究的结果,我们目前分析人类的性能的基础上,获得AOI-based scanpath序列通过定向加权网络(24,25]。

此外,结果可以开发更好的scanpath基础分析方法,建立在现有的方法(22,26- - - - - -31日),模拟人体性能(32),主动学习和发展数据可视化方法使用专家的视觉扫描模式(33]。此外,视觉扫描数据可以结合脑电图分析(34)为了更好地理解不同类型的任务或事件如何影响大脑反应和视觉扫描和大脑如何响应数据与视觉扫描数据。

7所示。结论

解决的问题与多元素对象映射的眼睛注视(移动,可以改变其形状,随着时间的推移和重叠),我们提出并实现了动态的苍老师,代表了多元素对象。在这个过程中,我们展示了一种地图眼睛注视重叠的苍老师。此外,AGT应用的概念,以解决这一问题的忠诚眼睛追踪器。我们的方法是自动的,应用于数据收集从一个高保真的模拟一个空中交通控制任务。基准显示眼球追踪数据分析可以大大不同基于苍老师是如何定义的以及我们如何获得更好的定义,空姐在最佳值附近。

相互竞争的利益

没有利益冲突声明。

确认

本研究是基于一个资助合作协议与美国联邦航空局NextGen组织的人为因素,ANG-C1(奖。15 - g - 006),通过与民用航空医学研究所的研究人员合作的航空人为因素。作者卡罗尔·曼宁博士的支持深表感激。