XiaoMi-AI文件搜索系统
World File Search System眼动
基于眼动追踪的三维软件可用性测试方法论挑战——通过四个3D应用程序可用性测试的经验呈现
1 简介 眼动追踪方法是研究人员的标准工具。眼动追踪设备有多种类型：集成到显示器的眼动追踪器、便携式眼动追踪器或移动眼动追踪眼镜。不同的眼动追踪器可用于不同的科学领域。最常见的领域之一是人机交互 (HCI)。在此领域，眼动追踪可用于软件开发或 Web 应用程序测试（Kim 等人，2018 年）。在后处理眼动追踪数据期间，可以使用许多不同的可视化技术，例如热图（Tula 等人，2016 年）或凝视图（Räihä 等人，2005 年）。但是，对于聚合可视化，参与者的屏幕必须看起来相同。在网站或传统软件应用程序的可用性测试中，分离的任务允许研究人员选择每个参与者时间线的特定部分，
遗传性共济失调的定量眼动评估
摘要结核病（TB）和人类免疫症病毒（HIV）是菲律宾的两个主要公共卫生紧急情况。尽管全国性的努力和减轻该疾病的倡议，该国在结核病发生案例中排名第四。同时，菲律宾的艾滋病毒在亚洲和太平洋地区的流行最快。TB-HIV双重流行病形成了致命的组合，从而增强了彼此的进步，推动了免疫反应的恶化。为了理解共同感染的和epidemiologicalpatternsoftection，开发了TB-HIV的分室模型。一类患有艾滋病毒（PLHIV）的人不知道自己的艾滋病毒状况已纳入模型。这些不寻求医疗的不知道的PLHIV是新的HIV感染的潜在来源，可能会显着影响疾病传播动力学。灵敏度分析，以评估对兴趣输出影响的模型参数。使用TB，HIV和TB-HIV上的可用菲律宾数据对模型进行校准。参数的参数包括结核病和艾滋病毒的传播速率，从暴露到活动性结核病的进展速率，以及从艾滋病毒的TB lantent到艾滋病阶段的艾滋病毒的主动感染性结核。进行不确定性分析以确定估计值的准确性。
使用眼动追踪和机器学习在 iVR 学习环境中评估学习者表现
摘要 目前，由于眼动追踪技术的低侵入性及其与商用 iVR 头戴式显示器的集成，在沉浸式虚拟现实 (iVR) 学习环境中使用眼动追踪数据将成为最大化学习成果的有力工具。然而，在将数据处理技术推广到学习环境之前，应首先确定最合适的技术。在本研究中，提出了使用机器学习技术来达到此目的，评估它们对学习环境质量进行分类和预测用户学习表现的能力。为此，开发了一种模拟桥式起重机操作的 iVR 学习体验。通过这次体验，对 63 名学生在最佳学习条件和压力条件下的表现进行了评估。最终的数据集包括 25 个特征，主要是时间序列，数据集大小高达 50M 个数据点。结果表明，不同的分类器（KNN、SVM 和随机森林）在预测学习表现变化时提供了最高的准确率，而用户学习表现的准确率仍远未达到最佳水平，这为未来的研究开辟了一条新思路。本研究旨在为未来使用复杂的机器学习技术提高模型准确率奠定基础。
程序员效能的相关性及其与经验的联系：脑电图和眼动追踪相结合的研究
背景：尽管受教育程度和背景相似，程序员的效能却可能存在巨大差异。虽然研究已经确定了一些潜在因素，例如编程经验和领域知识，但这些因素对程序员效能的影响尚不清楚。目的：我们旨在揭示效能（速度和正确性）与编程经验指标之间的关系。我们进一步研究了程序员效能与阅读行为和认知负荷之间的相关性。方法：为此，我们使用脑电图 (EEG) 和眼动追踪对 37 名参与者进行了一项对照实验。我们要求参与者理解多达 32 个 Java 源代码片段，并观察他们的目光注视和认知负荷的神经相关性。我们分析了参与者效能与流行的编程经验指标之间的相关性。结果：我们发现高效能程序员阅读源代码更有针对性，认知负荷更低。常用的经验水平不能很好地预测程序员效能，但自我评估和学习热情指标相当准确。意义：已确定的程序员效能相关性可用于未来的研究和实践（例如招聘）。未来的研究还应该将功效视为一种群体抽样方法，而不是使用简单的经验测量。
基于EEG的眼动追踪技术又迈进了一步
在本文中，我们介绍了两种适应感兴趣区域的方法和算法。我们提出了一种新的深度神经网络 (DNN)，可用于使用 EEG 数据直接确定注视位置。基于 EEG 的眼动追踪是眼动追踪领域的一个新的、困难的研究课题，但它提供了一种基于图像的眼动追踪的替代方案，其输入数据集与传统图像处理相当。所提出的 DNN 利用 EEG 信号的空间依赖性，并使用类似于空间滤波的卷积，用于预处理 EEG 信号。通过这种方式，与最先进的技术相比，我们将从 EEG 信号进行的直接注视判断提高了 3.5 厘米 MAE（平均绝对误差），但不幸的是仍然没有实现直接适用的系统，因为与基于图像的眼动追踪器相比，不准确性仍然明显较高。链接：https://es-cloud.cs.uni-tuebingen.de/d/8e2ab8c3fdd444e1a135/?p=%2FEEGGaze&mode=list
使用移动脑电图和眼动追踪捕捉现实世界中的认知事件
移动大脑和身体成像 (MoBI；Gramann 等人，2011) 研究方法的出现提供了前所未有的机会，可以脱离人工实验室环境，直接在现实环境中研究认知过程 (De Vos、Gandras 和 Debener，2014；Gramann、Jung、Ferris、Lin 和 Makeig，2014；Makeig、Gramann、Jung、Sejnowski 和 Poizner，2009)。在过去十年中，传感器微型化技术取得了进展，提高了研究级身体和神经成像硬件的便携性 (Mcdowell 等人，2013)，从而允许在实验室外长时间记录大脑数据 (Hölle、Meekes 和 Bleichner，2021)。更确切地说，移动 EEG 和移动眼动追踪 (ET) 开辟了新的研究途径，可以更好地了解人们在现实世界中的思维和行为方式。利用此类移动研究方法所带来的激动人心的前景激发了人们对开发新型信号处理方法的兴趣（Reis、Hebenstreit、Gabsteiger、von Tscharner 和 Lochmann，2014 年）。总之，这些发展使得人们能够直接在自然环境中研究人类认知（Ladouce、Donaldson、Dudchenko 和 Ietswaart，2017 年），以解决广泛研究领域的基础和应用问题，例如体育科学（Park、Fairweather 和 Donaldson，2015 年）、建筑（Djebbara、Fich 和 Gramann，2019 年）和城市规划（Birenboim、Helbich 和 Kwan，2021 年）、神经人体工程学（Gramann 等人，2021 年；Dehais、Karwowski，
基于眼动仪和脑电采集设备的夜间光环境下典型颜色和屏幕亮度对视觉疲劳的影响
摘要：如今人们越来越倾向于晚睡，并将睡眠时间与各种电子设备一起度过。同时，BCI（脑机接口）康复设备采用视觉显示器，需要评估视觉疲劳问题，避免影响训练效果。因此，了解夜间黑暗环境下使用电子设备对人体视觉疲劳的影响非常重要。本文利用Matlab编写不同颜色范式刺激，使用屏幕亮度可调的4K显示器联合设计实验，利用眼动仪和g.tec脑电图（EEG）设备采集信号，然后进行数据处理和分析，最终得到不同颜色和不同屏幕亮度的组合对黑暗环境下人体视觉疲劳的影响。本研究让受试者评估其主观（李克特量表）感知，并在黑暗环境下（<3 lx）收集客观信号（瞳孔直径、θ+α频带数据）。 Likert量表显示，暗环境下较低的屏幕亮度可以降低受试者的视疲劳程度，受试者对蓝色的偏好高于红色。瞳孔数据显示，中高屏幕亮度下，视知觉敏感度更容易受到刺激，更容易加深视疲劳。EEG频段数据表明，典型颜色和屏幕亮度对视疲劳的影响并不显著。在此基础上，本文提出了一个新的指标——视觉抗疲劳指数，为优化室内居住环境，提高电子设备和BCI康复设备的使用满意度，以及保护人眼提供了有价值的参考。
EToS-1：车间眼动追踪，实现用户与自动化互动
摘要 混合现实 (MR) 正在成为许多情境感知工业应用不可或缺的一部分。在维护和远程支持操作中，可以通过 MR 耳机定义并向人类操作员呈现计算机支持（合作）工作的各个步骤。眼球运动跟踪可以为用户的决策和交互过程提供有价值的见解。因此，我们的首要目标是更好地了解车间机器操作员的视觉检查行为，并找到通过越来越多地将眼球追踪 (ET) 作为默认功能的 MR 耳机为他们提供注意力感知和情境感知帮助的方法。为了实现这一目标，在两个工业场景中，我们使用了两台移动眼球追踪设备，并系统地比较了新手和专家操作员的视觉检查行为。在本文中，我们介绍了我们的初步发现和经验教训。
EToS-1：车间眼动追踪，实现用户与自动化互动
摘要 混合现实 (MR) 正在成为许多情境感知工业应用不可或缺的一部分。在维护和远程支持操作中，可以通过 MR 耳机定义并向人类操作员呈现计算机支持（合作）工作的各个步骤。眼球运动跟踪可以为用户的决策和交互过程提供有价值的见解。因此，我们的首要目标是更好地了解车间机器操作员的视觉检查行为，并找到通过越来越多地将眼球追踪 (ET) 作为默认功能的 MR 耳机为他们提供注意力感知和情境感知帮助的方法。为了实现这一目标，在两个工业场景中，我们使用了两台移动眼球追踪设备，并系统地比较了新手和专家操作员的视觉检查行为。在本文中，我们介绍了我们的初步发现和经验教训。
用于混合 BCI 中注意力分类的多模态 EEG 和眼动追踪特征融合方法
通常，各种模态会捕捉特定心理状态或活动的不同方面。虽然机器学习算法可以使用单一模态可靠地预测人类认知和行为的许多方面，但它们可以从多种模态的组合中受益。这就是混合 BCI 越来越受欢迎的原因。然而，组合多模态数据集中的特征并不总是那么简单。除了生成特征的方法外，还必须决定在分类过程中何时组合模态。在本研究中，我们将单模态 EEG 和眼动追踪对内部和外部注意力的分类与多模态方法在早期、中期和晚期融合中的应用进行了比较。在机会水平为 0.5 的二元数据集上，数据的后期融合实现了最高的分类准确率 0.609–0.675（95% 置信区间）。总体而言，结果表明，对于这些模态，中期或晚期融合方法比早期融合方法更合适。对观察到的趋势进行额外的验证将需要使用额外的数据集、替代特征生成机制、决策规则和神经网络设计。我们得出了一组在决定多模态注意力状态分类方法时需要考虑的前提。