XiaoMi-AI文件搜索系统
World File Search System眼球
真实和模拟驾驶和导航中的眼球运动...
几十年来，系统一直是研究的对象。数字时代日益复杂的情况使得系统与人类操作员之间的交互优化变得尤为必要。在本专题中，介绍了十篇典型文章，从观察性实地研究到高度复杂的导航模拟器中的实验工作。对于人类操作员来说，注意力过程起着至关重要的作用，这在本专题中列出的贡献中通过眼动追踪设备捕捉到了。
Steinbach (1968) 眼球追踪自移动目标。传出的作用
r 人类的左右不对称现象十分显著。Pfeifer (S) 和 von Economo 和 Horn (6) 发现，相比之下，类人猿的同一区域没有不对称现象。虽然 Heschl 回包含初级听觉皮层 (TC)，但颞平面包含听觉联想皮层（区域 TB 和 TA）（6），该区域延伸至第一颞回后部的侧面。左侧的这些听觉联想皮层区域构成了经典的韦尼克区，根据失语症患者的解剖学发现 (7) 和神经外科手术期间的刺激研究 (8)，该区域在语言功能中具有重要意义。我们的数据显示，左侧的这个区域明显更大，观察到的差异很容易达到足够的程度，与已知的功能不对称相一致 (9)。NORMAN GES9MHWND WALTER LEVITSKY 波士顿大学医学院神经病学系，马萨诸塞州波士顿 02118
基于与任务环境相关的眼球运动的情境感知
摘要 近几十年来，情境意识这一主题一直受到人们的关注。冻结探测方法，例如情境意识全局评估技术 (SAGAT)，通常用于测量情境意识。本文旨在回顾 SAGAT 的有效性问题，并研究眼动是否是测量情境意识的有前途的替代方法。首先，我们概述了冻结探测方法的六个问题，例如冻结探测方法依赖于操作员能够记住然后明确回忆的内容。我们提出了一种基于人眼动与任务环境相关的情境意识操作化方法，以避免记忆中介和任务中断的不足。接下来，我们分析了实验数据，其中参与者 (N = 86) 被要求观察六个表盘的显示约 10 分钟，如果表盘指针超过阈值，则按下空格键。每隔 90 秒，屏幕就会变黑，参与者必须在纸上报告表盘的状态。我们评估了参与者的任务表现（检测到的阈值交叉百分比）与视觉采样分数（在阈值交叉期间瞥见的表盘百分比）和冻结探测分数的相关性。结果表明，视觉采样分数与阈值交叉水平（r = 0.31）和个人水平（r = 0.78）的任务表现相关。冻结探测分数较低，与任务表现的关联较弱。我们得出结论，SAGAT 概述的局限性阻碍了对情境意识的测量，情境意识可以通过与任务环境状态相关的眼球运动测量更有效地计算出来。目前的发现具有实用价值，因为眼动追踪摄像头和普适计算的进步减少了对 SAGAT 等中断性测试的需求。基于眼睛的情境意识是绩效的预测指标，其优势在于它可以通过实时反馈技术应用。
监测真实飞行条件下的眼球运动，用于飞行训练
眼动追踪是研究飞行员认知表现的相关技术。它为加强飞行员的训练和用于智能驾驶舱的在线监控提供了良好的前景。大多数研究都是在飞行模拟器中进行的，这可能会限制对眼动追踪数据的解释。在本研究中，我们调查了在真实飞行中测量眼球运动的可能性。我们进行了一项实验，让 7 名飞行员在一架真实的轻型飞机上执行两种交通模式和基本飞行动作。我们分析了在不同飞行阶段对主要感兴趣区域（飞行仪表）的注意力分布。这些数据与操作程序进行了对比，并就飞行安全和培训建议与飞行教练进行了讨论。此外，针对第一种交通模式进行训练的分类器可以预测第二种交通模式的三个阶段（起飞、顺风和着陆），平均准确率为 70%。
社会感知驱动与眼球运动相关的大脑活动
与其他物体相比，诸如面部等社交刺激更能吸引和留住注意力。我们使用 fMRI 研究了当参与者看向或远离属于不同类别（面部和汽车）的视觉刺激时，眼球运动和视觉大脑区域的活动如何受到调节。我们发现，上额沟内的一个区域对面部的反扫视和正扫视之间的差异比对汽车的反扫视更大，从而支持社交环境中的抑制控制。相比之下，与面部感知相关的腹侧枕颞区和杏仁核对面部的正扫视表现出比反扫视更高的活动，但对汽车则相反，这表明情境自上而下的机制调节了参与感知的区域的功能专业化。此外，在有面部存在的扫视过程中，我们发现额叶眼区与其他皮质和皮质下眼动结构（即下额叶眼区、后顶叶皮质和基底神经节）之间的功能连接增加，这可能反映了眼动系统对抑制社会显著刺激反应的要求更高。这些数据首次突出了与其他物体相比，朝向或远离面部的不同定向反应的神经基础。
模拟玻璃驾驶舱环境中眼球运动和疲劳的多模态分析
摘要：飞行员疲劳是与人为错误有关的航空事故的一个重要原因。如果可以利用飞行员的眼球运动测量来预测疲劳，那么与人有关的事故可能会减少。眼动追踪是一种非侵入式的可行方法，不需要飞行员暂停当前任务，并且设备不需要与飞行员直接接触。在本研究中，研究了心理运动警觉测试 (PVT) 测量（即反应时间、误报次数和失误次数）与眼球运动测量（即瞳孔大小、眼球注视次数、眼球注视持续时间、视觉熵）之间的正相关或负相关。然后，开发了疲劳预测模型，使用通过前向和后向逐步回归确定的眼球运动测量来预测疲劳。所提出的方法已在涉及新手和专家飞行员的模拟短途多阶段飞行任务中实施。结果表明，测量值之间的相关性因专业知识而异（即新手与专家）；因此，据此开发了两个预测模型。此外，回归结果表明，单个或部分眼球运动测量值可能足以预测疲劳。结果显示了使用非侵入式眼球运动作为疲劳预测指标的前景，并为我们更接近开发近乎实时的预警系统以防止重大事故奠定了基础。
眼球运动特征反映年轻人和老年人的疲劳发展
长时间使用电脑会导致疲劳，尤其是老年人。本研究调查了眼球运动特征与疲劳发展的关系。20 名年轻人和 18 名老年健康成年人被招募来执行一项长时间的功能性电脑任务，同时记录他们的眼球运动。该任务持续 40 分钟，涉及 240 个周期，分为 12 个部分。每个周期由一系列操作组成，包括记忆一个模式、一个清除期，以及用电脑鼠标复制该模式。参与者在每个部分之后评估他们感觉到的疲劳程度。计算了每个任务部分的眨眼持续时间 (BD) 和频率 (BF)、扫视持续时间 (SCD) 和峰值速度 (SPV)、瞳孔扩张范围 (PDR) 和注视持续时间 (FD) 的平均值以及基于点击速度和准确度的任务表现。对疲劳的主观评价增加表明疲劳正在发展。在年轻人和老年人中，BD、BF 和 PDR 随着时间的推移而增加，而 SPV 和 SCD 则减少。与年轻人相比，老年人的 FD 更长、SCD 更短、任务表现更差。本研究结果提供了一种可行的方法来开发基于眼动测量的计算模型，以跟踪计算机工作期间的疲劳发展。
机器学习和眼球运动让我们深入了解神经退行性疾病机制
摘要：人类是视觉主导的物种；我们感知到什么取决于我们看向何处。因此，眼球运动 (EM) 对我们与环境的互动至关重要，实验结果表明，EM 会受到神经退行性疾病 (ND) 的影响。这可能是 ND 中某些认知和运动障碍的原因。因此，我们旨在确定 EM 诱发反应的变化是否可以告诉我们 ND（例如阿尔茨海默病 (AD) 和帕金森病 (PD)）在不同阶段的进展情况。在本综述中，我们分析了心理、神经和 EM（扫视、反扫视、追踪）测试的结果，以使用机器学习 (ML) 方法预测疾病进展。借助 ML 算法，我们能够从高维参数空间中找到与 ND 症状相关的显着 EM 变化，从而让我们深入了解 ND 机制。所描述的预测算法使用各种方法，包括粒度计算、朴素贝叶斯、决策树/表、逻辑回归、C-/线性 SVC、KNC 和随机森林。我们证明了 EM 是评估 PD 和 AD 症状进展的可靠生物标记。这两种疾病都存在 3D 空间导航问题。因此，我们研究了虚拟空间中的 EM 实验，以及它们如何帮助发现与神经退行性疾病相关的大脑变化，例如与位置或/和方向问题相关的变化。总之，具有临床症状的 EM 参数是强大的精密仪器，除了借助 ML 预测 ND 进展的潜力外，还可用于指示这两种疾病的不同临床前阶段。
MIDAS：从自然眼球运动模式深度学习预测人类行为意图
长期以来，眼球运动一直被研究作为了解人类大脑注意力机制的窗口，并作为新颖的人机界面提供。然而，并不是我们注视的所有东西都是我们想要与之互动的东西；这被称为凝视界面的点石成金问题。为了克服点石成金问题，目前的界面往往不依赖自然的凝视线索，而是使用停留时间或凝视手势。在这里，我们提出了一种完全由数据驱动的方法，用于仅基于自然凝视线索来解码人类对对象操作任务的意图。我们进行了数据收集实验，其中 16 名参与者被赋予操作和检查任务，这些任务将在他们面前的桌子上的各种物体上执行。受试者的眼球运动使用可穿戴眼球追踪器记录，允许参与者自由移动头部并注视场景。我们使用我们的 Semantic Fovea，一种卷积神经网络模型来获取场景中的物体及其与每一帧的凝视轨迹的关系。然后，我们评估数据并研究几种对意图预测的分类任务进行建模的方法。我们的评估表明，意图预测不是数据的简单结果，而是依赖于凝视线索的非线性时间处理。我们将该任务建模为时间序列分类问题，并设计双向长短期记忆 (LSTM) 网络架构来解码意图。我们的结果表明，我们可以仅从自然凝视线索和物体相对位置解码人类的运动意图，准确率为 91.9%。我们的工作证明了自然凝视作为人机交互的零 UI 界面的可行性，即用户只需自然地行动，而不需要与界面本身交互或偏离其自然的眼球运动模式。