機械学習を用いた視線追跡データのイベント検出

Using machine learning to detect events in eye-tracking data
Behavior Research Methods, pp1–22, 2017

イベント検出は、眼球運動データ解析の難しい段階である.現在のイベント検出方法の主な欠点として,目の動きデータの質に基づいてパラメータを調整しなければならないことが挙げられる.
本実験では,注視,サッカード,またはその他の眼球運動イベントに属する生の視線サンプルの完全自動化された分類を,機械学習アプローチを用いて達成できることを示す.既に手作業またはアルゴリズムで検出された事象は,ユーザがパラメータを設定する必要なしに,他のデータの同様の分類を生成するように分類器を訓練するために使用することが可能である.本研究では,注視,サッカード,およびサッカード後の振動(PSO)の検出のためのランダム森林機械学習技術の適用を検討する.目の動き分類アルゴリズムを用いるアプリケーションに提案された方法の実用性を示すために,この方法を眼球運動駆動のバイオメトリックアプリケーションに用いる例を提供する.我々は,機械学習技術が現在の最先端の事象検出アルゴリズムと比較して優れた検出をもたらし,手作業コーディングの性能に達することができると結論付けた.

感情的写真による選択的注意捕捉の眼球運動評価

Eye Movement Assessment of Selective Attentional Capture by Emotional Pictures
Emotion, Vol.6, No.2, pp.257-268, 2006
20160626 wada

アイトラッキングを感情的かつ視覚的な場面での注意の配向と関与を評価するために用いた.実験 1 で不快,中 性,または快適なターゲットの画像を画像の快の度合いを比較するための周辺視野における中性制御画像と同時 に提示した.感情画像における最初の凝視とその後の凝視の周波数の確率は中性の画像よりも大きかった.実験 2 では,被験者に感情画像を見ることを避けるように指示したが,中性写真よりも初めに凝視する割合が大きくな り,最初の凝視時の見る時間が長くなった.低いレベルの視覚的な特徴では結果を説明することができない.明白 な視覚的な特徴は快・不快の感情的なコンテンツによって表わされることが結論づけれた