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.

全被験者と脳領域のBOLD 血流動態反応の変化とこれらが統計解析に及ぼす影響

Variation of BOLD hemodynamic responses across subjects and brain regions and their effects on statistical analyses
Neuroimage vol.21, no.4, pp.1639-1651, 2004.

20151029 taki

血流動態反応関数(HRF)の推定値は多くの場合,事象関連fMRIの分析で不可欠な部分である.だがHRFは個人や脳領域で異なり,いくつかの研究では一般線形モデル(GLM)を使用した際にこの変動が統計分析にどのような影響をもたらすか検討した.本研究では,20の被験者における一次運動野,視覚野,前頭部およびSupplementaryeye eld(SEF)で経験的にHRFの推定を行った.私たちはいくつかの領域のペアのピーク到達時間の相関の変動よりも,被験者全体での変動をより観察した.シミュレーションは統計結果とその影響を制限することができる異なる統計的モデルと実験設計が異なる方法で観察された変動の影響を検討した.間隔が広く,そして二つのサンプリングレートの速いイベントデザインで検証した.統計モデルと経験的に得られたHRFと標準的なHRFをGLMにおけるHRFの一次導関数を含めて比較した.推測されたHRFと本来の物の小さな差によって偽陰性が生じることは無かったが,2.5秒のようなtime-to-onsetの推定ミスでは,変動の範囲が大きく偽陰性につながった.小さな誤差が活性の検出に与える影響は最小限だが,1秒と同じくらい小さいtime-to-onsetの推定ミスはモデルのパラメータ推定に影響するため,ランダム効果として被験者全体で分析する.サンプリング周波数をさげたりGLMにおけるHRFの時間導関数を含むような実験と分析設計手法は結果を改善したが,HRFの推定ミスによるエラーは排除しなかった.これらの結果は可能な限り推定可能なHRFを推定することの利点と被験者および脳の領域を超えてHRFの一貫性を仮定することの潜在的な悪影響を強調している.