英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
眼动研究的视觉分析方法
图1.按时间集群的眼动轨迹简图。集群的时间位置和范围显示在底部时间轴上。
摘要
眼动分析方法作为评估视觉显示和界面的工具越来越受欢迎。但由于需要处理的数据量大、数据种类繁多，那些用于分析眼动现象和眼动轨迹的现有方法和工具在其可支持的任务范围及有效性方面受到了限制。我们对那些用于分析地理运动数据的视觉分析方法进行了广泛的实证评估。已经对这些方法就眼动跟踪数据的适用性和用户观看行为信息提取能力进行了测试。这些测试让我们可以选择合适的方法，并将其与可能支持的分析任务相匹配。本文介绍了这些方法应用在眼睛跟踪数据中的工作原理，及提供了根据分析任务选择方法的选择指南。
关键字
视觉分析，眼动跟踪，眼动数据，轨迹分析。
1.简介
眼睛跟踪是测量和记录个体凝视点位置和眼动规律的过程。该技术越发多地应用于可视化和人机交互（HCI）科学中以评估视觉显示和用户界面。研究人员使用眼睛跟踪技术来了解他们的设计如何被实际使用，甚至用以洞察用户推理和解决问题的方式。在（运用眼动技术）评估单个设计时，研究人员检查用户的行为是否与设定的使用方式相对应，发现用户可能遇到的问题，并了解如何改进设计。在评估两个或更多个替代设计方案时，研究人员不仅要知道哪一个设计在任务完成时间和错误率方面表现更好同时要寻找其中根源：该设计（最优设计）的使用与其他设计的使用区别在哪？其他设计中导致使用困难、困惑或不方便的因素是什么？
眼动跟踪实验产生的数据量很大，分析十分困难。标准的工具和方法分析能力相当有限。这些方法不支持眼睛扫描路径时空结构的研究，特别是对用户在执行给定任务时眼动路径随时间推移的变化的研究。
眼动跟踪数据具有与离散对象在地理空间中的移动数（即地理运动数据）相同的结构。在数据管理领域[18]，最近相当进步的支持地理运动数据管理的分析方法和技术有机器学习[17]，GIScience[21]和视觉分析[3]。一些为地理移动数据设计的方法也可用于分析眼动跟踪数据;这种正面的使用案例已经存在。但是，并不是全部方法都是相关的，因为对于眼动来说，其运动属性和可能感兴趣的问题与道路或海上交通、人员流动或动物迁移不是完全相同的。
由不同研究领域发展的方法中，视觉分析方法最适合用于眼动跟踪分析。视觉分析方法可能涉及统计开发、机器学习等分析规律，但它是专门为人类分析而设计的。它的主要目标是（使数据）可以被人类理解，而这就是眼动跟踪分析师需要的：了解眼睛运动并深入理解无意识认知过程。
我们对现有的用于地理运动数据的视觉分析方法进行了广泛的实证研究以评估其在眼动分析中的适用性。这些视觉分析方法中大部分都在过去的文献中有所描述，但尚未见到其应用于眼动跟踪数据研究。我们在研究中运用了以下方法。根据主要专业领域不同，我们把研究人员分为两组，分别称作“技术团队”和“评估小组”，二者在研究中扮演不同的角色。技术团队，由两位地理可视化及分析领域专家组成，应用各种方法对评估小组提供的数据进行处理并创建处理结果的说明报告。评估小组由四位视觉显示及用户界面信息可视化评估专家组成，他们提出关于用户观看行为的问题，根据他们的专业知识研究报告、解读结果，并评估视觉分析方法的可用性。在研究报告和讨论中经常会出现一些新的问题。技术组试图通过现有的方法解决这些新问题。团体举行了一次半天及一次一整天的面对面会议。在剩余的约四个月时间里他们定期通过电子渠道进行沟通。
与运动数据相关的30种通用方法[3]已有23种方法经测可用于眼动研究。这些方法中，6种方法被发现无效其余的则被认为有用。在这里，我们通过示例描述所选择的这些方法及使用了这些方法的眼动分析程序。这些方法和程序结合数据转换和分析、视觉显示和交互操作的计算技术。本文以据待分析任务进行方法选择的指导方针结尾。因此，该研究的贡献是系统评价适用于眼动跟踪数据运的动分析方法并制定了据待分析任务选择方法的指导方针。
我们要向可视化研究界传达的材料的大小不允许以详细的形式在文中提出（限于篇幅）。本文简要介绍了用以了解读者的方法并展示了该方法的潜力。对于对更多细节感兴趣的读者以及希望在自己的研究中采用这些方法的读者，我们提供补充材料[4]，内容如下：
bull;对实践研究的方法和用于它的眼动数据的更详细的描述;
bull;通过扩展解释增加了文字信息;
bull;根据分析任务选择眼动跟踪分析方法的详细说明指南;
bull;被判断为效率不足的方法清单;
bull;对于研究有用的软件链接。
眼动跟踪数据的结构和性质
眼动跟踪数据注视点位置及注视时间记录的组成。每个记录包括以下组成元素：用户身份标识，时间，显示空间中的位置（x坐标和y坐标）以及注视时间。记录还可以包括其他属性，例如在数据收集中使用不同刺激时的刺激标识符。正如有关眼动跟踪的文献中所述，用户在某刺激作用下随时间有序的记录序列被称为眼动轨迹或扫描路径。
地理运动数据具有（与眼动数据）相同的结构：由坐标定义的移动对象标识符，时间和位置（在地理空间中）;还可以存在附加属性。结构相似性表明，可以使用相同的方法来分析这两类数据。然而，眼动与由惯性导致的物理运动有一个显著的区别：眼睛运动存在较长距离上的瞬时跳跃（眼跳）[14]。眼跳开始和结束位置之间的中间点没有意义；不能假设在两个固定位置之间存在直线或曲线，使得眼睛聚焦沿着所有中间点行进。这使得涉及位置之间的插值方法如创建移动密度面[33]等失去了作用。因此，并非所有的运动分析方法都适用于眼动轨迹。
另一个问题是，方法基于的任务是否与眼动分析相关。例如，用于分析有多个对象的集体同时移动的方法在分析眼睛轨迹中几乎不可用，因为两个或更多个用户的同时眼动通常不会查看相同的图像。即使收集到这样的数据，不同用户的眼睛焦点也不太可能以不同移动实体相同的交互方式与屏幕空间相互作用。因此，并不是所有的运动分析方法对于眼动轨迹研究都是有意义的。
- 眼动分析任务类型
我们使用术语“分析任务”来表示眼动分析师的可能兴趣点，即他们可能寻求回答的问题。可能的任务类型已经从眼睛跟踪相关文献中被部分提取和推广，而部分产生在研究期间，当评估小组提出自己的问题或技术小组从他们的角将方法应用于数据并尝试学到一些内容时。
可能的任务可以分为两大类：关注兴趣领域的任务（AOI）和关注运动的任务。第一类涉及用户对显示器的关注度的分布，可以分为几种任务类型以下几个方面：
bull;AOI是预先定义的（例如，用户应该搜索的某些目标）还是需要从数据中提取的（例如，吸引更多关注的图像的元素/部分）；
bull;兴趣注意力是否随着时间的推移演变；
bull;分析师是需要所有用户的整体结果还是要寻找不同个体或不同团体（例如专家与新手）之间的本质区别；
bull;研究是集中在单个显示器上还是比较两个或更多显示器。
这些任务的共同点是只分析眼动注视点，而不分析AOI之间的眼跳现象。例如，Ccedil;ouml;ltekin等[11]通过分析持续注视时间和预定义AOI的注视点数量来比较两个界面。
在第二任务类别中，首要关注的是眼睛动作。虽然AOI很重要，但重点是注视点在它们之间的转换及其时间顺序。分析师希望在用户进行视觉探索、搜索和执行特定任务的过程中发现用户的策略。他们也想了解用户是否有困难以及哪儿有困难。以眼睛运动为中心的任务在评估信息显示和用户界面方面是不可或缺的。此任务类别可以细分如下：
bull;检查运动的一般特征，例如长时间或者短时间的眼睛持续运动、眼动轨迹方向的突变、眼动轨迹的复杂度等。
bull;检查运动的空间模式，例如跳过大区域或逐渐扫描，在空间上聚集或分散，径向或圆形移动等。
bull;研究运动与显示内容和结构单独或者共同的关系，例如对显示元件的布置的反馈，沿可用线或图形边界的移动，AOI之间的连接和转换等。
bull;了解个人观看或搜索策略，与预期或理论上最优策略进行比较。
bull;了解多个用户在查找和解释不同类型的活动的一般查看或搜索策略。
bull;查找典型的路径，例如经常出现的AOI序列。
bull;检测和调查可能的用户困难的迹象：返回上一个点，反复移动和循环扫描行为。
像以AOI为中心的任务一样，以运动为中心的任务可以根据以下几个方面进行分类：
bull;随着时间的推移，眼睛运动是否因兴趣而改变？
bull;是否比较不同的用户或组？
bull;是否比较不同的显示器。
眼睛跟踪数据的分析通常涉及许多可能需要多种分析方法的任务。下一节简要回顾已应用于眼动跟踪数据的方法。它表明以AOI为关注点的任务比以眼动研究为关注点的任务更适用一般的方法，本文也花费了更多的笔墨在AOI任务研究上。
- 相关研究工作
从眼动跟踪数据中可以得出很多统计指标。Poole和Ball[28]将这些指标和它们可能的解释系统化。例如，扫视/注视比例高表示更多的处理，扫视幅度大意味着更多有意义的提示（从远处画出注意力）等。然而，眼睛运动不能仅仅从这些数字而被完全了解。视觉分析对于深入研究至关重要。
眼动跟踪数据最流行的视觉分析工具是眼动热点图[8]，该方法显示用户注意力在显示空间的分布。眼动热点图可以由标准眼动跟踪软件方便地生成。眼动热点图可以将注视点数量、注视不同区域的不同用户的数量，注视时间和注视时间比率等可视化。眼动热点图可能对AOI任务有用。在比较研究（不同时间间隔，不同用户，或不同的图像）中几个眼动热点图被拿来相互对比。眼动跟踪分析师也试图通过分析连续时间间隔产生的一系列热图来确定用户的搜索策略[27][28]这些研究显示了用户的注意力焦点随时间的变化。但是，眼动的特点，注意焦点之间联系，以及搜索期间所遵循的路径还不清楚。
标准软件提供的另一种可视化技术是注视图，通过一些圆来表示，这些圆的半径尺寸与注视持续时间成正比，并且用线连接连续的注视点（以表示眼动轨迹）。眼动分析师通常承认，由于过度绘图导致工作量巨大，这种方法不适合数据量大的眼动研究[10][22][25]。
适用于以眼动轨迹研究的常见方法是扫描路径比较[15]，该方法基于计算两个扫描路径之间的不相似程度。AOI用符号表示，而眼动轨迹用字符串表示，并按照参与AOI的顺序排列;然后使用基于字符串编辑的距离函数[15][29]。该函数计算通过删除，插入和替换将一个字符串转换为另一个字符串的成本。该方法可以扩展到考虑AOI之间的注视时间和距离[23]。在分析多个扫描路径时，成对距离可以被平均[15][29]，或用通过相似性对路径进行聚类[10]。成对距离的矩阵可以被馈送到投影算法，例如多维缩放[12]（MDS），并且投影可以被可视化[10][23]以找到类似的扫描路径的组。
Opach和Nossum[25]认为，在眼动轨迹间差异较大的情况下，扫描路径比较可能无效。作者甚至得出结论，该方法需要特殊设计的视觉刺激以最小化观看策略的不同。因此，这种方法在文本阅读研究[23]和心理测试[15]中工作得很好，因为这些研究中AOI（单词，数字，字母等）是预先设定的，并会以特定的顺序被看到。Ccedil;ouml;ltekin等[10]以广义的方式表示扫描路径：未预先设定的AOI根据其语义或功能分类；扫描路径被转换为分类标签的序列，从而可比性更高；而分析则基于这些序列。
扫描路径比较方法不能提供一种查看原始扫描路径的方法。分析人员必须处理字符串，这可能不容易理解，特别是当符号表示的是自动提取的缺少语义的AOI。Ccedil;lltekin和Kraak[22]提出，时空立方体（STC）[19]可以用于可视化眼动轨迹。对于单一轨迹的详细探索，甚至当多个轨迹之间没有太大差异的情况下，该方法很有效[22]。而当轨迹之间的差异较大时，可以使用STC来观察先前识别出的类似轨迹的群集或用于比较两个选定的轨迹。
最初为地理数据研究开发的运动总结方法也被用于分析眼睛轨迹[16][24]。该方法和STC的成功应用表明，地理运动分析方法也可用于眼动分析。然而，这些技术和其他技术应用于眼动研究潜力尚未得到系统的研究。我们的研究旨在填补这一空白。
视觉分析方法和程序
运动分析方法已经在为反映节点链接树图的使用的相当具有挑战性的眼动跟踪数据集上进行了测试。数据收集的实验方法在其他文献中有过描述[9]。37名参与者获得了不同的树形图，并要求找到三个或更多标记叶节点的最不常见的祖先。刺激在于树的复杂性上（即节点数，链接数和层级等级），标记叶节点的数目与树的布局各不相同。在这里，目标不是描述这个特定数据集的分析并报告其结果，而是提供相关的分析方法，并展示通过这些方法获得的见解。然而，值得注意的是，在本研究中获得的结果是已有研究结果的拓展[9]，同时与之前的研究结果相符。
5.1.分析方法表
以下分析方法已被认为在眼动分析中有用并将在本文中进行描述：
MT：轨迹的地图显示。变体：满足滤波器轨迹段显示MTF。
STC：轨迹的时空三维显示。
PSA：由轨迹、轨迹投影投影和相似轨迹组之间的成对距离计算组成的路径相似度分析。
FM：汇总眼动的流程图。变种：（a）小多流图MFM;（b）差异流程图FMD，例如，在时间间隔或用户组之间差异;（c）并置流映射JFM显示不同显示器上的移动。
AM：用户关注空间分布的总结图。变种：（a）小型多重关注地图MAM;（b）地图差异AMD，例如在时间间隔或用户组之间;（C）并发注意地图JAM用于不同的视觉刺激。
CTF：通过空间模式的相似性对时间间隔进行聚类的流量。
CTA：通过空间模式的相似性对时间间隔进行聚类的注意力分
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[138425]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
