Name: combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment
Uploaded: 2019-05-07T12:30:00
Description: Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

Dit werk werd financieel gesteund door de stad van Melbourne en gedeeltelijk door ARC DP 150103135. We willen Eamonn Fennessy bedanken voor zijn advies en samenwerking. Met speciale dank aan onderzoeker assistenten Isabelle Janecki en Ethan Chen, die ook hielp verzamelen en analyseren van deze gegevens. Alle fouten blijven de auteurs.

Ethische goedkeuring voor dit project werd gegeven door de Australische Katholieke Universiteit ethiek Comite-goedkeuringsnummer #201500036E. Dit zorgde ervoor dat de geïnformeerde toestemming werd verkregen van alle deelnemers en alle deelnemers vrijwillig deelgenomen, en dat de deelnemers gegevens bleven anoniem en vertrouwelijk. Daarnaast werd de goedkeuring gegeven gepast de methode en de apparatuur die Australische normen veiligheidsverordeningen ontmoet.
1. filmen stedelijke scènes die k...

<ol>
	<li>Patrik, P., Stigsdotter, U. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+relation+between+perceived+sensory+dimensions+of+urban+green+space+and+stress+restoration.">The relation between perceived sensory dimensions of urban green space and stress restoration.</a> Landscape and Urban Planning. 94 (3-4), 264-275 (2010).</li><li>Bj&#248;rn, G., Patil, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biophilia:+does+visual+contact+with+nature+impact+on+health+and+well-being?.">Biophilia: does visual contact with nature impact on health and well-being?.</a> International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).</li><li>Velarde, M. a. D., Fry, G., Tveit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Health+effects+of+viewing+landscapes-Landscape+types+in+environmental+psychology.">Health effects of viewing landscapes-Landscape types in environmental psychology.</a> Urban Forestry &amp; Urban Greening. 6 (4), 199-212 (2007).</li><li>Polat, A. T., Ahmet, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relationships+between+the+visual+preferences+of+urban+recreation+area+users+and+various+landscape+design+elements.">Relationships between the visual preferences of urban recreation area users and various landscape design elements.</a> Urban Forestry &amp; Urban Greening. 14 (3), 573-582 (2015).</li><li>Peter, P., Giannopoulos, I., Raubal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Where+am+I?+Investigating+map+matching+during+self-localization+with+mobile+eye+tracking+in+an+urban+environment.">Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment.</a> Transactions in GIS. 18 (5), 660-686 (2014).</li><li>Berto, R., Massaccesi, S., Pasini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Do+Eye+Movements+Measured+across+High+and+Low+Fascination+Photographs+Differ?+Addressing+Kaplan's+Fascination+Hypothesis.">Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan's Fascination Hypothesis.</a> Journal of Environmental Psychology. 28 (2), 185-191 (2008).</li><li>Kaplan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+restorative+benefits+of+nature:+Towards+an+integrative+framework.">The restorative benefits of nature: Towards an integrative framework.</a> Journal of Environmental Psychology. 15, 169-182 (1995).</li><li>Duchowski, A. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking Methodology: Theory and Practice. , (2017).</li><li>Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+eye-catching+are+natural+features+when+walking+through+a+park?+Eye-+tracking+responses+to+videos+of+walks?.">How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?.</a> Urban Forestry and Urban Greening. 31, 67-78 (2018).</li><li>Gould, S. D. A. R. W. I. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Framework+for+Machine+Learning+and+Computer+Vision+Research+and+Development.">A Framework for Machine Learning and Computer Vision Research and Development.</a> Journal of Machine Learning Research. (Dec), 3533-3537 (2012).</li><li>Richardson, D., Matlock, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+integration+of+figurative+language+and+static+depictions:+an+eye+movement+study+of+fictive+motion.">The integration of figurative language and static depictions: an eye movement study of fictive motion.</a> Cognition. 102 (1), 129-138 (2007).</li><li>Bojko, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking the User Experience: A Practical Guide to Research. , (2013).</li></ol>

In het algemeen, in standaard softwarepakketten voor het analyseren van Eye-tracking gegevens, een vector wordt gebruikt. Zelfs voor een enkel stilstaand beeld, kan de grootte van de vector niet gemakkelijk worden gemeten. Bovendien, met inbegrip van alle Aoi's in een afbeelding en de berekening van de relatieve hoeveelheden van Aoi's is moeizaam. Het is bijna onmogelijk om dit handmatig te doen op een video zonder een machine leren techniek zoals beschreven. Dit was een relatief eenvoudige verklaring dat een gratis kijk...

Onze dagelijkse geleefde ervaringen van stedelijke milieu's hebben grote invloed op onze gezondheid en welzijn. Ons welzijn kan afhangen van de hoeveelheid groene ruimtes die we bekijken en ervaring1,2,3, en deze standpunten kunnen worden gekwantificeerd met behulp van Eye-tracking apparatuur te begeleiden besluitvorming over Park design. Echter, een probleem ontstaat met het volume van de eye tracking gegevens die wordt gegenereerd en het maken van de zin van deze gegevens. Aangezien de apparatuur voor het opnemen van gegevens blik in een Lab of natuurlijke omgeving wordt gemakkelijker te gebruiken en krachtiger, onderzoekers moeten nagaan hoe we kunnen verzamelen en analyseren van gegevens geldig om te helpen met de besluitvorming vragen.
Tot nu toe heeft een groot deel van Eye tracking onderzoek gebruikt Foto's in een enquête of laboratorium instelling4. Hoewel deze methodologie zorgt voor een groot deel van de reproduceerbaarheid en controle over de resultaten, is het niet in staat om te profiteren van de nieuwste ontwikkelingen in de eye-tracking technologie die het gebruik van video en draagbare mobiele Eye-trackers omvatten. Voorts zouden wij debatteren dat de handeling van het lopen en het ontspannen noodzakelijk dynamisch is in het bijzonder wanneer georiënteerd naar een taak zoals bewegwijzering5. Daarom zou een volledig wetenschappelijk begrip van deze montages buiten het laboratorium moeten plaatsvinden. Echter, op het moment, eye-tracking in een Real-Life naturalistische setting maakt het vergelijken van de ervaring tussen de onderwerpen erg moeilijk. Bijvoorbeeld, als we wilden vergelijken of een respondent kijkt naar bomen meer dan een ander, hoe kunnen we de controle voor het feit dat hun standpunt zou voortdurend veranderen in vergelijking met anderen of dat hun hoofd zou kunnen hebben gedraaid. Gedetailleerde analyse in deze omstandigheden is bijna onmogelijk met de huidige analysetechnieken. We beweren dat het belangrijk is om de controle van de gebieden die beschikbaar zijn voor het individu wordt bestudeerd en in de analyse te kunnen om rekening te houden voor de totale scène wordt bekeken op een bepaald punt in de tijd.
Er zijn een reeks theorieën die spanningsniveaus en waarnemingen van veiligheid verbinden aan landschaps meningen en goed-geëvolueerde maatregelen van spanning6,7. Er is ook een snelle toename van de verfijning van de eye-tracking apparatuur te meten blik8. Eye-tracking is belangrijk omdat onvrijwillige Eye-bewegingen kunnen meer betrouwbaar worden aangesloten op de voorkeur, stress en andere traditionele maatregelen dan enquêtes en opdringerige, fysiologische tests zoals speeksel cortisol niveaus. Het doel van dit onderzoek is het ontwikkelen van tools die een nauwkeuriger meting van de eye-tracking gegevens toegepast op meer naturalistische instellingen mogelijk te maken, om zo verder bewijs voor of te weerleggen langdurige landschaps theorieën die hebben geïnformeerd Park design voor Decennia.
Het doel van dit project is het ontwikkelen en testen van een nieuwe analysetechniek die relevante eye-tracking gegevens kan genereren voor verschillende Video's van Park Walk simulaties. Ons werk gerapporteerd hier en elders9 is een halverwege punt tussen de naturalistische setting van een volledig mobiele eye-tracking systeem en het lab-based foto studies hierboven genoemde. In het bijzonder concentreren we ons op het gebruik van Video's als stimulans materiaal, het verkennen van hoe dit materiaal kan worden gebruikt om het bedrag van de fascinatie die verschillende parken te genereren in de stad Melbourne te testen. Ons werk is gebaseerd op de veronderstelling dat een gedetailleerde analyse van de Video's is een noodzakelijke stap in de strijd vóór de onderneming een vollere, meer naturalistische beoordeling van het potentieel van parken om herstel te bieden van stress.
In deze studie, werkten we een desktop Eye-Tracker met Video's van wandelingen door stedelijke parken en vroeg de deelnemers voor te stellen dat ze een ontspannende wandeling door een park te nemen. We beschrijven een methode om de hoeveelheid tijd die de deelnemers besteed aan het kijken naar verschillende objecten te vergelijken tussen de parken mogelijk te maken. Desktop studies zijn over het algemeen gemakkelijker te controleren in vergelijking met mobiele ET studies en laat vergelijkende analyse van elk onderwerp.
Standaard eye-tracking software maakt gebruik van een handleiding gebied van belang tool waarin een exploitant kan handmatig te trekken grenzen rond voorwerpen van belang in elke scène. Hierdoor kan de hoeveelheid tijd die deelnemers besteed aan het bekijken van verschillende objecten automatisch worden geteld. Voor videogegevens, is dit proces arbeidsintensief en onderworpen aan exploitant subjectiviteit en fout. In latere versies van Eye-tracking analyse software, Aoi's kan automatisch track objecten over frames als ze dezelfde grootte in de video. Dit is een verbetering, echter, dit is alleen bedoeld om te worden gebruikt voor een klein aantal stimuli in elk beeld en elk beeld moet worden gecontroleerd en bevestigd.
Handmatige etikettering van objecten in een afbeelding komt vaak voor en wordt ondersteund door beeldbewerkingssoftware zoals GNU Image manipulatie Program (GIMP). Gezien het dat 1 s produceert 30 frames of beelden, de handmatige etikettering van Video's is onpraktisch. Bovendien is het etiketteren van de kenmerkende door vector veelhoeken rond de rand van complexe voorwerpen zoals boom luifels zeer tijdrovend. Tot slot, hoewel het denkbaar is om de grootte van objecten te berekenen in een gezichtsveld met behulp van vector-etikettering, is deze functie momenteel niet beschikbaar.
De methode die wij rapporteren hieronder behandelt deze beperkingen. Deze studie werkte automatische etikettering van voorwerpen. Dit is mogelijk met behulp van een beeldverwerkings techniek bekend als semantische etikettering, waarbij elke pixel in elk frame van de video is een label met vermelding van een objectklasse toegewezen. Machine learning wordt gebruikt voor het afleiden van pixel classificaties voor elke objectklasse van belang. Deze classificaties bieden een waarschijnlijkheids label voor elke pixel (bekend als unaire potentialen), die vervolgens worden verfijnd in een latere optimalisatie proces om de uiteindelijke label output te bereiken. Deze classificaties leren statistische beslissings grenzen tussen elke objectklassen in de ruimte van functies die uit de afbeelding worden geëxtraheerd, zoals textuur, histogram van rand oriëntaties, RGB-kleurwaarden en de genormaliseerde afbeeldings coördinaten. Een geschikte techniek hiervoor is geïmplementeerd in de DARWIN machine learning Toolbox10 en wordt hieronder beschreven.

<table border="0" cellpadding="0" cellspacing="0" style="width:572px;" width="573">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">12 mm lens</td>
			<td style="width:71px;">Olympus</td>
			<td style="width:119px;"></td>
			<td style="width:167px;">Lens</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Panasonic GH4&#160;</td>
			<td>Panasonic</td>
			<td style="width:119px;"></td>
			<td>Video Camera</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii Studio version (2.1.14)&#160;&#160;</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii x120 desktop eye-tracker</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Eye-tracker</td>
		</tr>
	</tbody>
</table>

combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment

Als individuen steeds meer leven in steden, methoden om hun dagelijkse bewegingen en de gegevens die kunnen worden verzameld studie wordt belangrijk en waardevol. Eye-tracking informatica is bekend om verbinding te maken met een scala van gevoelens, gezondheids-omstandigheden, mentale toestanden en acties. Maar omdat visie is het resultaat van constante Eye-bewegingen, plagen uit wat belangrijk is van wat is lawaai is complex en data-intensieve. Bovendien, een belangrijke uitdaging is de controle voor wat mensen kijken in vergelijking met wat wordt gepresenteerd aan hen.
Het volgende presenteert een methodologie voor het combineren en analyseren van Eye-tracking op een video van een natuurlijke en complexe scène met een machine learning techniek voor het analyseren van de inhoud van de video. In het protocol richten we ons op het analyseren van gegevens van gefilmde Video's, hoe een video kan het best worden gebruikt om de deelnemers ' Eye-trackingdata record, en belangrijker hoe de inhoud van de video kan worden geanalyseerd en gecombineerd met de eye-tracking gegevens. We presenteren een korte samenvatting van de resultaten en een bespreking van de mogelijkheden van de methode voor verdere studies in complexe omgevingen.

Figuur 1 en Figuur 2 tonen het resultaat van het nemen van alle eye-tracking gegevens voor de hele video over alle deelnemers en het produceren van een warmte-kaart; Dit is de standaard aanpak die beschikbaar is in Eye-tracking softwarepakketten. Door het vergelijken van Figuur 1 en Figuur 2 is het mogelijk om te bepalen dat op de gemiddelde deelnemers gescand links en rechts op de x...

Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Het protocol heeft tot doel in detail te beschrijven hoe videogegevens kunnen worden verzameld voor gebruik in het laboratorium; Hoe te registreren eye-tracking gegevens van de deelnemers te kijken naar de gegevens en hoe efficiënt analyseren van de inhoud van de Video's die ze zochten met behulp van een machine leren techniek.

Het combineren van Eye-tracking gegevens met een analyse van de video-inhoud van Free-viewing een video van een wandeling in een stedelijk park omgeving

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

Veel eye tracking studies vertrouwen op complexe video stimuli en real world instellingen maken analyse van de gegevens zeer complex. Deze analysetechniek zorgt voor een veel rijkere en geautomatiseerde benadering van het analyseren van videogebaseerde gegevens dan de momenteel beschikbare methoden die leiden tot een rijkere extractie van complexere gegevens. Deze methode kan worden gebruikt in veel verschillende eye tracking toepassingen met name in de echte wereld situaties of die video gebruiken als een stimulans.Landschapsstudies hebben vertrouwd op het begrijpen hoe mensen reageren op verschillende visuele stimuli. Deze techniek in combinatie met eye tracking kan worden gebruikt om deze veronderstellingen te testen. Voor dit soort onderzoek is een teambenadering essentieel omdat er meerdere aspecten zijn die input en aandacht op hoog niveau vereisen.Het aantonen van de procedure met mij zal mijn post graduate student Andrew Treller. De filmsequenties moeten worden getoond in een eye tracking laboratorium waarin natuurlijk licht beschikbaar is, maar die kan worden gecontroleerd om reflecties op het scherm op een zo groot mogelijk scherm te voorkomen om zo veel van het gezichtsveld te bezetten, waardoor afleidingen van buiten het gezichtsveld worden vermeden. Na zitplaatsen de deelnemer 60-65 centimeter afstand van het scherm, vraag hen om zich voor te stellen dat ze behoefte aan restauratie met behulp van een zin die het mogelijk maakt de deelnemer voor te stellen in de context van de eye tracking video.Speel vervolgens de films voor de deelnemer in een vooraf bepaalde willekeurige volgorde met behulp van een desktop eye tracking apparaat om de patiënt oogbewegingen op te nemen tijdens elke video. Als u een interessegebied wilt ontwerpen, selecteert u items die van belang zijn voor de studie, zoals bomen, struiken, wegwijzers, gebouwen, paden, trappen. Gebruik elementen die gemakkelijk visueel van elkaar te onderscheiden zijn met het blote oog en/of die consistent verschillende gebieden van elk videoframe bezetten voor optimale prestaties en minimale trainingsvereisten.In het algemeen moeten het opnemen van voldoende trainingsvoorbeelden die visueel onderscheiden van verschillen van elke AOI voldoende zijn voor een robuuste prestatie. Wanneer alle items zijn gewijzigd, selecteert u een passend aantal trainingsframes om de trainingsset in te halen. Er is geen vast nummer dat geschikt is.Open vervolgens elk trainingsframe van de video in de software voor het bewerken van afbeeldingen en voor elk frame overlay een transparante afbeeldingslaag op de geladen afbeelding voor het labelen en maak een kleurenpalet dat één kleur biedt voor elke bepaalde objectklasse van belang. Als u de kleur voor het voorbeeldgebied wilt selecteren, klikt en sleept u pixels binnen een gebied om te kleuren in een gebied met de juiste paletkeuze. Zodra de etikettering van een frame is voltooid, exporteert u de bedekte laag als een afzonderlijk afbeeldingsbestand, zodat de basisbestandsnaam overeenkomt met de oorspronkelijke bestandsnaam van het frame, maar met een C-toegevoegd aan het einde.Om de nauwkeurigheid van de getrainde classificatie kwantitatief te valideren, selecteert u frames uit de oorspronkelijke videoreeks die nog niet is geselecteerd om in de trainingsset te worden opgenomen en labelt u de pixels in elk frame zoals zojuist is aangetoond dat de trainingsframes zo nauwkeurig en volledig mogelijk zijn. Wanneer de etikettering van een frame is voltooid, gebruikt u dezelfde naamgevingsconventie als voor de training, waarbij de bestanden worden opgeslagen in een aparte map met validatieframes. Voor automatische pixellabeling van de videoreeks start u de grafische gebruikersinterface van Darwin en klikt u op trainingslabels laden.Als u de GUI voor training en labeling wilt configureren, selecteert u project maken en geeft u het project een naam met behulp van het pop-updialoogvak. Selecteer de map met alle originele frames van de videoreeks in het pop-upvenster. Selecteer met het dialoogvenster popup-verkennerdialoog de map met de gelabelde trainingsafbeeldingen voor de desbetreffende videoreeks.En selecteer in het vak dialoog met verkenner de map met alle gelabelde validatieafbeeldingen voor de relevante videoreeks. Volg de prompt om een doelmap te selecteren voor alle uitvoerframes die zich in de vorm van gelabelde afbeeldingen bevinden met hetzelfde kleurenpalet als in de training. Voer met behulp van het pop-updialoogvak, onder interessegebieden, de gebieden in die van belang zijn om de rood/groen/blauwe waarden te labelen die worden gebruikt om elke regio in de trainingsvoorbeelden te markeren.Het algoritme onderzoekt elk gelabeld trainingsframe en leert een model van het uiterlijk voor het classificeren van de pixels in een van de opgegeven objectklassen van belang. Zodra de training is voltooid, klikt u op valideren van de training. En selecteer in het vak dialoog met verkenner de map met alle gelabelde validatieafbeeldingen voor de relevante videoreeks.Als u de gegenereerde labels visueel wilt valideren, klikt u op visuele validatie. Elke gegenereerde gelabelde afbeelding wordt naast het oorspronkelijke validatieframe weergegeven. Als de nauwkeurigheid die in de kwantitatieve of kwalitatieve validatie wordt waargenomen, onder aanvaardbare niveaus zakt, omvatten en omscholen bijscholingsvoorbeelden.Zodra de trainings- en validatiefasen van de classificatie zijn voltooid, klikt u op inferentie uitvoeren om te beginnen met het volledig labelen van alle frames in de videoreeks met behulp van de getrainde classificatie. Zodra de etikettering is voltooid, wat enkele uren kan duren, klikt u op bladeruitvoer om de resulterende labels te bekijken. De meeste eye tracking software zal u laten zien dat gemiddeld, deelnemers gescand links en rechts op de x-coördinaat van de video in de eerste video in vergelijking met de tweede video waarvoor de heat map toont een rondere vorm.Met behulp van de machine learning pixel labeling techniek beschreven in dit papier, kunnen we meer details zien. Deze grafische weergave van de procentfixatietijd laat zien dat het pad duidelijk zichtbaar is in de loop van de video. Echter, zoals dit cijfer uit de eye tracking gegevens blijkt, de deelnemer alleen keek naar deze functie af en toe op belangrijke punten.Hier wordt een samenvatting getoond van de verblijfstijd van alle 39 deelnemers aan deze representatieve studie wanneer naar objecten wordt gekeken over de gehele lengte van de video. In deze grafiek werden dezelfde verblijfstijdgegevens gedeeld door de hoeveelheid tijd en ruimte die verschillende objecten in de video bezetten. Een waarde van één geeft aan dat de verblijfstijd kan worden verantwoord door de hoeveelheid object in de video.Objecten die minder relevant waren, zoals de hemel in beide afbeeldingen, werden bijvoorbeeld relatief minder bekeken dan andere objecten. Kunstmatige voorwerpen zoals straatlantaarns en banken werden in grotere mate in beslag nemen in vergelijking met andere natuurlijke objecten. Dit soort analyses kunnen vele brede toepassingen hebben om kwesties van aandacht en verzilting te onderzoeken en kunnen vele brede het bereiken toepassingen in verschillende onderzoeksgebieden hebben.Naarmate het gebruik van korte films als visuele stimuli steeds vaker voorkomt, verwachten we dat deze techniek populairder wordt.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

Analyse van vetzuurgehalte en Compositie in Microalgen

A method to determine the content and composition of total fatty acids present in microalgae is described. Fatty acids are a major constituent of ...

Design and Construction of an Urban Runoff Research Facility

Ontwerp en constructie van een Urban Runoff Research Facility

As the urban population increases, so does the area of irrigated urban landscape. Summer water use in urban areas can be 2-3x winter base line water use ...

An Aquatic Microbial Metaproteomics Workflow: From Cells to Tryptic Peptides Suitable for Tandem Mass Spectrometry-based Analysis

Een Aquatic Microbial MetaProteomics Workflow: Van cellen tot Tryptic Peptiden geschikt voor Tandem massaspectrometrie-gebaseerde Analyse

Meta-omic technologies such as metagenomics, metatranscriptomics and metaproteomics can aid in the understanding of microbial community structure and ...

The Use of an Automated System (GreenFeed) to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

The Use of an Automated System GreenFeed to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

Het gebruik van een Automated System (GreenFeed) naar Enterisch methaan en kooldioxide emissies van herkauwers Monitor

Ruminant animals (domesticated or wild) emit methane (CH4) through enteric fermentation in their digestive tract and from decomposition of manure during ...

Extracting Metrics for Three-dimensional Root Systems: Volume and Surface Analysis from In-soil X-ray Computed Tomography Data

Het halen van Metrics voor Driedimensionale Root Systems: Volume en Surface Analysis van In-bodem X-ray Computed Tomography Gegevens

Plant roots play a critical role in plant-soil-microbe interactions that occur in the rhizosphere, as well as processes with important implications to ...

Spotting Cheetahs: Identifying Individuals by Their Footprints

Spotting Cheetahs: identificeren van individuen door hun voetsporen

The cheetah (Acinonyx jubatus) is Africa's most endangered large felid and listed as Vulnerable with a declining population trend by the IUCN1. It ranges ...

A Video Surveillance System to Monitor Breeding Colonies of Common Terns (Sterna Hirundo)

A Video Surveillance System to Monitor Breeding Colonies of Common Terns Sterna Hirundo

Een Video surveillancesysteem te controleren met het fokken van kolonies visdieven (Sterna Hirundo)

Many waterbird populations have faced declines over the last century, including the common tern (Sterna hirundo), a waterbird species with a widespread ...

Protocol for Producing Three-Dimensional Infrared Video of Freezing in Plants

Protocol voor het produceren van driedimensionale infrarood Video van bevriezing in planten

Freezing in plants can be monitored using infrared (IR) thermography, because when water freezes, it gives off heat. However, problems with color contrast ...

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn (Zea mays) As an Exemplar

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn Zea mays As an Exemplar

Kwantificeren van de Plant oplosbaar eiwit en verteerbare koolhydraten inhoud, met behulp van maïs (Zea mays) als een Exemplar

Elemental data are commonly used to infer plant quality as a resource to herbivores. However, the ubiquity of carbon in biomolecules, the presence of ...

Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster (Nephrops norvegicus)

Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus

Op lange termijn Video-Tracking van Cohoused waterdieren: een Case studie van de dagelijkse motorische activiteit van de langoustines (Nephrops norvegicus)