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

עבודה זו היה נתמך כספית על ידי עיריית מלבורן וחלקית על ידי ARC DP 150103135. ברצוני להודות לאיאמאון Fennessy על העצה והגישה השיתופית שלו. בזכות מיוחדת לחוקר המסייע איזבל ג'צקי ואיתן חן, שסייעו גם הם לאסוף ולנתח נתונים אלה. כל השגיאות נשארות המחברים.

אישור מוסרי לפרויקט זה ניתן על ידי ועדת האתיקה של האוניברסיטה הקתולית האוסטרלית-אישור מספר201500036E. הדבר הבטיח כי הסכמה מושכלת הייתה מושגת מכל המשתתפים וכל המשתתפים השתתפו בהתנדבות ושהמשתתפים בנתונים נותרו אנונימיים וחסויים. בנוסף לכך ניתנה האישור בשל השיטה והציוד לפגישת התקנות בטיחות בת?...

<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>

באופן כללי, בחבילות תוכנה סטנדרטיות לניתוח נתוני מעקב אחר עיניים, נעשה שימוש בווקטור AOI. אפילו עבור תמונה בודדת, לא ניתן למדוד בקלות את גודל הווקטור. יתרה מזאת, כולל כל האואוס בתמונה וחישוב הכמויות היחסיות של האואוס הוא מפרך. כמעט בלתי אפשרי לעשות זאת באופן ידני על וידאו ללא טכניקת למידה מכו...

החוויות היומיומיות שלנו בסביבות עירוניות משפיעות מאוד על הבריאות והרווחה שלנו. הרווחה שלנו יכולה להיות תלויה בכמות החללים הירוקים שאנו רואים וחווים1,2,3, ותצוגות אלה ניתן לכמת באמצעות ציוד מעקב אחר העין כדי להנחות את קבלת החלטות בנוגע לעיצוב הפארק. עם זאת, מתעוררת בעיה עם הנפח של נתוני מעקב אחר העין הנוצרת ומקבלת תחושה של נתונים אלה. כאשר הציוד להקלטת הנתונים מבט במעבדה או הגדרה טבעית הופך להיות קל יותר לשימוש וחזק יותר, החוקרים צריכים לשקול כיצד נוכל לאסוף ולנתח נתונים ובאופן מוחלט כדי לעזור עם שאלות לקבלת ההחלטות.
עד כה, מחקר מחקרי עיניים רב השתמש בתצלומים בסקר או בקביעת מעבדה4. בעוד מתודולוגיה זו מאפשרת מידה רבה של שליטה והקפדה על תוצאות, זה לא יכול לנצל את ההתקדמות העדכנית ביותר בטכנולוגיה מעקב העין הכוללים את השימוש וידאו לבישים מעוקבים העין ניידים. יתר על כן, היינו טוענים כי הפעולה של הליכה ורוגע הוא בהכרח דינמי במיוחד כאשר מונחה לקראת משימה כגון למצוא5. לכן הבנה מדעית מלאה של הגדרות אלה צריכה להתרחש מחוץ למעבדה. עם זאת, כרגע, מעקב אחר העין במסגרת המציאות הטבעית הופך את השוואת החוויה בין הנושאים לקשה מאוד. לדוגמה, אם היינו רוצים להשוות בין אם המשיב האחד מסתכל על עצים יותר מאשר אחר, כיצד יכולנו לשלוט על העובדה שנקודת המבט שלהם תהיה משתנה ללא הרף לעומת אחרים או שהראש שלהם אולי התהפך. ניתוח מפורט בתנאים אלה הוא כמעט בלתי אפשרי עם טכניקות ניתוח נוכחיות. היינו טוענים כי חשוב לשלוט על אזורי הצפייה הזמינים לאדם ללמוד בניתוח כדי להיות מסוגל להסביר את הסצינה הכוללת הנצפים בכל נקודה אחת בזמן.
יש סדרה של תיאוריות לקשר רמות הלחץ ותפיסות של בטיחות לנוף נוף התפתח היטב אמצעים של לחץ6,7. הייתה גם עלייה מהירה בתחכום של ציוד מעקב עיניים כדי למדוד מבט8. מעקב אחר העין חשוב מכיוון שתנועות עיניים לא רצוניות יכול להיות מחובר יותר באופן אמין להעדפה, מתח ואמצעים אחרים מסורתיים מאשר סקרים פולשנית, בדיקות פיזיולוגיות כגון רמות קורטיזול הרוק. מטרת מחקר זה היא לפתח כלים המאפשרים מדידה מדויקת יותר של נתוני מעקב אחר העין החלים על הגדרות טבעיות יותר, כדי לספק ראיות נוספות עבור או להפריך תיאוריות הנוף ארוכת הטווח אשר הודיעו על עיצוב הפארק עבור עשורים.
מטרת הפרויקט היא לפתח ולבדוק טכניקת ניתוח הרומן שיכולה ליצור נתונים רלוונטיים למעקב אחר עיניים עבור קטעי וידאו שונים של הליכה בפארק סימולציות. העבודה שלנו דיווחה כאן ובמקומות אחרים9 מייצגת נקודה בחצי הדרך בין הסביבה הטבעית של מערכת מעקב העין הניידת לחלוטין ומחקרי צילום מבוססי מעבדה המכונה לעיל. בפרט, אנו מתרכזים בשימוש בקטעי וידאו כחומר הגירוי, חקר כיצד ניתן להשתמש בחומר זה כדי לבחון את כמות הקסם שפארקים שונים יוצרים בעיר מלבורן. העבודה שלנו מבוססת על ההנחה כי ניתוח מפורט של קטעי וידאו הוא צעד הכרחי להפר לפני התחייבות מלאה, הערכה טבעית יותר של הפוטנציאל של פארקים כדי לספק שחזור מהלחץ.
במחקר זה, אנו המועסקים שולחן העבודה עין-גשש עם קטעי וידאו של טיולים בפארקים עירוניים וביקשו מהמשתתפים לדמיין שהם לוקחים הליכה רגועה דרך הפארק. אנו מתארים שיטה כדי לאפשר את משך הזמן שהמשתתפים בילו להסתכל על חפצים שונים להיות דומים בין הפארקים. לימודי שולחן העבודה בדרך כלל קלים יותר לשליטה בהשוואה למחקרי ET ניידים ולאפשר ניתוח השוואתי של כל נושא.
התוכנה הסטנדרטית למעקב אחר עיניים משתמשת בתחום הידני של כלי הריבית שבו למפעיל יש אפשרות לצייר באופן ידני גבולות סביב אובייקטים מעניינים בכל סצינה. הדבר מאפשר את משך הזמן שבו המשתתפים השקיעו בחיפוש אחר אובייקטים שונים לספירה אוטומטית. עבור נתוני וידאו, תהליך זה הוא אינטנסיבי העבודה וכפוף המפעיל סובייקטיביות ושגיאה. בגירסאות מאוחרות יותר של תוכנת ניתוח מעקב אחר עיניים, ניתן לעקוב אחר אובייקטים באופן אוטומטי בין מסגרות כאשר הם בגודל זהה בווידאו. זה שיפור, עם זאת, זה נועד רק כדי לשמש מספר קטן של גירויים בכל תמונה וכל תמונה יש לבדוק ואישר.
תיוג ידני של אובייקטים בתמונה נפוץ ונתמך על ידי תוכנת עריכת תמונות כגון תוכנית מניפולציה תמונה של גנו (GIMP). בהינתן כי 1 s מייצרת 30 מסגרות או תמונות, את התיוג הידני של קטעי וידאו אינו מעשי. בנוסף, התוויות AOI על ידי ציור מצולעים וקטור סביב הקצה של אובייקטים מורכבים כגון חופות עץ הוא זמן רב מאוד. לבסוף, כל עוד אפשר לחשב את גודל האובייקטים בשדה תצוגה באמצעות תיוג וקטורי, תכונה זו אינה זמינה כעת.
השיטה שאנו מדווחים עליה מטפלת במגבלות אלה. מחקר זה העסיק תוויות אוטומטי של אובייקטים. אפשרות זו מאפשרת שימוש בטכניקת עיבוד תמונה המוכרת כתוויות סמנטי, שבה לכל פיקסל בכל אחת ממסגרות הווידאו מוקצה תווית המציינת מחלקת אובייקט. למידה ממוחשבת משמשת להפקת מסווג פיקסל עבור כל מחלקת האובייקט של העניין. המותגים האלה מספקים תווית בעלת יכולת מיטבית לכל פיקסל (הידוע כפוטנציאלים אונאריים), אשר מעודנים לאחר מכן בתהליך מיטוב שלאחר מכן כדי להשיג את הפלט הסופי המסומנת בתווית. מידע מסווג זה מלמד גבולות של החלטות סטטיסטיות בין כל מחלקות אובייקטים במרחב של תכונות המחולצות מהתמונה, כולל מרקם, היסטוגרמה של כיוון קצוות, ערכי צבע RGB וקואורדינטות של תמונה מנורמלת. טכניקה מתאימה לכך מיושמת בארגז הכלים של למידה ממוחשבת של דרווין10 והיא מתוארת להלן.

<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

כמו אנשים חיים יותר ויותר בערים, שיטות ללמוד את התנועות היומיומיות שלהם ואת הנתונים שניתן לאסוף הופך חשוב ויקר. אינפורמטיקה מעקב אחר העין ידועים להתחבר למגוון של רגשות, תנאי בריאות, מצבים נפשיים ופעולות. אבל מכיוון שחזון הוא תוצאה של תנועות עיניים מתמדת, להקניט מה חשוב ממה שרעש הוא מורכב ומידע אינטנסיבי. יתרה מזאת, אתגר משמעותי הוא שליטה על מה שאנשים מסתכלים לעומת מה שמוצג להם.
הבאים מציגים מתודולוגיה לשילוב וניתוח של מעקב אחר העיניים בווידאו של סצנה טבעית ומורכבת עם טכניקת למידה ממוחשבת לניתוח תוכן הווידאו. בפרוטוקול אנו מתמקדים בניתוח נתונים מסרטוני וידאו שצולמו, כיצד ניתן להשתמש בווידאו כדי להקליט את נתוני מעקב העיניים של המשתתפים, ולחשוב על האופן שבו ניתן לנתח את תוכן הווידאו ולשלבו עם נתוני המעקב אחר העין. אנו מציגים תקציר קצר של התוצאות ודיון בפוטנציאל השיטה למחקרים נוספים בסביבות מורכבות.

איור 1 ו- איור 2 מראים את התוצאה של נטילת כל נתוני העין לאורך כל המשתתפים והפקת מפת חום; זוהי הגישה הסטנדרטית הזמינה בחבילות תוכנה למעקב אחר עיניים. על-ידי השוואת איור 1 ואיור 2 ניתן לזהות שבמשתתפים הממוצעים נסרק שמא?...

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

מטרת הפרוטוקול היא לפרט כיצד לאסוף נתוני וידאו לשימוש במעבדה; כיצד להקליט נתוני מעקב אחר עיניים של משתתפים התבוננות בנתונים וכיצד לנתח ביעילות את התוכן של קטעי וידאו שהם מחפשים באמצעות טכניקת לימוד מכונה.

שילוב נתוני מעקב אחר עיניים באמצעות ניתוח של תוכן וידאו מחינם-צפייה בסרטון וידאו של טיול בסביבה של פארק עירוני

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

מחקרים רבים למעקב אחר העיניים מסתמכים על גירויים מורכבים של וידאו והגדרות בעולם האמיתי, מה שהופך את ניתוח הנתונים למורכבות ביותר. טכניקת ניתוח זו מאפשרת גישה עשירה ואוטומטית הרבה יותר לניתוח נתונים מבוססי וידאו מאשר שיטות זמינות כיום המובילות לחילוץ עשיר יותר של נתונים מורכבים יותר. שיטה זו יכולה לשמש יישומים רבים שונים מעקב אחר העיניים במיוחד במצבים בעולם האמיתי או אלה המשתמשים וידאו כמו גירוי.מחקרי נוף הסתמכו על הבנת האופן שבו אנשים מגיבים לגירויים חזותיים שונים. טכניקה זו בשילוב עם מעקב אחר העיניים יכול לשמש כדי לבדוק הנחות אלה. עבור סוג זה של מחקר, גישה צוות חיוני עבור ישנם היבטים מרובים הדורשים קלט ברמה גבוהה והתחשבות.הדגמת ההליך איתי תהיה הסטודנט שלי לתואר שני אנדרו טרלר. רצפי הסרטים צריכים להיות מוצגים במעבדה למעקב אחר העיניים שבה אור טבעי זמין אך ניתן לשלוט בהם כדי למנוע השתקפויות על המסך על מסך גדול ככל האפשר כדי לכבוש כמה שיותר מהשדה החזותי, ובכך למנוע הסחות דעת מחוץ לשדה הראייה. לאחר ישיבה המשתתפים 60-65 ס"מ מן המסך, לבקש מהם לדמיין להיות זקוק לשיקום באמצעות משפט המאפשר למשתתף לדמיין בהקשר של וידאו מעקב אחר העיניים.לאחר מכן הפעל את הסרטים עבור המשתתף בסדר אקראי קבוע מראש באמצעות מכשיר מעקב אחר העיניים בשולחן העבודה כדי להקליט את תנועות העיניים של המשתתף במהלך כל סרטון. כדי לעצב אזור מעניין, בחר פריטים שמעניינים את המחקר כגון עצים, שיחים, שילוט, מבנים, שבילים, מדרגות. לקבלת ביצועים מיטביים ודרישות אימון מינימליות, השתמש באלמנטים הניתנים להבחנה חזותית בקלות זה מזה לעין בלתי ו/או הכובשים באופן עקבי אזורים שונים של כל מסגרת וידאו.באופן כללי, כולל דוגמאות אימון מספיק המתארות הבדלים חזותיים מבדילים בין כל AOI צריך להספיק לביצועים חזקים. לאחר שינוי כל הפריטים, בחר מספר מתאים של מסגרות אימונים כדי להפוך את ערכת האימונים. אין מספר קבוע המתאים.לאחר מכן, פתחו כל מסגרת אימון מהסרטון בתוכנת עריכת התמונות ולכל מסגרת שכבת תמונה שקופה בתמונה שנטענה לתיוג וליצור לוח צבעים המספק צבע אחד לכל סוג אובייקט נתון של עניין. לבחירת הצבע של אזור העניין לדוגמה, לחצו וגרורו פיקסלים בתוך אזור לצבע באזור לדוגמה עם בחירת לוח הצבעים המתאימה. לאחר השלמת התיוג של מסגרת, ייצאו את שכבת שכבת-העל כקובץ תמונה נפרד, תוך טיפול בנתיחת שם הקובץ הבסיסי התואם לשם קובץ בסיס המסגרת המקורי, אך עם C המצורף לסוף.כדי לאמת כמותית את הדיוק של המסווג המיומן, בחר מסגרות מתוך רצף הווידאו המקורי שלא נבחר עדיין להיכלל בקבוצת האימונים ותייג את הפיקסלים בכל מסגרת כפי שהוכח רק עבור מסגרות האימון להיות מדויק ומקיף ככל האפשר. לאחר השלמת התיוג של מסגרת, השתמש באותה מוסכמה למתן שמות כמו עבור ההדרכה, שמירת הקבצים בתיקיה נפרדת של מסגרות אימות. לתיוג פיקסלים אוטומטי של רצף הווידאו, הפעל את ממשק המשתמש הגרפי של Darwin ולחץ על טען תוויות הדרכה.כדי לקבוע את תצורת ה- GUI עבור הדרכה ותיוג, בחר צור פרוייקט וספק לפרוייקט שם באמצעות תיבת הדו-שיח המוקפצת. בחר את התיקיה המכילה את כל המסגרות המקוריות של רצף הווידאו בחלון המוקפץ. באמצעות תיבת הדו-שיח של סייר הקבצים המוקפצים, בחר את התיקיה המכילה את תמונות האימון המסומן עבור רצף הווידאו הרלוונטי.ובתיבת הדו-שיח של סייר הקבצים, בחר את התיקיה המכילה את כל תמונות האימות המסוימות בתווית עבור רצף הווידאו הרלוונטי. בצע את הבקשה כדי לבחור תיקיית יעד עבור כל מסגרות הפלט אשר יהיו בצורה של תמונות המסומן באמצעות לוח צבעים זהה המשמש באימונים. באמצעות תיבת הדו-שיח המוקפצת, תחת תחומי עניין, הזן את אזורי העניין שיש להוסיף להם תווית, כולל הערכים האדומים/ירוקים/כחולים המשמשים לסימון כל אזור בדוגמאות האימון.האלגוריתם יבחן כל מסגרת אימון המסומנת בתווית וילמד מודל מראה לסיווג הפיקסלים לכל אחת מחלקות האובייקטים שצוינו. לאחר השלמת האימון, לחץ על אמת את האימון. ובתיבת הדו-שיח של סייר הקבצים, בחר את התיקיה המכילה את כל תמונות האימות המסוימות בתווית עבור רצף הווידאו הרלוונטי.כדי לאמת באופן חזותי את התוויות שנוצרו, לחץ על אימות חזותי. כל תמונה עם תווית שנוצרה תוצג לצד מסגרת האימות המקורית. אם הדיוק שנצפה באימות הכמותי או האיכותי יורד מתחת לרמות המקובלות, כלול והכשר דוגמאות אימון נוספות.לאחר השלמת שלבי האימון וה האימות של המסווג, לחץ על הסיק הפעלה כדי להתחיל את התיוג המלא של כל המסגרות ברצף הווידאו באמצעות המסווג המיומן. לאחר השלמת התיוג, פעולה שעשויה להימשך מספר שעות, לחץ על עיין בפלט כדי לראות את התוויות המתקבלות. רוב התוכנות למעקב אחר העיניים יראה לך כי בממוצע, המשתתפים סרקו על ימין ועל שמאל על קואורדינטת x של הווידאו בסרטון הראשון לעומת הווידאו השני שעבורו מפת החום מראה צורה עגולה יותר.באמצעות טכניקת תיוג פיקסל למידת המכונה המתוארת במאמר זה, אנו יכולים לראות פרטים נוספים. ייצוג גרפי זה של זמן הקיבוע באחוזים מראה שהנתיב גלוי בבירור במהלך הווידאו. עם זאת, כפי שמראה נתון זה מנתוני המעקב אחר העיניים, המשתתף הסתכל על תכונה זו רק מדי פעם בנקודות מפתח.כאן מוצג סיכום של זמן ההתעכבות של כל 39 המשתתפים במחקר מייצג זה כאשר מסתכלים על אובייקטים לאורך כל הסרטון. בגרף זה, אותם נתוני זמן התעכבות חולקו לפי כמות הזמן והמרחב שאובייקטים שונים כבשו בסרטון. ערך של אחד מהם מציין שניתן להסביר את זמן ההתעכבות לפי כמות האובייקט בסרטון הווידאו.לדוגמה, אובייקטים שהיו פחות רלוונטיים, כגון השמיים בשתי התמונות, נצפו באופן יחסי פחות מאובייקטים אחרים. חפצים מלאכותיים כגון פנסי רחוב וספסלים שוכנו במידה רבה יותר בהשוואה לחפצים טבעיים אחרים. סוגים אלה של ניתוח יכול להיות שימושים נרחבים רבים כדי לבדוק שאלות של תשומת לב ו saliency והוא יכול להיות יישומים נרחבים רבים להגיע לתחומי מחקר שונים.ככל שהשימוש בסרטים קצרים כגירויים חזותיים הופך נפוץ יותר ויותר, אנו מצפים שטכניקה זו תהפוך לפופולרית יותר.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

ניתוח התוכן של חומצות שומן והרכב בMicroalgae

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

עיצוב ובנייה של מתקן מחקר ניגר עירוני

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

Metaproteomics זרימת עבודה Aquatic מיקרוביאלית: מתאים לtryptic פפטידים מתאימים לניתוח מבוסס ספקטרומטריית מסת טנדם

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

השימוש במערכת אוטומטית (GreenFeed) לפקח פליטות המעיים מתאן ופחמן דו חמצני מבעלי חיים מעלה הגירה

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

חילוץ מדדים עבור מערכות רוט תלת ממדי: ניתוח עוצם Surface מן הנתונים-אדמת רנטגן טומוגרפיה הממוחשבת

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

בחינת ברדלסים: אנשי זיהוי על ידי עקביהם

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

מערכת מעקב וידאו כדי לפקח גידול. המושבות של המנהיג נפוצות (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

פרוטוקול להפקת וידאו תלת ממדי אינפרא-אדום להקפאת בצמחים

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

לכימות הצמח חלבון מסיס והתוכן לעיכול פחמימות, באמצעות תירס (זיה מייז) כמו שיוצרו

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)