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

Эта работа была финансово поддержана города Мельбурна и частично Арк DP 150103135. Мы хотели бы поблагодарить Имонн Феннесси за его советы и совместный подход. С особой благодарностью к исследователям помощники Изабель Ярецки и Этан Чэнь, которые также помогли собрать и проанализировать эти данные. Все ошибки остаются авторами.

Этичное утверждение для этого проекта было дано Комитетом Австралийского католического университета этики-утверждением номер #201500036E. Это обеспечило информированное согласие всех участников и участие всех участников добровольно, а данные участников оставались анонимными и конфиден?...

<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>

Как правило, в стандартных программных пакетов для анализа глаз отслеживания данных, вектор АОИ используется. Даже для одного неподвиже изображения, размер вектора не может быть легко измерена. Кроме того, в том числе все ОУА в изображении и расчета относительных количеств ОИС является...

Наш ежедневный опыт городской среды значительно влияет на наше здоровье и благополучие. Наше благополучие может зависеть от количества зеленых насаждений, которые мы рассматриваем и опыт1,2,3, и эти взгляды могут быть количественно использованием глаз отслеживания оборудования для руководства принятия решений о парке дизайна. Тем не менее, возникает проблема с объемом данных отслеживания глаз, который генерируется и делает смысл этих данных. Поскольку оборудование для записи данных взгляда в лаборатории или естественной обстановке становится проще в использовании и более мощным, исследователям необходимо подумать о том, как мы можем собирать и анализировать данные, чтобы помочь с вопросами принятия решений.
До сих пор много глаз отслеживания исследований использовали фотографии в опросе или лабораторных условиях4. Хотя эта методология позволяет много воспроизводимость и контроль над результатами, он не в состоянии воспользоваться последними достижениями в глаз отслеживания технологии, которые включают использование видео и носимых мобильных глаз трекеров. Кроме того, мы утверждаем, что акт ходьбы и расслабления обязательно динамичен, особенно когда ориентирован на задачу, такую как wayfinding5. Поэтому полное научное понимание этих параметров должно происходить за пределами лаборатории. Тем не менее, на данный момент, глаз отслеживания в реальной жизни натуралистический Настройка делает сравнение опыта между предметами очень трудно. Например, если мы хотим сравнить, смотрит ли один респондент на деревья больше, чем на другой, как мы можем контролировать тот факт, что их точка зрения будет постоянно изменяться по сравнению с другими или что их голова могла бы повораваться. Детальный анализ в этих условиях практически невозможен при нынешних методах анализа. Мы утверждаем, что важно контролировать Просмотр областей, доступных для отдельных изучается и в анализе, чтобы иметь возможность учитывать общую сцену рассматривается в любой момент времени.
Есть множество теорий, связывающих уровень стресса и восприятие безопасности пейзаж взглядов и хорошо развитые меры стресса6,7. Там также был быстрый рост изощренности глаз отслеживания оборудования для измерения взглядом8. Глаз слежения важно, потому что непроизвольные движения глаз может быть более надежно подключен к предпочтения, стресс и другие традиционные меры, чем опросы и интрузивных, физиологические тесты, такие как слюнных уровней кортизола. Цель этого исследования заключается в разработке инструментов, которые позволяют более точного измерения глаз отслеживания данных применительно к более натуралистических параметров, с тем чтобы представить дополнительные доказательства или опровергнуть давние ландшафтных теорий, которые сообщили парк дизайн для Десятилетий.
Цель этого проекта заключается в разработке и тестировании новых методов анализа, которые могут генерировать соответствующие глаза отслеживания данных для различных видео моделирования ходьбы парка. Наша работа сообщила здесь и в других местах9 представляет собой точку на полпути между натуралистическим установление полностью мобильной системы отслеживания глаз и лабораторных исследований на основе фото упомянутых выше. В частности, мы концентрируемся на использовании видео в качестве стимула материала, исследуя, как этот материал может быть использован для проверки количества очарование, что различные парки генерировать в городе Мельбурн. Наша работа основана на предположении, что подробный анализ видео является необходимым шагом к нарушению до проведения более полного, более натуралистической оценки потенциала парков обеспечить восстановление от стресса.
В этом исследовании, мы использовали Настольный глаз-трекер с видео прогулок по городским паркам и попросил участников представить, что они принимают расслабляющую прогулку по парку. Мы описываем метод для того, чтобы количество времени, которое участники потратили на поиск различных объектов, было сопоставимо между парками. Исследования на рабочем столе, как правило, легче контролировать по сравнению с мобильными ET исследований и позволяют сравнительный анализ каждого предмета.
Стандартное программное обеспечение для отслеживания глаз использует ручную область инструмента интереса, в которой оператор может вручную нарисовать границы вокруг объектов, представляющих интерес в каждой сцене. Это позволяет количество времени, которое участники потратили на поиск различных объектов, которые будут автоматически подсчитаны. Для видео-данных этот процесс является трудоемким и подвержен субъективности и ошибкам оператора. В более поздних версиях программного обеспечения для отслеживания глаз, ОУА может автоматически отслеживать объекты в рамках, когда они имеют одинаковый размер в видео. Это улучшение, однако, это предназначено только для того, чтобы использоваться для небольшого количества раздражителей в каждом изображении, и каждое изображение должно быть проверено и подтверждено.
Ручная маркировка объектов на изображении является распространенным явлением и поддерживается программным обеспечением для редактирования изображений, таким как GNU программа манипуляции изображений (ХРОМОТА). Учитывая, что 1 s производит 30 кадров или изображений, ручная маркировка видео непрактична. Кроме того, маркировка АОИ, рисуя векторные полигоны по краям сложных объектов, таких как навесы для деревьев, отнимает много времени. Наконец, хотя можно рассчитать размер объектов в поле зрения с использованием векторной маркировки, эта функция в настоящее время недоступна.
Метод, который мы сообщаем ниже, посвящен этим ограничениям. В этом исследовании используется автоматическая маркировка объектов. Это возможно с помощью метода обработки изображений, известного как семантическая маркировка, в которой каждому пикселю в каждом кадре видео присваивается ярлык, указывающий класс объектов. Машинное обучение используется для выведения классификаторов пикселей для каждого класса объектов, представляющих интерес. Эти классификаторы обеспечивают вероятностный ярлык для каждого пикселя (известный как одинарных потенциалов), которые затем уточнены в последующем процессе оптимизации для достижения окончательного маркированного вывода. Эти классификаторы изучают статистические границы решений между классами объектов в пространстве объектов, извлеченных из изображения, включая текстуру, гистограмму передовых ориентаций, значения цвета RGB и нормализованных координат изображения. Соответствующий метод для этого реализован в машине ДАРВИНА инструментарий для обучения10 и описывается ниже.

<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

Как люди все чаще живут в городах, методы для изучения их повседневных движений и данных, которые могут быть собраны становится важным и ценным. Глаз отслеживания информатики, как известно, подключиться к целому ряду чувств, состояния здоровья, психических состояний и действий. Но поскольку зрение является результатом постоянного движения глаз, дразнить, что важно от того, что шум является сложным и данных интенсивным. Кроме того, серьезной проблемой является контроль за то, что люди смотрят на по сравнению с тем, что им представлено.
Ниже представлена методология для комбинирования и анализа отслеживания глаз на видео естественной и сложной сцены с техникой машинного обучения для анализа содержимого видео. В протоколе мы фокусируемся на анализе данных из снятых видео, как видео может быть лучше всего использовано для записи отслеживания глаз участников, и, что важно, как содержание видео может быть проанализировано и объединено с данными отслеживания глаз. Мы представляем краткий обзор результатов и обсуждение потенциала метода для дальнейших исследований в сложных средах.

На рисунке 1 и рисунке 2 показано результат принятия всех данных отслеживания глаз для всего видео по всем участникам и получения тепловой карты; Это стандартный подход, доступный в пакеты программного обеспечения для отслеживания глаз...

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

Целью протокола является подробное описание того, как собирать видео данные для использования в лабораторных условиях; как записывать данные отслеживания глаз участников, глядя на данные и как эффективно анализировать содержание видео, которые они искали на использование техники машинного обучения.

Объединение глаз отслеживания данных с анализом видео-контент от свободного просмотра видео прогулка в городском парке окружающей среды

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

Многие исследования слежения за глазами опираются на сложные видео-стимулы и настройки реального мира, что делает анализ данных очень сложным. Этот метод анализа позволяет гораздо богаче и автоматизированный подход к анализу видео-данных, чем в настоящее время доступны методы, ведущие к более богатым извлечения более сложных данных. Этот метод может быть использован во многих различных приложений отслеживания глаз, особенно в реальных ситуациях мира или те, которые используют видео в качестве стимула.Ландшафтные исследования опирались на понимание того, как люди реагируют на различные визуальные стимулы. Этот метод в сочетании с отслеживанием глаз может быть использован для проверки этих предположений. Для такого рода исследований, командный подход имеет важное значение для Есть несколько аспектов, которые требуют высокого уровня ввода и рассмотрения.Демонстрацией процедуры со мной будет мой аспирант Эндрю Треллер. Последовательности пленки должны быть показаны в лаборатории слежения за глазами, в которой доступен естественный свет, но который можно контролировать, чтобы избежать отражений на экране на как можно большем экране, чтобы занять как можно больше поля зрения, тем самым избегая отвлекающих факторов из-за пределов поля зрения. После сидения участника 60-65 сантиметров от экрана, попросите их представить себе, нуждающихся в восстановлении с помощью предложения, которое позволяет участнику представить в контексте видео слежения за глазами.Затем играйте в фильмы для участника в заранее определенном случайном порядке с помощью настольного устройства слежения за глазами для записи движений глаз участника во время каждого видео. Для разработки области, представляющие интерес, выберите элементы, которые представляющие интерес для исследования, такие как деревья, кустарники, указатели, здания, дорожки, шаги. Для оптимальной производительности и минимальных требований к обучению используйте элементы, которые легко визуально различимы друг от друга невооруженным глазом и/или которые постоянно занимают различные области каждого видеорамки.В целом, в том числе достаточно учебных примеров, изображающих визуально отличительные различия каждого AOI должно быть достаточно для надежной работы. Когда все элементы были изменены, выберите соответствующее количество учебных кадров, чтобы составить учебный набор. Существует нет фиксированного числа, что является целесообразным.Далее откройте каждый учебный кадр из видео в программном обеспечении для редактирования изображений и для каждого кадра наложить прозрачный слой изображения на загруженное изображение для маркировки и создать цветовую палитру, обеспечивающую один цвет для каждого данного объекта класса интереса. Чтобы выбрать цвет для области выборки, представляющих интерес, нажмите и перетащите пикселей в области цвета в области образца с соответствующим выбором палитры. Как только маркировка кадра завершена, экспортировать наложенный слой в качестве отдельного файла изображения, заботясь о том, чтобы базовое имя файла соответствует исходному базовому имя файла кадра, но с C, притязаемый к концу.Для количественной проверки точности обученного классификатора выберите кадры из исходной видеоряда, еще не выбранной для включения в учебный набор, и обозначите пиксели в каждом кадре так, как только что продемонстрировано, чтобы учебные рамки были как можно более точными и всеобъемлющими. Когда маркировка кадра завершена, используйте ту же конвенцию именования, что и для обучения, сохраняя файлы в отдельной папке кадров проверки. Для автоматической маркировки пикселей видеоряда запустите графический пользовательский интерфейс Darwin и нажмите на тренировочные метки нагрузки.Чтобы настроить графический интерфейс для обучения и маркировки, выберите проект создания и предоставьте проекту имя с помощью всплывающего окна диалога. Выберите папку, содержащую все исходные кадры видеоряда в всплывающем окне. Используя окно диалога исследователя всплывающих файлов, выберите папку, содержащую помеченные учебные изображения для соответствующей последовательности видео.А в поле диалога исследователь файлов выберите папку, содержащую все помеченные изображения проверки для соответствующей последовательности видео. Следуйте подсказке, чтобы выбрать папку назначения для всех выходных кадров, которые будут в виде помеченных изображений, используя ту же цветовую палитру, что и в обучении. Используя окно диалога всплывающих окно, в областях, представляющих интерес, введите области, представляющие интерес для обозначения, включая красные/зеленые/синие значения, используемые для обозначения каждого региона в примерах обучения.Алгоритм изучит каждый помеченный учебный кадр и изучит модель внешнего вида для классификации пикселей по любому из указанных классов объектов, представляющих интерес. Как только обучение завершено, нажмите проверить обучение. А в поле диалога исследователь файлов выберите папку, содержащую все помеченные изображения проверки для соответствующей последовательности видео.Чтобы визуально проверить генерируемые метки, нажмите визуальную проверку. Каждое сгенерированное помеченное изображение будет отображаться рядом с исходным кадром проверки. Если точность, наблюдаемая в количественной или качественной проверке, опускается ниже приемлемых уровней, включите и переобучаете примеры дальнейшей подготовки.После завершения этапов обучения и проверки классификатора нажмите на вывод, чтобы начать полную маркировку всех кадров в видеоряде с помощью обученного классификатора. Как только маркировка завершена, что может занять несколько часов, нажмите просмотреть выход, чтобы увидеть полученные метки. Большинство глаз отслеживания программного обеспечения покажет вам, что в среднем, участники сканируются влево и вправо на X-координаты видео в первом видео по сравнению со вторым видео, для которого тепловая карта показывает круглую форму.Используя технику маркировки пикселей машинного обучения, описанную в этой статье, мы можем увидеть более подробную информацию. Это графическое представление времени фиксации процента показывает, что путь хорошо виден в ходе видео. Однако, как показывает эта цифра из данных отслеживания глаз, участник смотрел на эту функцию только время от времени в ключевых точках.Здесь показано резюме времени обитаемого времени всех 39 участников этого репрезентативного исследования при взгляде на объекты по всей длине видео. На этом графике данные о времени обитаемого времени были разделены на количество времени и пространства, которое занимали различные объекты в видео. Значение одного указывает на то, что время обитемого может быть учтено количеством объекта в видео.Например, объекты, которые были менее уместны, такие как небо на обоих изображениях, рассматривались сравнительно меньше, чем другие объекты. Искусственные объекты, такие как уличные фонари и скамейки, были в большей степени обувились по сравнению с другими природными объектами. Такого рода анализ может иметь много широких применений, чтобы изумить вопросы внимания и saliency и может иметь много широкого охвата приложений в различных областях исследований.Поскольку использование короткометражных фильмов в качестве визуальных стимулов становится все более распространенным явлением, мы ожидаем, что этот метод станет более популярным.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

Анализ жирных кислот содержание и состав микроводорослей

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

Дизайн и Строительство городских стоков исследовательского фонда

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

Водной Микробная Metaproteomics рабочего процесса: от клеток до триптической пептидов Подходит для тандемной масс-спектрометрии на основе анализа

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

Использование автоматизированной системы (GreenFeed) для мониторинга Кишечная метана и диоксида углерода выбросов из жвачных животных

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

Распаковка Метрики для трехмерных систем корней: Том и анализа поверхности из In-почвы рентгеновской компьютерной томографии данных

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

Зрительные гепардов: определение физических лиц на их следы

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

Система видео наблюдения для мониторинга, разведение колоний общего крачек (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

Протокол для создания трехмерных инфракрасной видео замораживания в растениях

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

Количественная оценка завод растворимого белка и усваиваемых углеводов контента, используя кукурузы (Zea mays) как образец

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

Долгосрочного отслеживания видео Cohoused водных животных: тематическое исследование повседневной двигательной активности омаров Норвегия (Норвежский Омар)