-
Notifications
You must be signed in to change notification settings - Fork 0
/
draft.txt
129 lines (55 loc) · 6.37 KB
/
draft.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
研究的话题：试图探索人的眼动行为和网页美感的关系
工具：眼动仪
- introduction
现今眼动仪的主要应用面
现有的常用的眼动相关的指标：heatmap，bee swarm, gaze plot, AOI cluster
基于这些传统的眼动数据的可视化指标，我们试图提出一些改进的或是归纳的指标，来进一步可视化、评估和揭示人的眼动行为, 观察其与网页的美感之间的关系
- related works
- hypothesis：
一，提出概念 眼动熵：现有的对于熵的定义包括热力学和信息论，概念上，熵表达一个系统的有序度、混乱度、或者反过来，纯度，一致度。
与此对应的，当我们把熵的概念应用在一个群体的被试者对同一个网页对象的观察所产生的一系列眼动行为上时，眼动熵的概念表达为这些被试者的眼动行为在时空上的一致性。越大的熵代表越弱的一致性，越小的熵代表越强的一致性。
二，提出猜想：一个公认好看的网页应该具有对视觉的较强的引导作用，从而使得被试者的浏览轨迹相对于较差的网页表现出更强的一致性，即产生更小的眼动熵。
我们旨在通过实验数据分析，尝试找到能反映上述视觉引导作用的眼动熵的合理表达，分析其与美感的关系。
- experiment：
1，网页的挑选：40张网页
2，被试的挑选：30名被试
3，实验过程&环境：eye-tracking task & rating task
- raw data collection & format：
1，评分数据的产生：来自rating task
2，原始的眼动数据格式，**这里要详细解释一下注视fixation，因为他是眼动数据的最基本单元
- analysis
一，对眼动熵的考量，我们首先从空间维度展开，讨论眼动fixation在空间范畴内的分布的一致性。
空间分布的眼动熵的定义：对于一个固定分辨率的画面（1280*800），我们不妨把每个像素点都作为眼动注视的一种可能的选择，
则根据香农信息熵的定义，entropy = sum(-p(x, y)*log(p(x,y))) (for all (x, y) s.t. p(x, y) != 0)
其中p是眼动注视的二维空间概率密度分布, 满足sum(p) = 1，p(x, y)是眼动注视像素点(x, y)的可能性
接下来我们讨论几种获得fixations的空间概率密度的方法，并逐一评估基于他们的熵与美感的关联性（**实际整个讨论过程是不断简化算法的）
一）传统热图：现有的能够直观反映眼动注视行为在网页画面上的空间分布的可视化方式是热图：
热图是将整个眼动记录时间内的所有被试的眼动注视（fixation）以其注视时长为强度，以其注视坐标为位置叠加的一系列高斯核组成的图像。计算其眼动熵的值，效果不甚理想。。。。。
二）去权热图（这个名词有待商榷）：将传统热图中的由注视时长导致的权重去除，给予每个fixation相同的权重叠加高斯核，再归一化进行计算，效果拔群！ **就半径问题简单讨论一下
**这里来一段简短的分析，即有权无权的区别，半径的意义是什么（代表了眼动仪的误差？亦或是人的黄斑视角范围？）
三）布尔饼图，在去权热图的基础上进一步简化，通过or的布尔运算进行叠加，每个区域只表示看了或者没看。对得到的布尔分布图计算熵
提出算面积的简化算法，差别仅在一个log。我们把这个指标定义为我们的眼动熵的算法。
**关于空间熵的讨论一：空间利用率的大前提和衡量方式，以及两者的组合效果
**关于空间熵的讨论二：类似Bee swarm的可视化 => 时间切面上的空间分布熵的简单讨论，包括随时间切面熵的持续增长趋势，和800ms-1000ms左右的相关性高峰
二，通过空间分布熵到空间分布熵在时间切面上的变化的讨论，把话题延伸到对时间转移序列的熵的讨论上
单独讨论眼动的转移序列的意义： 滤除了不同观察习惯造成的停留时间不同的因素，单纯地考量被试在页面上浏览次序之间一致性 **这块可以搬出传统的眼动指标gaze plot，我们的计算是试图从gazeplot中提取出信息
由于fixation的具体坐标相同的概率微乎其微，要使得不同被试者的眼动转移具有可比性，我们需要用到传统的眼动指标中的AOI的概念。**介绍一下AOI**。
在这里，我们使用Tobii studio 9的自带的AOI cluster算法，对整个眼动记录时间内的fixation数据进行聚类，这将产生一系列由凸多边形构成的AOI区块，每一个区块代表着一个页面上用户会普遍集中注视的视觉重点。
**对AOI聚类数据的简单讨论，包括个数等等
基于这些AOI的聚类，我们得以获得如下的每个用户浏览每个页面的眼动转移序列的数据
------
我们将尝试基于马尔科夫假设的香侬熵的指标来考量这些序列之间的一致性
一）两两转移熵
二）序列出现概率的统计熵
**简单分析为什么上述指标无效，其实主要是马尔科夫假设的问题，眼动的早期的行为是有明显的发展变化趋势的，故理解成马尔科夫序列或其他的随机时间序列都欠妥。
在过于复杂的条件概率结构下，我们采用DNA序列分析中常用的编辑距离的概念来评估转移序列的一致性
三）归一化的LCS编辑距离
四）简单的LCS值，有一定效果，需要说明为什么这个指标的实质和香侬熵的计算是统一的
**结合作为大前提的AOI聚类数量讨论一下
三、小结。经过上述的讨论我们明确了两种时间和空间熵的对眼动一致性的考量指标，我们把它们定义为眼动熵，因为他们都具有香侬熵的底层计算原理。
- discussion
一）人类的眼动行为的一些观察结果，如一致性随时间在个体间的持续下降，800ms眼动行为对美感的表现
二）美感与眼动的关联
- further discussion
一）基于眼动熵的对现有眼动数据可视化的探索，如去权热图，布尔饼图和相关眼动熵数据用来配合传统热图表现空间眼动的一致性；时间切面的布尔饼图和相关眼动熵数据配合gaze plot的动态可视化；gaze plot和AOI cluster配合眼动序列熵的评估
- conclusion