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

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 ervaring^1,2,3, 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 spanning^6,7. 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.