买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
摘要:本发明涉及基于高斯混合模型和隐马尔可夫模型的眼动行为分类方法,属于人机交互技术领域。硬件系统包括桌面式眼动仪、上位机和显示屏;上位机内具有高斯混合模型程序和隐马尔可夫模型程序;眼动行为分类操作步骤如下:1采集被测人员的原始眼动数据;2原始眼动数据预处理,利用聚类方法将原始眼动数据分组,分成3组以上眼动数据;3建立高斯混合模型和隐马尔可夫模型;4基于高斯混合模型和隐马尔可夫模型,对预处理的3组以上眼动数据进行眼动行为分类,推断当前的眼动行为为注视、或眼跳、或追踪眼动行为中的哪一种。本发明的分类方法提高了分类准确性、降低复杂性、在适应实际应用等方面取得了显著的优势。
主权项:1.基于高斯混合模型和隐马尔可夫模型的眼动行为分类方法,实现所述眼动行为分类方法的硬件系统包括桌面式眼动仪、上位计算机和显示屏;所述上位计算机即上位机,上位机内具有高斯混合模型程序和隐马尔可夫模型程序;其特征在于,眼动行为分类操作步骤如下:1采集被测人员的原始眼动数据1.1硬件系统工作时,显示屏上显示一个直径为80像素的红色圆点,红色圆点位于显示屏上任意位置,每次出现的持续时间为500~1000毫秒;1.2被测人员就座于显示屏前,通过鼠标点击显示屏上的开始按钮,显示屏上按规律出现3次以上的红色圆点的视觉刺激;所述视觉刺激包含三类待识别的眼动行为,所述眼动行为分别为注视、追踪、眼跳;1.3硬件系统工作期间,桌面式眼动仪持续采集被测人员在显示屏上的注视点的位置坐标和时间戳,并传递给上位机,经上位机处理,得到原始眼动数据,所述原始眼动数据中每条数据由注视点的像素坐标和注视点的速度组成;2原始眼动数据预处理对所述原始眼动数据进行空间特征预处理,利用聚类方法将注视点的像素坐标和注视点的速度作为一个整体进行分组,分成至少3组,每组眼动数据不少于五十条,得到预处理的3组以上眼动数据;3建立高斯混合模型和隐马尔可夫模型3.1建立高斯混合模型3.1.1将所述预处理的3组以上眼动数据进行统计分析,根据预处理的3组以上眼动数据在速度上的相似性,即当任意两个数据点的速度差异均小于预设阈值0.002时,则认为这两个数据点是相似的,并将其归类到同一个簇中;将统计分析的3组以上眼动数据根据速度差异划分为三个簇,每个簇对应一种预定义的眼动行为,分别为注视高斯分布模型、追踪高斯分布模型和眼跳高斯分布模型;初始化三种预定义的眼动行为,对于注视高斯分布模型,将平均速度最低的簇的中心位置,作为注视高斯分布模型的中心位置,并将注视高斯分布的初始权重设置为13,注视高斯分布的初始协方差矩阵设置为单位矩阵;对于眼跳高斯分布模型,将平均速度最大的簇的中心位置,作为眼跳高斯分布模型的中心位置,同样将眼跳高斯分布的初始权重设置为13,眼跳高斯分布的初始协方差矩阵设置为单位矩阵;对于追踪高斯分布模型,将剩余的第三个的簇的中心位置,作为追踪高斯分布模型的中心位置,将追踪高斯分布的初始权重设置为13,追踪高斯分布的初始协方差矩阵设置为单位矩阵;由注视高斯分布模型、追踪高斯分布模型和眼跳高斯分布模型构成初始化高斯混合模型;3.1.2对所述初始化高斯混合模型,通过迭代优化的方法调整其参数,使其更好地拟合每种眼动行为的实际概率分布,迭代的次数设置为至少50次;并通过引入Q函数,确定高斯混合模型优化的程度,获得优化的高斯混合模型;3.2建立隐马尔可夫模型3.2.1初始化隐马尔可夫模型的三个参数:初始概率矩阵π=[π1,π2,…,πN],表示每种眼动行为在初始时刻的初始概率,将每种眼动行为的初始概率设置为13;转移概率矩阵A=[aij],表示从一个眼动行为到另一个眼动行为的转移概率,确保转移概率矩阵A的每一行元素之和为1;发射概率矩阵B=[bjot],表示眼动数据中每个数据属于三种眼动行为中哪一种眼动行为的概率,发射概率矩阵B的每一行元素由3.1.2中的高斯混合模型的参数确定;通过初始化隐马尔可夫模型的以上三个参数,得到初始化隐马尔可夫模型;3.2.2用所述预处理的3组以上眼动数据对所述初始化隐马尔可夫模型通过优化算法进行优化,得到优化的隐马尔可夫模型;4眼动行为分类基于步骤3.1.2优化的的高斯混合模型和步骤3.2.2中优化的的隐马尔可夫模型,对所述预处理的3组以上眼动数据进行眼动行为分类;根据每个时间点的眼动数据,推断当前的眼动行为为注视、或眼跳、或追踪眼动行为中的哪一种。
全文数据:
权利要求:
百度查询: 中国科学技术大学 基于高斯混合模型和隐马尔可夫模型的眼动行为分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。