The invention discloses a concentration detection device and method based on hierarchical feature extraction and fusion of eye movement data. Firstly, eye movement data are collected when people watch video by eye movement instrument; secondly, feature extraction and fusion of eye movement event data are carried out by weighted logistics regression algorithm; and then, original eye movement data are carried out by wavelet decomposition and approximate entropy algorithm. Feature extraction and fusion; then, the new feature extracted before is fused and used as the feature of sample training; finally, the concentration detection model based on eye movement data is established by AdaBoost classification algorithm. The invention applies eye movement technology to the concentration detection of online video viewing, and adopts the method of hierarchical feature extraction and fusion of eye movement data, effectively combines statistical eye movement data and original eye movement data with time series information, and improves the accuracy of detection.
【技术实现步骤摘要】
基于眼动数据的分层特征提取与融合的专注度检测装置及方法
本专利技术属于眼动技术的专注度检测领域,涉及一种基于眼动数据的分层特征提取与融合的专注度检测装置及方法。
技术介绍
随着眼动追踪技术与计算机技术的完美结合,加上其他相关技术的飞速发展,利用眼动技术来检测人们观看平面广告,Internet广告时的专注程度和关注的兴趣区域,将会变的越来越流行,同时随着交通事故的不断发生,人们利用眼动技术检测驾驶员的专注度也是一个非常热门的研究领域,但是基于视频的专注度检测的研究很少。现流行的基于眼动数据的专注度检测的论文,所采用的眼动数据包括注视点,瞳孔直径,注视事件,眨眼事件,扫视事件,所采用的方法包括传统的统计方法,信号处理的方法和机器学习的方法,所应用的场景基本都是基于驾驶员的疲劳检测,网页广告分析,也有少量的论文进行了电视中的广告研究,因此采用眼动数据的分层特征提取与融合的新特征的学习算法来研究观看视频时的专注度是一个有益的尝试。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点,提供一种基于眼动数据的分层特征提取与融合的专注度检测装置及方法为达到上述目的,本专利技术采用以下技术方案予以实现:基于眼动数据的分层特征提取与融合的专注度检测装置,包括依次级联的数据获取模块、注视点追踪模块、扫视轨迹追踪模块、特征提取模块以及专注度检测模块;其中数据获取模块:通过眼动仪获取观看视频时的眼动数据;注视点追踪模块:用于显示观看视频时的注视点移动情况;扫视轨迹追踪模块:用于显示观看视频时的扫视轨迹;特征提取模块:特征提取模块包括眼动数据的特征提取与融合装置,用于处理眼动数据 ...
【技术保护点】
1.基于眼动数据的分层特征提取与融合的专注度检测装置,其特征在于,包括依次级联的数据获取模块、注视点追踪模块、扫视轨迹追踪模块、特征提取模块以及专注度检测模块;其中数据获取模块:通过眼动仪获取观看视频时的眼动数据;注视点追踪模块:用于显示观看视频时的注视点移动情况;扫视轨迹追踪模块:用于显示观看视频时的扫视轨迹;特征提取模块:特征提取模块包括眼动数据的特征提取与融合装置,用于处理眼动数据;专注度检测模块:采用利用adaboost算法训练专注度检测模型的装置,用于检测在线视频观看者专注度。
【技术特征摘要】
1.基于眼动数据的分层特征提取与融合的专注度检测装置,其特征在于,包括依次级联的数据获取模块、注视点追踪模块、扫视轨迹追踪模块、特征提取模块以及专注度检测模块;其中数据获取模块:通过眼动仪获取观看视频时的眼动数据;注视点追踪模块:用于显示观看视频时的注视点移动情况;扫视轨迹追踪模块:用于显示观看视频时的扫视轨迹;特征提取模块:特征提取模块包括眼动数据的特征提取与融合装置,用于处理眼动数据;专注度检测模块:采用利用adaboost算法训练专注度检测模型的装置,用于检测在线视频观看者专注度。2.根据权利要求1所述的基于眼动数据的分层特征提取与融合的专注度检测装置,其特征在于,特征提取模块基于logisticsregression算法,用于眼动事件数据的特征提取与融合。3.根据权利要求1或2所述的基于眼动数据的分层特征提取与融合的专注度检测装置,其特征在于,特征提取模块基于小波分解和近似熵算法,用于原始眼动事件数据的特征提取与融合。4.一种采用权利要求1-3任意一项所述检测装置的基于眼动数据的分层特征提取与融合的专注度检测方法,其特征在于,包括以下步骤:步骤S1、基于logisticsregression算法,通过眼动仪采集观看视频时的眼动数据,进行眼动事件数据的特征提取与融合;步骤S2、采用小波分解和近似熵的算法进行原始眼动数据的特征提取与融合;步骤S3、采用adaboost算法进行专注度检测模型的训练。5.根据权利要求4所述的基于眼动数据的分层特征提取与融合的专注度检测方法,其特征在于,步骤S1中,眼动数据包括原始眼动数据和眼动事件数据;原始眼动数据包括眼睛位置、注视点位置、瞳孔位置和瞳孔直径;眼动事件数据包括眨眼事件数据。6.根据权利要求4所述的基于眼动数据的分层特征提取与融合的专注度检测方法,其特征在于,步骤S1中,眼动事件数据的特征提取与融合的具体方法如下:S1-1输入:训练集D1={(x11,y11),(x12,y12),...,(x1m,y1...
【专利技术属性】
技术研发人员:姜沛林,刘冰,王飞,张玉龙,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。