一种基于风险感知能力的眼动数据的采集和分析方法技术

一种基于风险感知能力的眼动数据的采集和分析方法，属于数据分析领域。为了解决由于电气场所人员未发现危险而导致的事故，提高人员风险感知能力和生产安全性。一种基于风险感知能力的眼动数据的采集和分析方法，设定风险感知能力的标准，包括：设定判定风险感知能力的标准；设定相关眼动指标数据的处理的标准；设定其他眼动指标的处理的标准，确立眼动指标；采集眼动数据，并进行初步统计，之后筛选出基础指标；进行指标分析。本发明专利技术能够进行准确的眼动数据的采集和分析。的眼动数据的采集和分析。的眼动数据的采集和分析。

【技术实现步骤摘要】
一种基于风险感知能力的眼动数据的采集和分析方法


[0001]本专利技术涉及一种数据采集分析方法，具体涉及一种基于风险感知能力的眼动数据的采集和分析方法。

技术介绍

[0002]风险感知是一个复杂和多维的认知过程，员工未能识别潜在风险以及在危险情况下采取的不安全行动通常是由于没有注意到危险。从以往的研究可以知道，眼球运动的行为数据是代表了注意力的最直接表现，这些数据可以提供关于观察者的注意力以及他们在危险情况下的行为过程的有价值的信息。眼动追踪是衡量视觉注意力分布的一项重要技术，通常用以分析参与者在视觉刺激上完成任务的表现，目前已广泛应用于市场营销、神经科学、人机交互和阅读分析等领域。当前，可穿戴高精度眼动追踪模块可以有效地追踪个体在风险识别上的客观数据。通过眼动技术，可以同步记录眼部3D空间位置、瞳孔大小、眨眼次数等数据，发现能够吸引人们注意力的因素，了解人们感知周围事物的方式以及驱使人们作出决策的因素，捕获不受被试者或主视者意识影响的自然反应，并将这些自然反应实时显示出来，实现在多种视觉刺激和环境下开展人类行为研究，由于眼动跟踪系统的准确性和可访问性经过多年的提高，这项技术已经在许多学科领域得到了广泛的应用。
[0003]为了解决由于电气场所人员未发现危险而导致的事故，提高人员风险感知能力和生产安全性，进行了本专利技术相关内容的研究。

技术实现思路

[0004]本专利技术的目的是为了解决现有的关于在风险感知干预情况下进行眼动数据收集时存在的数据收集和处理能力不足的问题，而提出一种基于风险感知能力的眼动数据的采集和分析方法。
[0005]一种基于风险感知能力的眼动数据的采集和分析方法，所述方法通过以下步骤实现：
[0006]步骤一、设定风险感知能力的标准，包括：
[0007]设定判定风险感知能力的标准；
[0008]设定相关眼动指标数据的处理的标准；
[0009]设定其他眼动指标的处理的标准，即：
[0010]对获取的眼动数据进行分类、对比，寻找的眼动特征的差异特性及一般规律；提高数据分析的客观性，减少主观因素的干扰，采用统计检验的方法对不同类别场景下的眼动特征数据进行差异显著性检验，以此确定符合统计意义的差异分析方法；
[0011]步骤二、确立眼动指标；
[0012]步骤三、采集眼动数据，并进行初步统计，之后筛选出基础指标；
[0013]步骤四、进行指标分析：
[0014]首先通过matlab对眼动轨迹进行聚类算法的处理，得到典型风险识别轨迹图，建
立典型风险识别轨迹图册；之后，通过SPSS对能够体现风险感知能力的其他指标，如瞳孔变异性、注视次数、持续时间等进行参数检验和非参数检验；之后，通过被试风险感知侧写，对被试的风险识别准确率进行分析。
[0015]优选地，步骤一所述的判定风险感知能力的过程具体包括：
[0016](1)定义风险感知能力，包括：能够识别风险感知训练图片中风险的位置，并能确定风险原因；
[0017](2)风险感知训练图片中风险等级的确定方法：
[0018]ElectricRiskLevel场景风险等级划分每个小图片的风险等级：
[0019][0020]Q：冲突严重程度的量化值(一个小图片中可能存在多个风险)
[0021]Q＝P
×
M
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
2)
[0022]P表示记录单人人员伤亡，分为，轻伤(烧伤)、重伤(截肢、器官衰竭)、死亡M：财产损失，500以下，500
‑
5000，5000
‑
50000，50000及以上；
[0023](3)风险识别能力的打分方法：
[0024]能够判断风险位置加分，能够正确判断风险内容多加分；其中，个人风险能力评估RiskDistinguishAbility打分的计算公式为：
[0025][0026]D表示可能只识别出位置0.3，识别位置并正确识别风险内容0.7。
[0027]优选地，步骤一所述的相关眼动指标数据的处理的过程包括；
[0028](1)风险有效识别率的定义方法：
[0029]风险感知有效识别程度采取打分制，正确识别风险得1分，识别出风险位置但识别风险内容错误得0.5分，其余情况不得分；
[0030](2)基于聚类算法的风险识别轨迹分析方法，具体是：
[0031]应用matlab对处理好的轨迹图进行分类将大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小；当给定一个有N个对象的数据集，划分聚类的技术将构造数据的K个划分，每个划分代表一个簇， K<＝n；
[0032]对于给定的k，首先给出一个初始的划分方法；之后通过反复迭代的方法改变划分，使得每一次改进之后的划分方案都较前一次更好；所述的聚类算法公式主要为闵可夫斯基距离 Minkowski/欧式距离公式：
[0033][0034]其中，当p＝1时，则是计算绝对值距离，通常叫做曼哈顿距离，当p＝2时，表述的是欧式距离；
[0035]其中，所述的轨迹分类过程为：
[0036]a.按照图片格式，将每一个小图片作为一个格，进行矩阵划分，对大图片进行分割，便于后续眼动轨迹图和热点图的位置定位和顺序定位；
[0037]b.对被试的眼动轨迹图进行重新整理，根据热点图剔除不需要的重复的轨迹路线，在一的标准图片上实现重新复现被试的轨迹图；
[0038]c.通过对位置定位和顺序定位，结合聚类算法实现对图片轨迹的分类；
[0039]d.通过对被试风险感知轨迹中风险特性进行分析，实现进一步的策略轨迹分类；具体内容如下：
[0040]首先，获取被试这些轨迹点，即每个被试都会对应一个轨迹点集，将这些轨迹点连接成线，就可以绘制出如上的轨迹曲线；
[0041]然后，先拟定计算两条轨迹曲线间距离的方法：
[0042]对于曲线A和曲线B间的距离，先通过计算曲线A上的一点a1到曲线B上所有点的欧式距离最小的距离，作为曲线A上点a1到曲线B的距离，然后，按照同样方法，计算出曲线A上其余轨迹点a2,a3,
…
,an到曲线B的距离，最后，将这些距离的平均值作为曲线A到曲线B的距离；
[0043]通过以上方法，求得所有曲线间的距离，并得到一个距离矩阵；之后分析这个距离矩阵，并加上设定的阈值，一起作为曲线分类的判别条件。
[0044]优选地，步骤一所述的其他眼动指标的处理过程为：
[0045]对实获取的眼动数据进行分类、对比，寻找的眼动特征的差异特性及一般规律；采用统计检验的方法对不同类别场景下的眼动特征数据进行差异显著性检验，以此确定差异分析中具有统计学意义的数据。
[0046]优选地，步骤二所述的确立眼动指标的内容本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风险感知能力的眼动数据的采集和分析方法，其特征在于：所述方法通过以下步骤实现：步骤一、设定风险感知能力的标准，包括：设定判定风险感知能力的标准；设定相关眼动指标数据的处理的标准；设定其他眼动指标的处理的标准，即：对获取的眼动数据进行分类、对比，寻找的眼动特征的差异特性及一般规律；提高数据分析的客观性，减少主观因素的干扰，采用统计检验的方法对不同类别场景下的眼动特征数据进行差异显著性检验，以此确定符合统计意义的差异分析方法；步骤二、确立眼动指标；步骤三、采集眼动数据，并进行初步统计，之后筛选出基础指标；步骤四、进行指标分析：首先通过matlab对眼动轨迹进行聚类算法的处理，得到典型风险识别轨迹图，建立典型风险识别轨迹图册；之后，通过SPSS对能够体现风险感知能力的其他指标，如瞳孔变异性、注视次数、持续时间等进行参数检验和非参数检验；之后，通过被试风险感知侧写，对被试的风险识别准确率进行分析。2.根据权利要求1所述的一种基于风险感知能力的眼动数据的采集和分析方法，其特征在于：步骤一所述的判定风险感知能力的过程具体包括：(1)定义风险感知能力，包括：能够识别风险感知训练图片中风险的位置，并能确定风险原因；(2)风险感知训练图片中风险等级的确定方法：ElectricRiskLevel场景风险等级划分每个小图片的风险等级：Q：冲突严重程度的量化值(一个小图片中可能存在多个风险)Q＝P
×
M
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
2)P表示记录单人人员伤亡，分为，轻伤(烧伤)、重伤(截肢、器官衰竭)、死亡M：财产损失，500以下，500
‑
5000，5000
‑
50000，50000及以上；(3)风险识别能力的打分方法：能够判断风险位置加分，能够正确判断风险内容多加分；其中，个人风险能力评估RiskDistinguishAbility打分的计算公式为：D表示可能只识别出位置0.3，识别位置并正确识别风险内容0.7。3.根据权利要求2所述的一种基于风险感知能力的眼动数据的采集和分析方法，其特征在于：步骤一所述的相关眼动指标数据的处理的过程包括；(1)风险有效识别率的定义方法：
风险感知有效识别程度采取打分制，正确识别风险得1分，识别出风险位置但识别风险内容错误得0.5分，其余情况不得分；(2)基于聚类算法的风险识别轨迹分析方法，具体是：应用matlab对处理好的轨迹图进行分类将大量未知标注的数据集，按数据的内在相似性将数据集划分为多...

【专利技术属性】
技术研发人员：蒋永清，李思宇，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：