【技术实现步骤摘要】
基于多尺度卷积的眼动事件检测方法
[0001]本专利技术属于眼动事件检测
,具体涉及一种基于多尺度卷积的眼动事件检测方法。
技术介绍
[0002]眼动事件检测的目的是从眼动仪提取的原始眼球运动数据中准确鲁棒地提取注视、眼跳和眼跳后震荡等眼睛运动事件,其中关键挑战之一是学习到眼动序列中各个眼动事件的相关性,捕捉到与各个眼动事件相关的时间和空间信息。传统的基于模型的检测方法依赖于手工特征(眼睛位置、速度、加速度等),这些传统方法的检测效果不仅受限于特征提取方法的可靠性,而且难以处理多种类型的眼动事件检测,同时这类方法往往带有许多可调参数或硬编码参数,需要大量的经验知识进行调参。
[0003]新的发展是基于机器学习技术的事件检测方法的出现。Tafaj等人(2012)提出了一种贝叶斯混合模型(BMM)的机器学习方法,使用瞬时速度来学习表示注视和眼跳的高斯分布的参数,该方法被开发用于驾驶过程中的辅助,并且使用驾驶数据进行测试。Santini等人(2015)使用不同的方法将对平稳追踪事件的分类添加到BMM算法中,注视和眼跳的分类方法与BMM算法相同,而平稳追踪的概率通过速度和移动率来计算。以上方法采用的仍然是手工设计的特征,只不过在分类器设计上使用了机器学习方法。
[0004]近年来,深度学习的发展越来越迅速,其深层次和数据驱动的体系结构使许多任务取得了非常显著的性能提升,但对于眼动事件检测领域来说,其深度学习方法的应用相对来说较少。最早在眼动事件检测领域使用深度学习方法的是Hoppe和Bulling(20 ...
【技术保护点】
【技术特征摘要】
1.基于多尺度卷积的眼动事件检测方法,其特征在于,包括以下步骤:步骤1、眼动序列的预处理;步骤2,利用UNet模型对差分眼动序列进行多尺度特征提取与特征融合;步骤3,使用循环神经网络模拟眼动事件序列;步骤4、使用线性全连接层和Softmax将眼动序列中每一时刻的样本点分类为注视、眼跳和眼跳后震荡,实现眼动事件检测;步骤5、使用事件级Cohen
’
s Kappa来对分类后的三种眼动事件进行性能评估。2.根据权利要求1所述的基于多尺度卷积的眼动事件检测方法,其特征在于,步骤1具体按照以下步骤实施:步骤1.1,选用公开的Lund2013眼动事件检测数据集为原始眼动序列,对于原始眼动序列需要剔除平稳追踪、眨眼和未定义的眼动事件,使得眼动序列仅包含注视、眼跳和眼跳后震荡三个事件以进行训练和测试;步骤1.2,将剔除多余事件后的原始眼动序列进行分段操作,使得每段眼动序列只包含100个样本点,分段过程中以overlap的方式进行裁剪,得到分段眼动序列,每段分段眼动序列的段尾与下一段分段眼动序列的段首重叠10个样本点;步骤1.3,对分段眼动序列进行差分操作得到差分眼动序列,差分眼动序列作为UNet网络的输入,输入的分段眼动序列首先在序列最前端复制首位样本点,使得分段眼动序列包含101个样本点;其中,分段眼动序列表示为:[(x
s0
,y
s0
),(x
s1
,y
s1
),(x
s2
,y
s2
),
…
,(x
s(m
‑
1)
,y
s(m
‑
1)
),(x
sm
,y
sm
)],差分后的差分眼动序列表示为:共100个样本点,其中差分计算公式为:算公式为:其中x
sm
和y
sm
表示分段眼动序列第m时刻样本点的坐标值,x
s(m
‑
1)
和y
s(m
‑
1)
表示分段眼动序列第m
‑
1时刻样本点的坐标值,和表示差分眼动序列第m时刻样本点的坐标值。3.根据权利要求2所述的基于多尺度卷...
【专利技术属性】
技术研发人员:郑洋,梁一唯,梁继民,郭开泰,胡海虹,王梓宇,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。