眼动数据中的AOI是什么？

最新推荐文章于 2025-06-05 11:36:47 发布
最新推荐文章于 2025-06-05 11:36:47 发布
阅读量1.9k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 眼动追踪技术 文章标签： 心理学 脑科学 眼动追踪 AOI 数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/psybrain/article/details/122698338
本文介绍了眼动数据分析中常用的概念——兴趣区(AOI)，并详细解释了如何定义AOI及利用不同指标评估被试的关注度。通过实例展示，帮助读者理解如何在实际研究中应用这些知识。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

关注“心仪脑”查看更多脑科学知识的分享。
我们在关注眼动数据分析时，经常能看到AOI一词。在今天的实验小知识里，我们将给大家解释什么是AOI及其分析指标。

AOI被称作兴趣区，在我们对眼动数据进行分析的过程中，可以在测试材料上画出一个包含实验关键对象的区域，这个区域我们就称它为兴趣区（Areas of Interest, AOI），兴趣区的大小完全根据实验的研究目的而定。

例如实验材料是一张电影海报，我们就可以在海报的关键区域，比如在电影名字、上映日期等关键信息的位置画一个圆形或矩形的区域，包裹关键信息在其中。在进行数据分析时，可以用各种关注度指标来评估被试关注度。

四个兴趣区

AOI指标代表含义
注视次数AOI能否被注意以及何时被注意
首次注视时间点AOI能否被注意以及何时被注意
平均注视时长被试对AOI的感兴趣程度
总注视时长被试对AOI的感兴趣程度
注视时长占比被试对AOI的感兴趣程度

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！

 

眼动数据分析基础_数据处理
Kobe123brant的博客
12-21 9841
1、眼动行为的算法分类原理 在记录眼动数据的时候，眼动仪按采样率来采集眼动原始数据（采样率30、60、120货300HZ）。每个数据点都将被识别为一个时间标签或者(x,y)的坐标形式并且被发送到与眼动以连接的加算机上运行的分析软件程序的数据库中（比如Tobii Pro Studio 以及其他通过使用Tobii Pro SDK生成的API程序）。 为了使得数据可视化呈现出来，这些坐标将被进行进一步处理成注视点并且叠加到测试所使用的刺激材料视频上面。通过数据点的叠加为注视点，要处理的眼动追踪数据的数量会显著的
眼动数据分析基础_AOI分析动态刺激物
Kobe123brant的博客
12-21 3110
如果您正在研究人们对如视频、动画等动态刺激物的视觉行为，动态AOI工具可为您提供类似静态AOI工具对于图片及其他静止刺激物分析的同样功能。创建和编辑动态AOI的过程和静态AOI相似。 关于动态AOI工具的使用，有几点非常重要： 多个看到相同线性动态刺激物的用户的眼动数据叠加是有价值的； 动态AOI不能用于非线性动态记录的分析； 动态AOI不能用于静态刺激物，如图片的分析； 动态AOI可以被开启、关闭、移动、调整大小及跟踪相关分析对象 首先，我们来定义两种不同的动态刺激物：线性动态刺激物（LDS），是指固
AOI数据介绍
07-17 8468
/*** 空间数据研究所是我的一位老同事新开的公众号，主要做空间数据方面的分享，作者是GIS业界顶级的空间数据库专家，欢迎大家关注。**/在目前主流互联网电子地图中，PO...
LBS之十二：AOI三部曲之AOI资产挖掘
最新发布
whascj的博客
06-05 941
AOI(area of interest)简介，及基于中国城市的AOI深度挖掘技术详解
工具栏快速创建类_数据分析 | 第五步创建兴趣时间段和第六步创建兴趣区
weixin_27283495的博客
01-12 705
SR Research中国代表处官网作者按通过Trial Grouping试次分组来转换在相同试次背景下查看不同被试所产生的眼动数据后，那么就可以在所有被试的相同试次上创建相同的兴趣区，本期，我就来介绍下如何创建兴趣区？在创建兴趣区前，可先操作创建兴趣时间段，可查看以下链接文章。第五步 创建兴趣时间段Data Viewer中如何进行Interest Periods切分？第六步 创建...
游戏服务器AOI兴趣点算法原理--四叉树与九宫格 (golang)
knight0zh的博客
09-06 2785
获取感兴趣的区域（Area Of Interest）的算法。主要用于常用的游戏服务器压力，降低网络风暴的可能。常见的AOI算法有九宫格，四叉树，灯塔，十字链表等算法。本文主要举例九宫格和四叉树两种算法的golang版本实现。
眼动数据分析基础_数据和指标的导出
Kobe123brant的博客
12-21 4725
在Tobii Pro Lab中计算和导出眼动指标 了解如何在Pro Lab中计算和导出AOI和基于事件的指标 建立成功的眼动追踪研究的关键因素是能够为您的研究问题定义和计算适当的度量。 除了选择正确的眼动追踪度量外，此过程还包括定义在何时何地计算该度量，即与研究问题和感兴趣时间的实施相关的关注领域，刺激或行为发生时的记录间隔预计会发生。 间隔的示例可以是：图像在屏幕上的曝光持续时间，试验的一部分，图像出现在屏幕上与参与者按下键盘上的键之间的时间，即有人进入超市过道并将产品放入购物篮等。 导出指标前需要思考的
眼动数据分析基础_01
Kobe123brant的博客
12-16 6580
关于眼动仪器的原理 眼动仪是人因基础研究的重要仪器。眼动仪用于记录人在处理视觉信息时的眼动轨迹特征，广泛用于注意、视知觉、阅读等领域的研究。总而言之就是一款处理眼球移动数据和注视点绝对位置的仪器。 图1-1 固定式的原理图 （1）目前市场上有两种类型的眼动仪器： 固定式： 非侵入性的用户：使用者不需要在头部佩戴任何仪器就能实现眼睛数据的采集 绝对轴：眼球运动位置是绝对的，固定在仪器所能识别的一个适用范围里面 自动匹配：在校准的时候，自动捕捉眼动的数据，在采集到固定点的眼睛数据之后可以固定使用者的眼球数据
眼动数据分析基础_02
Kobe123brant的博客
12-16 5409
1.眼动指标的具体使用以及解释（Metrics & Interpretation） 在我们论文的研究中，需要使用下面一些关于眼睛数据的指标 扫视（Saccade）次数：反映了眼球在需要目标总的搜查时间的长短 扫视（Saccade）幅度：反映了在注视点附近多远有意义的区域 注视（Fixation）次数：某个位置的注视次数反映了该位置的意义程度 etc 2.眼动数据的统计分析（Statistical analysis） 如果是Percentage类的数据可以使用下面的思路进行统计分析 Solut
Opencv关于两图像感兴趣区域划分、拼合详解
小伟锅的博客
06-13 4659
1.cvSetImageROI 基于给定的矩形设置图像的ROI（感兴趣区域，region of interesting）大多数OpenCV函数都支持ROI，并将它作为一个独立图像进行处理，所有像素 坐标都是从ROI的左上角或者左下角(基于图像结构)开始计算的。 void cvSetImageROI（IplImage* image，CvRect rect）； image 图像头,
眼动数据分析（基于EyeLink眼动仪数据）
Chen Rui blog
01-13 2万+
本文首发在个人博客上（7988888.xyz），此文章中所有链接均通过博客进行访问。 在EyeLink系列眼动仪中，我们在采集数据的过程中会得到格式为EDF（EyeLink Data File）的数据结果文件。对原始数据结构的了解将有助与我们更好的理解所需要报告出的眼动数据指标。今天，我将介绍一下原始数据结构以及如何查看。 EDF转换ASC EDF格式是专有的数据文件格式，使用EyeLink自带的分析软件Data Viewer可直接打开。但是，不可以直接查看数据，此时，就需要将EDF格式转换为ASC格式，A
根据标记定位区域识别数字 OpenCV实践
fanygaoi的博客
09-11 6299
很高兴和大家分享一下我自己使用OpenCV识别一定区域内数字的方法，只是一次尝试，请各位大神多指点哈。 我们经常需要从一个感兴趣的区域截取图像，对这个区域的内容进行处理。比如下面的图片，我们希望根据类似二维码定位标记确定需要识别的数字的范围。 找到这个区域必须找到它的特征，比如轮廓的层次，区域的面积大小，矩形的长宽比。这样就可以从图片中筛选出感兴趣的区域。
AOI兴趣点算法（九宫格）
磨镜台的博客
05-28 3414
AOI兴趣点算法（九宫格） AOI格子的结构体模块 格子ID 格子的左边边界坐标 格子的右边边界坐标 格子的上边边界坐标 格子的下边边界坐标 当前格子内 玩家/物体 成员的ID集合 ：map[ID] 保护格子内容map的锁 属性 type Grid struct { //格子ID GID int //格子的左边边界坐标 MinX int //格子的右边边界坐标 MaxX int //格子的上边...
感兴趣区域(ROI,region of interest)
热门推荐
wydbyxr的博客
09-29 3万+
感兴趣区域(ROI,region of interest)   机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。   在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。 在图像处理领域，感兴趣区域(ROI) 是从图像中选择的一个图像...
我的服务端之AOI概述
勇于尝试，却要三思后行。
01-21 2753
AOI(Area Of Interest)，中文就是感兴趣区域。通俗一点说，感兴趣区域就是玩家在场景实时看到的区域；也就是AOI会随着英雄的移动改变而改变。 一般在游戏的中，游戏的世界都是由各种场景组成，场景中有着各种各样的Obj(英雄、怪物、NPC和掉落物品等等)。当英雄在移动的时候，玩家需要看到其它在自己视野内玩家的英雄；需要看到在自己视野内的怪物；需要看到打BOSS掉落的物品；……。 有
高德新版全类别AOI采集与分析
QQ_2801061513的博客
10-11 4245
AOI（Area of Interest），顾名思义，指的是互联网电子地图中的兴趣面，同样包含四项基本信息，主要用于在地图中表达区域状的地理实体，如一个居民小区、一所大学、一个写字楼、一个产业园区、一个综合商场、一个医院、一个景区或一个体育馆等等；有2022百度poi；交通网络分析，计算公交线路及站点的服务范围与服务功能，使用AOI数据可以准确的计算出公交线路及站点的服务范围，将线路轨迹、站点分布与AOI矢量数据相叠加，可以精确计算出小区的覆盖程度，还可以根据服务的功能区分辨出社区线路、通勤线路等。
如何设置感兴趣的区域ROI
五仁月饼哭了的博客
07-13 7871
一、定义：ROI区域有两种算法，第一种是表示矩形区域的Rect区域，它指定矩形的左上角坐标和矩形的长和宽；另一个函数是Range，它是从起始索引到终止索引（不包括终止索引）的一段连续区域，我感觉就是矩形行数的范围和猎术范围叠加起来而形成的一个矩阵，从而定义一个矩形区域。 方法一： Rect函数： rect(x -> cols, y -> rows, width -> cols, heig
2.3 感兴趣区域（ROI）
liupc的学习笔记
06-14 7144
一、ROI介绍 二、操作 一、ROI介绍 我们可能对图像中的某一个特定区域感兴趣，改区域称为感兴趣区域（Region of Interest，ROI）。 二、操作 （1）显示一幅图像的感兴趣区域 image[200:400, 200:400] #【例1】 （2）在同一图像中，将一个区域复制到另一个区域 image[200:400, ...
眼动实验怎么处理AOI缺失值
03-18
<think>嗯，用户想处理眼动实验中的AOI缺失值。首先，我需要理解AOI缺失值可能的原因，比如设备误差、被试者视线离开区域或数据处理错误。接下来，处理方法通常分为插补、删除或模型预测。 然后，我得回忆一下常见的插补方法，比如均值、中位数或者时间插值。对于时间序列数据，线性插值或样条插值可能更合适。另外，可能还需要考虑使用机器学习模型，比如KNN或随机森林来预测缺失值。不过，用户可能需要具体的步骤和代码示例，比如用Python的Pandas库处理数据，或者用Scikit-learn进行模型预测。 还要注意是否需要区分随机缺失和系统缺失，不同的缺失机制可能需要不同的处理方法。比如，如果数据是随机缺失的，直接删除可能可行；但如果是系统缺失，可能需要更复杂的处理。同时，用户可能需要评估不同方法的效果，比如通过交叉验证比较插补方法的准确性。 另外，用户可能对示例代码有需求，需要提供具体的代码片段，比如用fillna方法进行前向填充，或者用KNNImputer进行模型插补。还要提醒用户在实际应用中注意数据的特点，选择合适的参数，比如KNN中的邻居数。 可能还需要引用相关的文献或资源，比如引用处理缺失数据的经典方法，或者眼动研究中的特定处理技术。确保推荐的方法有理论支持，并且代码示例正确有效。最后，生成的相关问题要覆盖用户可能进一步询问的方向，比如不同方法的优缺点，或者如何验证处理后的数据质量。</think>### 眼动实验AOI缺失值处理方法 #### 1. **数据缺失原因分析** - **设备误差**：眼动仪采样率不足或噪声干扰导致数据丢失[^1]。 - **视线脱离AOI**：被试者未注视目标区域（如闭眼、眨眼或头部移动）[^3]。 - **数据处理错误**：AOI定义不准确或时间戳对齐问题。 #### 2. **常用处理方法** **方法1：直接删除** - **适用场景**：缺失比例低（如<5%）且为随机缺失。 - **代码示例**： ```python import pandas as pd df = pd.read_csv('eye_data.csv') df_clean = df.dropna(subset=['AOI_fixation']) ``` **方法2：插值法** - **线性插值**（时间序列数据）： ```python df['AOI_fixation'] = df['AOI_fixation'].interpolate(method='linear') ``` - **基于上下文的均值/中位数填充**： ```python df['AOI_fixation'] = df['AOI_fixation'].fillna(df.groupby('trial_id')['AOI_fixation'].transform('median')) ``` **方法3：模型预测法** - **K最近邻（KNN）插补**： ```python from sklearn.impute import KNNImputer imputer = KNNImputer(n_neighbors=3) df_imputed = pd.DataFrame(imputer.fit_transform(df[['AOI_fixation', 'pupil_size', 'x_coord']])) ``` #### 3. **方法选择建议** - 若缺失与实验条件相关（如特定AOI），需结合领域知识调整策略[^2]。 - 对时间敏感数据优先使用时序插值（如`method='time'`）。 #### 4. **验证与评估** ```python from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 模拟含缺失数据 X_train, X_test = train_test_split(df, test_size=0.2) imputed_train = imputer.fit_transform(X_train) imputed_test = imputer.transform(X_test) print(f"MAE: {mean_absolute_error(X_test, imputed_test)}") ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值