眼动类型有哪些?

关注“心仪脑”查看更多脑科学知识的分享。

人们为了看清楚某一物体,两只眼睛必须保持一定的方位,这样才能使物体成像在视网膜上,我们将这种把眼睛对准物体的生理活动称之为注视。为获得并且维持对所关注物体最清楚的视觉,眼睛必须进行眼跳和追随运动。对这些眼动类型进行建模分析,可以更好探究人类的视觉注意力。

注视点与眼动轨迹

  1. 注视:注视的目的是将眼睛的中央凹对准所关注的物体,从而可以在视网膜上稳定感兴趣目标的成像。
    然而注视并不是完全不动的,即使我们的眼睛注视一个静止的物体,也会在这个过程中伴随着微小的眼动,例如:
    震颤,漂移,微眼跳。
    这些微小的眼动可以经常改变视网膜上的被刺激部位,避免在注视过程中视网膜产生适应性,从而提高了我们的视觉能力。
  2. 眼跳:眼跳是眼睛从一个注视点快速移动到下一个注视点的过程,速度非常快,通常我们察觉不到眼睛在跳动,平均时间为20-40ms。
    在眼跳期间人们几乎不会获得任何有效的视觉信息,眼跳的目的是改变注视点,使下一个想要注视的内容可以落在视网膜最敏感的区域,而多数的视觉信息是通过注视获取的。
  3. 追随运动:当我们在移动,或者在注视一个运动的物体时,为了确保眼睛的中央凹能够一直对准所关注物体,眼睛就会发生追随运动。
    追随运动很容易过快或过慢,因此在进行追随运动时,也需要眼跳进行校正,使追随运动可以保持在关注目标上。

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!

视线跟踪中的非线性校准模型主要用于处理由设备采集到的数据与实际注视点之间的非线性偏差。这种偏差可能来源于多种因素,包括用户的个体差异、设备的光学特性以及环境光照条件等。为了提高校准精度并适应不同用户的需求,研究者们提出了多种非线性校准方法。 一种常见的非线性校准模型是基于多项式回归的方法,它通过引入高阶项来捕捉数据间的复杂关系。例如,可以使用二阶或三阶多项式来拟合数据和屏幕坐标之间的映射关系。这种方法能够较好地处理边缘区域的非线性畸变问题,并且对于少量个性化样本(如≤9个点)的情况也能保持较高的准确性[^1]。 另外,支持向量机(SVM)也被应用于视线跟踪的非线性校准过程中。SVM可以通过选择适当的核函数来构建一个最优分类面或者回归曲线,从而实现对非线性的有效建模。在实际应用中,径向基函数(RBF)通常是首选的核函数类型,因为它能够在特征空间内提供良好的泛化能力。 神经网络模型同样被广泛用于视线跟踪系统的非线性校准任务。前馈神经网络(FNN)或多层感知器(MLP)能够以任意精度逼近任何连续函数,因此非常适合用来建立从原始数据到注视坐标的映射关系。此外,卷积神经网络(CNN)由于其局部感受野和权重共享机制,在处理图像形式的部视频流时表现出色,可以直接从输入图像中提取出关键特征进行实时预测。 还有基于样条插值的方法,该方法利用分段多项式来构造平滑曲线以拟合观测数据点。B样条或薄板样条(TPS)经常被采用,因为它们不仅能够保证全局连续性而且还能很好地处理局部变形问题。 最后值得一提的是混合模型的应用,比如将线性模型与非线性模型相结合,或是集成多个不同的非线性模型共同工作。这样的策略有助于克服单一模型可能存在的局限性,进一步提升整体系统的鲁棒性和精确度。 ```python # 示例代码:使用scikit-learn库中的SVR进行非线性校准 from sklearn.svm import SVR import numpy as np # 假设X为数据集,y为目标注视坐标 X = np.random.rand(100, 2) # 模拟100组数据 y = np.random.rand(100) # 对应的真实注视位置 # 创建SVR实例并指定RBF核 svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1) # 训练模型 svr_rbf.fit(X, y) # 使用训练好的模型做预测 predicted_gaze = svr_rbf.predict(np.array([[0.5, 0.5]])) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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