Abstract—In this work, we investiga

Abstract—In this work, we investigate eye movement analysis as a new sensing modality for activity recognition. Eye movement data
were recorded using an electrooculography (EOG) system. We first describe and evaluate algorithms for detecting three eye
movement characteristics from EOG signals—saccades, fixations, and blinks—and propose a method for assessing repetitive patterns
of eye movements. We then devise 90 different features based on these characteristics and select a subset of them using minimum
redundancy maximum relevance (mRMR) feature selection. We validate the method using an eight participant study in an office
environment using an example set of five activity classes: copying a text, reading a printed paper, taking handwritten notes, watching a
video, and browsing the Web. We also include periods with no specific activity (the NULL class). Using a support vector machine
(SVM) classifier and person-independent (leave-one-person-out) training, we obtain an average precision of 76.1 percent and recall of
70.5 percent over all classes and participants. The work demonstrates the promise of eye-based activity recognition (EAR) and opens
up discussion on the wider applicability of EAR to other activities that are difficult, or even impossible, to detect using common sensing
modalities.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งในงานนี้ เราตรวจสอบวิเคราะห์การเคลื่อนไหวของตาเป็น modality sensing แบบใหม่สำหรับการรับรู้กิจกรรมการ ข้อมูลความเคลื่อนไหวของตาได้รับการบันทึกโดยใช้ระบบการ electrooculography (EOG) เราต้องอธิบาย และประเมินสำหรับตรวจตาที่สามลักษณะการเคลื่อนไหวจากสัญญาณ EOG — saccades, fixations และกะพริบ — และเสนอวิธีการประเมินรูปแบบซ้ำ ๆของความเคลื่อนไหวของตา เราประดิษฐ์ 90 คุณสมบัติแตกต่างกันตามลักษณะเหล่านี้ แล้วเลือกชุดย่อยของพวกเขาใช้อย่างน้อยเลือกลักษณะความซ้ำซ้อนเกี่ยวข้องสูงสุด (mRMR) เราตรวจสอบวิธีการใช้การศึกษาผู้เข้าร่วม 8 ในสำนักงานใช้ชุดตัวอย่างการเรียนกิจกรรม 5: คัดลอกข้อความ การอ่านแบบพิมพ์ กระดาษจดบันทึกด้วยลายมือ ดูการวิดีโอ และเรียกดูเว็บ นอกจากนี้เรายังมีรอบระยะเวลาไม่มีกิจกรรมเฉพาะ (ชั้น NULL) ใช้เครื่องเวกเตอร์สนับสนุนClassifier (SVM) และการฝึกอบรมบุคคลอิสระ (ลาหนึ่งบุคคลออก) เราได้รับความแม่นยำเป็นค่าเฉลี่ยร้อยละ 76.1 และเรียกคืน70.5 ร้อยละสอนและผู้เรียนทั้งหมด งานแสดงให้เห็นถึงคำมั่นสัญญาของกิจกรรมตามตารู้หู) และเปิดอภิปรายเกี่ยวกับความเกี่ยวข้องของความกว้างของหูอื่น ๆ กิจกรรมที่ยากลำบาก หรือ ไม่ได้ การใช้การตรวจทั่วไปmodalities การ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อในงานนี้เราจะตรวจสอบการวิเคราะห์การเคลื่อนไหวของตาเป็นกิริยาตรวจจับใหม่สำหรับการรับรู้กิจกรรม ข้อมูลการเคลื่อนไหวของตาที่ถูกบันทึกไว้โดยใช้ electrooculography (EOG) ระบบ
ครั้งแรกที่เราจะอธิบายขั้นตอนวิธีการและประเมินผลการตรวจสอบสามตาลักษณะการเคลื่อนไหวจาก EOG สัญญาณ-saccades, ยึดติดและกระพริบและเสนอวิธีการในการประเมินรูปแบบซ้ำ ๆ ของการเคลื่อนไหวของดวงตา จากนั้นเราจะประดิษฐ์ 90 คุณสมบัติแตกต่างกันขึ้นอยู่กับลักษณะเหล่านี้และเลือกชุดย่อยของพวกเขาโดยใช้ขั้นต่ำซ้ำซ้อนเกี่ยวข้องสูงสุด(mRMR) การเลือกคุณลักษณะ เราตรวจสอบวิธีการใช้การศึกษาเข้าร่วมแปดในสำนักงานสภาพแวดล้อมโดยใช้ชุดตัวอย่างของห้าชั้นเรียนกิจกรรม: การคัดลอกข้อความที่อ่านกระดาษที่พิมพ์, การบันทึกที่เขียนด้วยลายมือ, ดูวิดีโอและท่องเว็บ นอกจากนี้เรายังรวมถึงระยะเวลาที่ไม่มีกิจกรรมที่เฉพาะเจาะจง (ชั้นโมฆะ) การใช้เครื่องสนับสนุนเวกเตอร์(SVM) จําแนกและบุคคลที่เป็นอิสระ (ปล่อยหนึ่งคนออก) การฝึกอบรมที่เราได้รับความแม่นยำเฉลี่ยร้อยละ 76.1 และการเรียกคืนของร้อยละ70.5 มากกว่าทุกชั้นและผู้เข้าร่วม แสดงให้เห็นถึงการทำงานที่สัญญาของการรับรู้กิจกรรมตาตาม (EAR) และเปิดขึ้นมาอภิปรายในการบังคับใช้ที่กว้างขึ้นของEAR กับกิจกรรมอื่น ๆ ที่เป็นเรื่องยากหรือเป็นไปไม่ได้ที่จะตรวจสอบการใช้ร่วมกันตรวจวัดรังสี

ผลลัพธ์ (ไทย) 3:

บทคัดย่อในงานนี้ เราศึกษาการวิเคราะห์การเคลื่อนไหวของตาเป็นใหม่สำหรับการรับรู้สัมผัส กิริยากิจ การเคลื่อนไหวของสายตาข้อมูล
ที่ถูกบันทึกไว้โดยใช้ electrooculography ( eog ) ระบบ เราอธิบายและประเมินขั้นตอนวิธีเพื่อตรวจจับ 3 ตา
ลักษณะการเคลื่อนไหว จาก eog สัญญาณ saccades ไหลเกี่ยวกับเวทมนต์บ้าง และกระพริบตา , และเสนอวิธีการประเมินหลายรูปแบบ
การเคลื่อนไหวของตา จากนั้นเราประดิษฐ์ 90 คุณสมบัติที่แตกต่างกันขึ้นอยู่กับลักษณะเหล่านี้และเลือกบางส่วนของพวกเขาใช้ขั้นต่ำ
) สูงสุดความเกี่ยวข้อง ( mrmr ) เลือกคุณลักษณะ เราตรวจสอบวิธีการใช้แปดผู้เข้าร่วมการศึกษาในสภาพแวดล้อมที่สำนักงาน
โดยใช้ตัวอย่างชุดของห้ากิจกรรมชั้นเรียน : คัดลอกข้อความ , อ่านพิมพ์กระดาษ จดลายมือ , ดู
วิดีโอและการเรียกดูเว็บ เรายังมีช่วงที่ไม่มีกิจกรรมจำเพาะ ( ห้องว่าง ) ใช้สนับสนุนเวกเตอร์เครื่องจักร
( SVM ) ลักษณนามและบุคคลอิสระ ( ไปคนเดียว ) เราได้รับการฝึกความแม่นยำเฉลี่ย 76.1 เปอร์เซ็นต์และเรียกคืน
70.5 เปอร์เซ็นต์ทุกชั้นและผู้เข้าร่วม งานนี้แสดงให้เห็นว่าสัญญาของตาการรับรู้เชิงกิจกรรม ( หู ) และเปิด
ขึ้นอภิปรายเพิ่มความเกี่ยวข้องของหูเพื่อกิจกรรมอื่น ๆที่ยากหรือเป็นไปไม่ได้ที่จะตรวจสอบการใช้ทั่วไปตรวจจับ
modalities .