2.2 Eye Movement AnalysisA growing

2.2 Eye Movement Analysis
A growing number of researchers use video-based eye
tracking to study eye movements in natural environments.
This has led to important advances in our understanding of
how the brain processes tasks, and of the role that the visual
system plays in this [15]. Eye movement analysis has a long
history as a tool to investigate visual behavior. In an early
study, Hacisalihzade et al. used Markov processes to model
visual fixations of observers recognizing an object [16]. They
transformed fixation sequences into character strings and
used the string edit distance to quantify the similarity of eye
movements. Elhelw et al. used discrete time Markov chains
on sequences of temporal fixations to identify salient image
features that affect the perception of visual realism [17].
They found that fixation clusters were able to uncover the
features that most attract an observer’s attention. DempereMarco
et al. presented a method for training novices in
assessing tomography images [18]. They modeled the
assessment behavior of domain experts based on the
dynamics of their saccadic eye movements. Salvucci and
Anderson evaluated means for automated analysis of eye
movements [19]. They described three methods based on
sequence-matching and hidden Markov models that interpreted
eye movements as accurately as human experts but
in significantly less time.
All of these studies aimed to model visual behavior
during specific tasks using a small number of well-known
eye movement characteristics. They explored the link
between the task and eye movements, but did not recognize
the task or activity using this information

ผลลัพธ์ (ไทย) 1:

2.2 วิเคราะห์การเคลื่อนไหวตาเพิ่มจำนวนนักวิจัยใช้ตาตามวิดีโอติดตามการเรียนตาการเคลื่อนไหวในสภาพแวดล้อมธรรมชาตินี้ได้นำไปสู่ความก้าวหน้าสำคัญในความเข้าใจของเราวิธีสมองกระบวนงาน และบทบาทที่ visualระบบเล่นในนี้ [15] วิเคราะห์การเคลื่อนไหวของตาได้นานประวัติศาสตร์เป็นเครื่องมือในการตรวจสอบลักษณะการทำงานภาพ ในการเริ่มต้นศึกษา Hacisalihzade และ al. ใช้ Markov กระบวนแบบfixations ภาพของผู้สังเกตการณ์ในการจดจำวัตถุ [16] พวกเขาเปลี่ยนลำดับเบีเป็นสายอักขระ และใช้ระยะทางในการแก้ไขสายอักขระการวัดปริมาณเฉพาะตาเคลื่อนไหว Elhelw et al. ใช้เวลาแยกกัน Markov chainsในลำดับของ fixations ขมับเพื่อระบุภาพเด่นคุณลักษณะที่มีผลต่อการรับรู้ของภาพสมจริง [17]พวกเขาพบว่า คลัสเตอร์เบีก็สามารถเปิดการคุณลักษณะที่สุดดึงดูดความสนใจของดิออบเซิร์ฟเวอร์ DempereMarcoนำเสนอวิธีการฝึกอบรมสามเณรใน al. etประเมินภาพเครื่องเอ็กซเรย์คอมพิวเตอร์ [18] จะจำลองการประเมินพฤติกรรมของผู้เชี่ยวชาญโดเมนตามการแปลงการเคลื่อนไหวตา saccadic Salvucci และแอนเดอร์สันประเมินวิธีวิเคราะห์แบบอัตโนมัติของตาความเคลื่อนไหว [19] พวกเขาอธิบายตามวิธีที่สามลำดับจับคู่ และซ่อน Markov รุ่นที่แปลตาเคลื่อนไหวอย่างถูกต้องที่มนุษย์ผู้เชี่ยวชาญ แต่ในเวลาน้อยกว่ามากทั้งหมดของการศึกษานี้มีวัตถุประสงค์เพื่อจำลองภาพพฤติกรรมในระหว่างงานเฉพาะโดยใช้หมายเลขขนาดเล็กของห้องพักตาลักษณะการเคลื่อนไหว ทำสำรวจการเชื่อมโยงระหว่างการเคลื่อนย้ายงานและตา แต่ไม่รู้จักงานหรือกิจกรรมที่ใช้ข้อมูลนี้

ผลลัพธ์ (ไทย) 2:

2.2 ตาการวิเคราะห์การเคลื่อนไหวของตัวเลขการเติบโตของนักวิจัยใช้ตาวิดีโอที่ใช้ในการติดตามเพื่อศึกษาการเคลื่อนไหวของดวงตาในสภาพแวดล้อมที่เป็นธรรมชาติ. นี้นำไปสู่ความก้าวหน้าที่สำคัญในการทำความเข้าใจของวิธีการที่สมองประมวลผลงานและบทบาทที่มองเห็นระบบการเล่นในนี้[15] การวิเคราะห์การเคลื่อนไหวของตามีความยาวประวัติศาสตร์เป็นเครื่องมือในการตรวจสอบพฤติกรรมของภาพ ในช่วงต้นของการศึกษา Hacisalihzade et al, มาร์คอฟที่ใช้การประมวลผลแบบยึดติดภาพของผู้สังเกตการณ์การรับรู้วัตถุ [16] พวกเขาเปลี่ยนลำดับการตรึงเข้าไปในสตริงตัวอักษรและใช้ระยะแก้ไขสตริงปริมาณความคล้ายคลึงกันของตาเคลื่อนไหว Elhelw et al, ใช้เวลาต่อเนื่องโซ่มาร์คอฟในลำดับของชั่วยึดติดในการระบุภาพเด่นคุณสมบัติที่มีผลต่อการรับรู้ของความสมจริงภาพ[17]. พวกเขาพบว่ากลุ่มตรึงก็สามารถที่จะค้นพบคุณสมบัติที่ดึงดูดความสนใจมากที่สุดของผู้สังเกตการณ์ DempereMarco et al, นำเสนอวิธีการในการฝึกอบรมสามเณรในการประเมินภาพเอกซ์เรย์ [18] พวกเขาย่อมพฤติกรรมการประเมินของผู้เชี่ยวชาญโดเมนขึ้นอยู่กับการเปลี่ยนแปลงของการเคลื่อนไหวของดวงตาsaccadic ของพวกเขา Salvucci และแอนเดอประเมินวิธีการสำหรับการวิเคราะห์อัตโนมัติตาเคลื่อนไหว[19] พวกเขาอธิบายสามวิธีขึ้นอยู่กับลำดับการจับคู่และรูปแบบมาร์คอฟที่ซ่อนอยู่ที่การตีความการเคลื่อนไหวของดวงตาได้อย่างถูกต้องว่าเป็นผู้เชี่ยวชาญของมนุษย์แต่ในเวลาที่มีนัยสำคัญน้อย. ทั้งหมดของการศึกษาเหล่านี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองพฤติกรรมที่มองเห็นได้ในช่วงงานที่เฉพาะเจาะจงโดยใช้จำนวนน้อยที่รู้จักกันดีตาเคลื่อนไหวลักษณะ พวกเขาสำรวจการเชื่อมโยงระหว่างงานและการเคลื่อนไหวของดวงตาแต่ไม่รู้จักงานหรือกิจกรรมที่ใช้ข้อมูลนี้

ผลลัพธ์ (ไทย) 3:

2.2 การวิเคราะห์การเคลื่อนไหวของตา
ตัวเลขการเติบโตของนักวิจัยใช้วิดีโอตา
ติดตามศึกษาการเคลื่อนไหวของสายตาในสภาพแวดล้อมธรรมชาติ จาก
ทำให้เกิดความก้าวหน้าที่สำคัญในความเข้าใจของเรา
สมองกระบวนงานและบทบาทที่ระบบเสียง
เล่นในนี้ [ 15 ] การวิเคราะห์การเคลื่อนไหวของดวงตา มีประวัติศาสตร์ที่ยาวนาน
เป็นเครื่องมือในการตรวจสอบพฤติกรรมที่มองเห็น ในการศึกษาแรก
,hacisalihzade et al . ใช้กระบวนการมาร์คอฟโมเดล
ภาพไหลเกี่ยวกับเวทมนต์บ้างของผู้สังเกตการณ์ตระหนักถึงวัตถุ [ 16 ] พวกเขา
เปลี่ยนลำดับในการตรึงสตริงตัวอักษรและ
ใช้สตริงแก้ไขระยะห่างที่มีความคล้ายคลึงกันของการเคลื่อนไหวของตา

elhelw et al . ใช้ต่อเนื่องในลำดับของเวลาลูกโซ่มาร์คอฟ

ภาพเด่นและไหลเกี่ยวกับเวทมนต์บ้างเพื่อระบุคุณลักษณะที่มีผลต่อการรับรู้ของภาพสัจนิยม [ 17 ] .
พวกเขาพบว่ากลุ่มการตรึงได้ค้นพบคุณสมบัติที่ดึงดูดที่สุด
เป็นผู้สังเกตการณ์ที่สนใจ demperemarco
et al . นำเสนอวิธีการฝึกอบรมสามเณร
การประเมินภาพโทโมกราฟี [ 18 ] เขาจำลอง
การประเมินพฤติกรรมของผู้เชี่ยวชาญโดเมนตาม
พลวัตของการเกิดช่องว่างหรือโพรงของพวกเขา salvucci และ
แอนเดอร์สันประเมินวิธีการอัตโนมัติการวิเคราะห์การเคลื่อนไหวของตา
[ 19 ] พวกเขาอธิบายวิธีการสามวิธีที่ตามลําดับที่ตรงกัน และแบบจำลองฮิดเดนมาร์คอฟ

ที่ตีความการเคลื่อนไหวของตาเป็นอย่างถูกต้องเป็นผู้เชี่ยวชาญ ของมนุษย์ แต่ในเวลาที่น้อยมาก
.
ทั้งหมดเหล่านี้มีวัตถุประสงค์เพื่อศึกษารูปแบบและพฤติกรรม
ในระหว่างงานที่เฉพาะเจาะจงโดยใช้จำนวนน้อยของลักษณะการเคลื่อนไหวของดวงตาที่รู้จักกันดี

พวกเขาสำรวจลิงค์
ระหว่างงานและการเคลื่อนไหวของตา แต่ไม่ได้จำ
งานหรือกิจกรรมการใช้ข้อมูลนี้