编辑: Cerise银子 | 2016-04-23 |
Otero-Millan, Castro, Macknik, &
Martinez-Conde, 2014).以图
2 为例, 微眼动的峰 值速率为采样点 F4 的速率, 初始加速度峰值为 F1 到F4 期间最大的瞬时加速度, 末加速度峰值为 F4 到F6 期间最大的瞬时加速度. 幅度:微眼动的幅度是指微眼动的初始位置 指向最终位置的向量的模, 即初始到结束位置的 空间距离, 如图
2 中的灰色箭头.尽管目前就微 眼动的幅度范围未有一个明确一致的定义(Nystr?m, Hansen, Andersson, &
Hooge, 2016), 但 从大多数研究的结果来看微眼动的幅度通常介于
12 弧分到
1 度视角之间(Martinez-Conde, Otero- Millan, &
Macknik, 2013). 持续时间:微眼动的持续时间指微眼动起迄 的时间差.以图
2 为例, 微眼动的持续时间为 F6 与F1 的时间差, 即6ms.微眼动的持续时间通常 在6到30 ms 之间(Engbert, 2006). 2.2 微眼动识别技术的发展 如何正确地识别微眼动 是有效展开微眼动 相关研究的基础也是微眼动研究领域的一个热点 问题.在过去的半个世纪, 微眼动识别经历了从 早期主观、简单到近些年客观、精细的发展过程 (图3).早期关于微眼动的研究相对较少, 算法也 颇为简单, 主要依赖上述微眼动参数中的 1~2 种参数如幅度(Zuber et al., 1965) 和持续时间(Leopold &
Logothetis, 1998). 到2000 年左右微眼 动识别的算法逐渐趋于成熟, 开始综合考虑多种 眼动参数如速率、方向、幅度、持续时间和加速 度等, 这其中的代表是 Martinez-Conde 等人(2000) 提出的多指标分析法.新近的识别技术则与上述 需要主观确定阈值的方法不同, 开始致力于寻求 一些利用微眼动统计特性来客观确定阈值, 这其 中的代表是 Engbert 及其合作者提出的以眼动速 率分布离散度为基础的识别方法(E&
K 法,Engbert &
Kliegl, 2003;
Engbert &
Mergenthaler, 2006;
Mergenthaler &
Engbert, 2010), Bettenbühl 等人(2010)基于小波分析提出的主成分分析法和 Otero-Millan 等人(2014) 提出的基于聚类分析(k-means)的识别方法.
3 微眼动的识别 3.1 早期主观阈值的识别技术 这类技术多是以一个或多个眼动参数为指标 结合主观确定的阈值来定义微眼动.最初 Zuber 等人(1965)仅以眼动幅度在 1~30 弧分这一标准来 定义微眼动, 随后 Leopold 和Logothetis (1998)提 出的算法则在 Zuber 等的基础上增加了 持续时间 大于
8 ms 的限制.Martinez-Conde 等人(2000)的图3微眼动识别技术的发展历程
32 心理科学进展第25 卷 算法则开始表现出多指标分析的倾向, 他们提出 微眼动需要同时满足瞬时速率大于
3 度视角/秒、 转弯速率小于
15 度视角/秒和幅度在
3 弧分~2 度 视角间这三个指标. 最近 Hafed 等人(2009)的算法 还考虑到了加速度对微眼动的影响, 增加了加速 度需要大于
550 度视角/秒2的标准. 总的来讲, 经过多年的发展, 传统分析技术 已从单一指标逐渐转向了多指标分析, 相较而言 后者因为提供了更多关于数据本质的信息, 所以 有望能提供更高、更有效的检验力. 3.2 E&
K 识别技术 尽管传统主观阈值法经过多年发展已经能提 供不错的检验力, 但仍然存在以下两方面较为明 显的不足. 一方面, 从信号检测的角度而言, 检测 微眼动的过程实质上就是将微眼动(信号)与其它 注视眼动(噪音)区分出来的过程. 考虑到有研究表 明注视眼动(即噪音水平)常常在不同的任务(Mergenthaler &