编辑: Cerise银子 | 2016-04-23 |
Engbert, 2010)、不同的个人间表 现出较大差异, 采用绝对阈值标准的传统方法不 可避免地会导致在不同任务甚至同一任务的不同 个体上表现出不同的检验力.换言之, 传统阈值 技术在很大程度上受到噪音水平的影响, 同一阈 值在不同噪音水平下有截然不同的检验力.另一 方面, 传统方法对阈值的确定很大程度上依赖于 分析者的经验, 这给数据分析结果带来了很大的 不确定性. 为避免上述传统方法的缺陷, Engbert 和Kliegl (2003)提出了一种对噪音水平敏感(即阈值 随噪音水平变化而变化)的识别方法.该方法虽然 也是利用微眼动与注视漂移等在眼动速率的差别 (图4, 微眼动相对而言有更高的眼动速率)来分离 和识别微眼动, 但将阈值的确定发展为了依赖噪 音水平的相对阈值法:以噪音变异指标的倍数而 非某个绝对的速度值作为微眼动识别的阈值.因 为阈值会随噪音水平变化而变化, 所以该方法很 好地避免了噪音水平的变化对检验力的影响.具 体而言, 该方法主要包含计算瞬时速率、计算速 率分布的标准差和确定适当的标准差倍数作为决 策阈值这三个过程: (1)计算注视眼动的瞬时速率 如图 4(左)所示, 原始眼动数据是每个采样时间点上眼睛中心对应 的水平和垂直位置.E&
K 法的第一步是分别计算 每个采样点在水平(记为 x v ?? ? )和垂直方向的瞬时速 率(记为 y v ?? ? ).为去除设备等导致的高频噪音, 在 计算瞬时速率时采用五点加权平均法(五点为该 采样点及其前后各自
2 个采样点, 参见公式 1). 该操作相当于构建了一个简单的低通滤波器来滤 除原始........