基于眼动特征的辅助心理测量方法.pdf

:/军事医学心理学专题基于眼动特征的辅助心理测量方法沈胤宏 郑秀娟 张 昀 苗丹民(四川大学电气工程学院自动化系 四川 成都 西安交通大学电子与信息学部信息与通信工程学院 陕西 西安 空军军医大学军事医学心理学系 陕西 西安)基金项目:军委科学技术委员会国防科技创新特区项目()作者简介:沈胤宏 硕士研究生 从事眼动数据分析与研究:通信作者:郑秀娟:网络首发:/()摘要 目的 传统心理测量效果依赖评估者的专业性 为了进一步提高心理测量的准确性 提供一种基于眼动特征的辅助心理测量方法 提升心理测量的便捷性和客观性 方法 将心理测量量表作为眼动实验刺激采集被试的眼动数据 分别提取 个健康者和 个不健康者注视和眼跳等相关眼动特征 建立支持向量机眼动数据分类模型 使用差分进化算法对模型进行参数优化 并用于不同人群的视觉行为模式识别 从而实现目标人群的心理测量结论判别 结果 被试在单个题目刺激作用下的平均心理健康判别准确率为 通过 个心理测量条目降维后的准确率为 结论 本文验证了使用眼动特征辅助心理测量的客观性和有效性 可作为辅助心理测量的客观指标关键词 量表答题 眼动特征 心理测量 支持向量机中图分类号 文献标志码 心理测量是根据心理学理论 给受试者一定的操作程序 通过对受试者的表现情况进行心理评估的过程 心理测量可以通过量表答题的方式进行 采用预先拟定好的问题表 由受试者自行填写来收集资料 心理测量评估者根据填写结果对受试者进行心理评估 这种方法比较节省人力、物力 但受试者有可:/能作答认真或故意掩饰 从而影响结果的真实性 另外评估结果还可能受心理测量评估者专业素养的影响 因此 在心理测量中需要一个客观评估指标进行辅助判断 以提高测量结果的准确性眼球运动在一定程度上反映了人类的思维过程所以受试者在心理测量中的想法可以在一定程度上从眼球运动的记录中得到反映 从这些记录中可以确定哪些视觉元素吸引了受试者的注意力 通过分析眼动数据可以探索不同人群的意识与认知过程 近年来随着眼动设备成本的降低以及数据分析工具的改进眼动技术开始被广泛应用于意识和认知探索领域 如阅读、场景感知和视觉搜索等目前 眼动仪采集的原始眼动数据表现为序列的形式 由具有时间先后顺序的视线点()组成因此许多学者使用序列比对的方式分析眼动数据间的差异 其中最基础的是距离度量的方法 即使用欧式距离、距离、距离等直接计算眼动序列间的空间距离差异 距离度量的方式大都要求序列等长 并且忽视了注视的时间信息 现有的研究大都 使 用 字 符 比 对 算 法 来 分 析 眼 动 数 据 如 等提出使用编辑距离来分析眼动数据使用网格法眼动序列量化为字符串的形式 根据一个字符串转换为另一字符串需要的操作次数(插入、删除、替换)来衡量眼动序列的差异 等在编辑距离的基础上使用重复字符来表征注视停留时间 提出 算法度量眼动序列间的差异性编辑距离和 等序列比对方法使用动态规划的思想对齐序列 在短序列上表现优异 当样本量过大或序列过长时 时间复杂度较大 等跳出字符串两两比对的思想 提出了 算法该算法利用滑动窗口对字符串提取子序列 通过比较子序列的频率差异来分析眼动模式的差异 适用于具有重复查看的场景 沈胤宏等在 算法的基础上对归一化方法进行了改进 可以进一步细化不同长度序列间的差异性 虽然比较子序列频率差异这种方式的时间复杂度远低于字符比对的方法 但该算法严重依赖自由参数 如滑动窗口的大小 并且缺乏可解释性根据上述方法的优缺点 在量表答题场景下 本文提出了一种基于眼动特征的辅助心理测量方法 本文使用量表中的条目作为眼动实验刺激 采集受试者眼动数据 对眼动序列提取一系列的眼动特征 并使用差分进化算法()结合支持向量机()构建心理测量量表答题场景下针对不同人群的分类模型 对象与方法 对象健康组:人 该群体在上述心理测验中的六个维度得分值 分 按照量表评估心理测验标准 六个维度分值 算法由训练数据学习到的分类模型 其分类精度受核函数参数和惩罚因子的影响很大 不同的参数取值 分类精度大不相同 针对这个问题 本文采用 对 进行参数寻优 是由 等学者在遗传算法等进化思想的基础上提出的、用于求解多维参数的整体最优解 算法的基本思想是:随机选取三个父代 对其中两个父代进行加权差并与另一个父代进行加和 以此产生新的个体 将新个体与父代的适应度进行比较 适应度高的个体进入下一代 通过整个变异、重组和选择过程不断进化 引导搜索逼近最优解(图):差分进化算法:支持向量机图 算法流程图 对比方法与评价指标 本实验选取、以及 分类器为对比算法 采用准确率、:/查全率、查准率和 分数()作为评价指标 四种指标计算公式如式()、式()、式()和式()所示:()()()()()()式中 为类别数、分别表示第 类人群的实际为真预测为真、实际为假预测为假、实际为假预测为真、实际为真预测为假的样本数量:准确率:查全率:查准率 结果本文方法与现有的、以及 分类器进行比较 对四种算法在 道条目上分类准确率绘制箱线图(图)四种算法的分类准确率最小四分位都超过了机会水准 其中本文提出的 方法分类效果整体最好 分类准确率中位数值最高 和 算法的分类准确率差距不大 的分类准确率在整体的表现最差 另外 注意到四种算法在不同条目上的分类准确率差异较大 算法的分类准确率最小值已经低于 而最大值大于 本文方法的分类准确率最大值与最小值之间的差值超过了 这是由于单个条目结果的不稳定性造成的 条目与条目之间的分类准确性存在差异 因此仍需要对整个量表的表现进行评估:差分进化算法:支持向量机图 四种算法的分类准确率箱线图 利用四个指标对四种方法评估(表)所有的指标均在 道条目上取平均值 表中结果显示 本文方法的四个评价指标分别为、相比其他算法表现优异 算法在分类准确率和查准率上稍微优于 算法 算法在查全率和 测度上优于 这说明在分类健康人群时 的表现较优异表 四种算法的分类性能()算法准确率查准率查全率 :差分进化算法:支持向量机从四种算法在两类人群的分类混淆矩阵结果可以看出四种算法对于健康人群的识别准确率均优于不健康人群(图)其中 和 在识别不健康人群的能力较差 误识率高达 和 方法在识别健康人群上效果最好达到了 本文方法的健康人群识别准确率为 稍劣于 在不健康人群的识别准确率为 优于其他三种算法:差分进化算法:支持向量机图 四种算法的分类混淆矩阵以上是对本文算法在整个量表的 个条目上的平均结果 两类人群在不同条目上的分类结果差异很大 由图 的箱线图可以看出 部分条目的分类准确率极高 也有部分条目的分类准确率极低 四种算法的平均分类准确率最大值与最小值之差都在 左右 测试集在每一个分类条目上都有一个预测标签为了最大限度地发挥整套量表的作用 对分类结果进行降维 即利用受试者在 个条目中预测占比最大的标签为最终的预测标签 本文依然利用准确率、查准率、查全率和 测度来评估降维后的分类结果(表)空军军医大学学报 年 月 第 卷第 期 :/表 降维后四种算法的分类性能()算法准确率查准率查全率 :差分进化算法:支持向量机从表 结果分析 降维后四种算法在大部分指标上都得到了显著提升 其中本文算法在四个指标上的表现 都 较 为 优 异 降 维 后 算 法 的 表 现 优 于 算法 而 算法表现依然最差 值得注意的是 降维后四种算法的查全率都得到了显著提升 这说明降维后健康人群大都分类正确 同时本文绘制降维后的分类混淆矩阵 定量分析四种算法在两种人群上的分类结果从降维处理后四种分类算法的分类混淆矩阵可以看出四种算法在健康人群的识别上的表现都非常优异 算法、算法和 的分类准确率达到 本文提出的 算法达到了 在不健康人群的分类上 表现最好 算法次优 表现最差 不健康人群大都被误识别为健康人群(图):差分进化算法:支持向量机图 降维后四种算法的分类混淆矩阵采用量表进行心理测量时 过多的测试条目会使得受试者感到疲乏 在测试时间过长时 受试者会出现不耐烦、急躁、眼神飘忽不定等情况 从而影响测试结果 因此 在心理测量时希望使用较少的量表条目 同时保证较好的分类结果 本文将各个条目的分类准确率进行排序 并依次选取了不同数量(分别是分类准确率最高的前、和 条目以及全部 个条目)表现较好的条目做降维处理当条目数量达到 时 分类效果已经在 个取值中达到最好 因此在心理测验时只需要部分条目就能达到比较理想的测验结果 另一方面减轻了受试者的测试疲劳程度以及时间成本(图)图 不同数量条目降维后的分类性能为了分析导致不同条目上分类准确率差异如此大的原因 本文对分类准确率排名靠前的条目和分类准确率排名靠后的条目进行了查看 发现分类效果表现较好的条目 其内容更容易引起受试者思考 引发情绪 条目内容相对消极 而分类表现较差的条目内容则相对积极 分类准确率最高的 个条目内容充满了消极感 具有自我否定的意味 而分类准确率最低的 个条目 条目、的内容比较积极 条目 也存在消极意味 总的来说具有消极意味的条目分类效果优于积极的条目 但是也存在消极条目分类效果不好的情况 这说明同类型的条目也存在较大的组内差异 导致消极类型不同条目分类效果差异明显的原因还需要进一步分析(表 )表 分类准确率最高的条目内容题号条目内容准确率排名在我需要帮助的时候 没有人帮助我我确信生活对我是不公平的有时我真想离开家我觉得身边的人希望能够摆脱我/我总是在紧张的状态下学习和工作要不是因为有人和我过不去 我现在肯定会有更大的成就表 分类准确率最低的条目内容题号条目内容准确率排名我的胃口很好倒 我的家庭很温暖倒 我的生活充满了让我感兴趣的事倒 我总是在紧张的状态下学习和工作倒 我的身体和大多数朋友一样健康倒:/根据本文得到的实验结果 可以认为在一些容易唤醒受试者情绪的条目上更容易区分心理健康人群和心理不健康人群 使用这些条目进行心理测验即可达到较为理想的结果 讨论 考察受试者在观察过程中重复注视模式的差异 在本实验中 不同人群在心理量表各条目问答时 关注的都是题目区域和选项区域 阅读顺序也基本都是从题目到选项 重复注视模式均在题目关键词与选项之间产生 即使是不同人群 在阅读题目材料时重复注视模式的差异也不明显 在本实验中的表现优于 算法通过网格的形式进行眼动数据字符化 然后通过对齐字符串来衡量序列之间的差异 在观看相同材料时 序列之间的差异性来自于不同人对于内容的注视停留时长 注视停留时长由字符重复次数来表征 另外 不同字符代表不同的空间位置 字符对齐其实就是注视转移顺序对齐 这也是 算法表现较好的原因不同人群在阅读相同的文本内容时 受阅读习惯的影响 视觉注意在空间上的变化都是从左往右 从上往下 不同人群之间存在的模式差异性来自于认知差异 认知差异跟受试者的受教育水平以及情绪水平有关 本实验的受试者阅读无障碍 在情绪水平存在高低差异 心理不健康的受试者可能在一些消极词汇(如忧愁、闷闷不乐等)上停留时间更长 本文考虑这些眼动数据内部存在的认知差异 提取了注视停留时长、注视总时长、眼跳频率等特征 这些眼动特征反映了受试者在阅读心理量表时所涉及到的认知负荷 认知负荷越高 则说明受试者需要更多地投入注意力、记忆力等心理资源来完成任务 本文利用 模型对特征进行分类 结果稍优于 说明了这些眼动特征能有效刻画健康人群和不健康人群深层次的认知差异 能有效对两类人群进行识别 由于 分类器的分类效果受参数影响很大 为了最大限度地发挥提取的眼动特征的作用 本文利用 算法对 进行参数寻优 在 模型下的分类结果远远优于在 模型下的结果 说明合适的参数能充分发挥眼动特征以及分类器的性能 提高识别准确率 模型下的分类结果也远优于 和 这表明受试者在观看题目材料时 在本文提取的眼动特征维度上差异显著 从眼动特征出发能有效进行心理测量在量表答题场景下 本文提出了一种基于眼动特征的辅助心理测量的方法 主要针对心理健康方面进行了评估 该方法虽然在识别准确率上有较好的表现 但仍有以下不足:一是心理测量的内容较为单一 没有涉及能力、动机等其他心理测量方面 未来需设计眼动实验 采集不同的眼动数据验证本文方法在其他心理测量方面的性能 二是眼动特征的选取较为常规 虽然通用性较好 但对于不同的实验场景仍需设计不同的特征结合本文的特征以提升识别性能【参考文献】.():.:.():.:.():.():.():.():.:沈胤宏 郑秀娟 王艳 等 军人心理测量中融合自然语义信息的视线跟踪时 空相似度算法研究.空军军医大学学报():.:.():.():闫国利 熊建萍 臧传丽 等 阅读研究中的主要眼动指标评述.心理科学进展 ():.:.:(收稿 修回)(编辑:刘佳倩)空军军医大学学报 年 月 第 卷第 期 :/