Abstract
İnsan davranışlarını değerlendirme alanında göz izleme teknolojisi giderek daha önemli hale gelmektedir. Bu teknoloji ile bilinçdışı gerçekleştirilen göz hareketlerinden konum, odaklanma süresi, göz bebeği boyutu, göz kırpma sayısı gibi özellikler elde edilir. Bu özelliklerden yola çıkılarak tüketim modeli, psikolojisi ve ilgi alanı gibi davranışsal bilgilere ulaşılabilir. Ancak göz hareketleri milisaniyelik sürelerde veri ürettiği için bu verilerin değerlendirilmesi ve analiz edilmesi problem olmaktadır. Bu çalışma göz takip cihazı ile alınan karmaşık ve yoğun verileri analiz etme ve değerlendirme aşamasında görselleştirme tekniklerini uygulayarak faydalı ve gizli kalan bilgileri daha görünür yapmayı amaçlamaktadır. Bu amaç doğrultusunda maliyet nedeniyle sınırlı sayıda alınabilen göz verileri lineer olmayan enterpolasyonla çoğullanıp spektrogram görüntüleri elde edildi. Çoğullanan veriler derin öğrenme ve DVM(Destek Vektör Makine) ardından kullanıcının ne tür doküman okuduğuna dair sınıflandırma yapıldı. Sonuçta önerilen sınıflandırma algoritması ile %95.24 doğrulukla okunan doküman türü belirlendi.
Reference23 articles.
1. S. V. Kulkarni and K. Sangeeta, "Techniques for Visual Analysis of Eye Tracking Data," 2018 Second International Conference on Green Computing and Internet of Things (ICGCIoT), 2018, pp. 525-530, doi: 10.1109/ICGCIoT.2018.8753026.
2. T. E. Hutchinson, K. P. White, W. N. Martin, K. C. Reichert, and L. A. Frey, “Human-computer interaction using eyegaze input", IEEE Trans.,Syst. Man Cybern. Vol. 19, No. 6, 1527-1534, 1989.
3. O. Špakov and D. Miniotas. “Visualization of Eye Gaze Data using Heat Maps”, Electronics and Electrical Engineering, 2:55-58, 2007.
4. D.S. Wooding. “Fixation Maps: Quantifying Eye-movement Traces”,Proc. Eye tracking Research & Applications, pp. 31-36, 2002.
5. https://listelist.com/goz-takibi-arastirmasi/. [Erişim Tarihi:05/12/2022].
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献