Detección basada en la mirada de pensamientos a través de tareas naturalísticas utilizando un algoritmo de bosque aleatorio optimizado por PSO
Autores: Rahnuma, Tarannum; Jothiraj, Sairamya Nanjappan; Kuvar, Vishal; Faber, Myrthe; Knight, Robert T.; Kam, Julia W. Y.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección basada en la mirada de pensamientos a través de tareas naturalísticas utilizando un algoritmo de bosque aleatorio optimizado por PSO
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Flujo de pensamientos
Dimensiones
Impactos
Movimientos oculares
Aprendizaje automático
Actividad oculomotora
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
Un aspecto clave de la experiencia humana es nuestro flujo continuo de pensamientos. Estos pensamientos pueden ser ampliamente categorizados en varias dimensiones, que están asociadas con diferentes impactos en el estado de ánimo, el bienestar y la productividad. Aunque la literatura pasada a menudo ha identificado movimientos oculares asociados con una dimensión de pensamiento específica (relacionada con la tarea) durante tareas experimentales, pocos estudios han determinado si estas diversas dimensiones de pensamiento pueden ser clasificadas por la actividad oculomotora durante tareas naturalistas. Empleando muestreo de pensamientos, seguimiento ocular y aprendizaje automático, evaluamos la clasificación de nueve dimensiones de pensamiento (relacionadas con la tarea, movimiento libre, pegajosidad, dirigido por objetivos, orientación interna-externa, auto-orientación, orientación hacia otros, modalidad visual y modalidad auditiva) a lo largo de siete grabaciones de siete participantes durante tareas informáticas auto-seleccionadas. Nuestros análisis se basaron en un total de 1715 sondas de pensamiento a lo largo de 63 horas de grabaciones. La clasificación binaria automatizada de las dimensiones de pensamiento se basó en características estadísticas extraídas de medidas de movimiento ocular, incluyendo fijaciones y sacadas. Estas características sirvieron como entrada en un clasificador de bosque aleatorio (RF), que luego se mejoró con la selección basada en optimización de enjambre de partículas (PSO) del mejor subconjunto de características para el rendimiento del clasificador. Los valores medios del coeficiente de correlación de Matthews (MCC) del clasificador RF basado en PSO a lo largo de las dimensiones de pensamiento variaron de 0.25 a 0.54, lo que indica un rendimiento por encima del azar en las nueve dimensiones de pensamiento a lo largo de los participantes y un rendimiento mejorado en comparación con el clasificador RF sin selección de características. Nuestros hallazgos resaltan el potencial de los enfoques de aprendizaje automático combinados con medidas de movimiento ocular para la predicción en tiempo real de pensamientos continuos naturalistas, especialmente en contextos ecológicamente válidos.
Descripción
Un aspecto clave de la experiencia humana es nuestro flujo continuo de pensamientos. Estos pensamientos pueden ser ampliamente categorizados en varias dimensiones, que están asociadas con diferentes impactos en el estado de ánimo, el bienestar y la productividad. Aunque la literatura pasada a menudo ha identificado movimientos oculares asociados con una dimensión de pensamiento específica (relacionada con la tarea) durante tareas experimentales, pocos estudios han determinado si estas diversas dimensiones de pensamiento pueden ser clasificadas por la actividad oculomotora durante tareas naturalistas. Empleando muestreo de pensamientos, seguimiento ocular y aprendizaje automático, evaluamos la clasificación de nueve dimensiones de pensamiento (relacionadas con la tarea, movimiento libre, pegajosidad, dirigido por objetivos, orientación interna-externa, auto-orientación, orientación hacia otros, modalidad visual y modalidad auditiva) a lo largo de siete grabaciones de siete participantes durante tareas informáticas auto-seleccionadas. Nuestros análisis se basaron en un total de 1715 sondas de pensamiento a lo largo de 63 horas de grabaciones. La clasificación binaria automatizada de las dimensiones de pensamiento se basó en características estadísticas extraídas de medidas de movimiento ocular, incluyendo fijaciones y sacadas. Estas características sirvieron como entrada en un clasificador de bosque aleatorio (RF), que luego se mejoró con la selección basada en optimización de enjambre de partículas (PSO) del mejor subconjunto de características para el rendimiento del clasificador. Los valores medios del coeficiente de correlación de Matthews (MCC) del clasificador RF basado en PSO a lo largo de las dimensiones de pensamiento variaron de 0.25 a 0.54, lo que indica un rendimiento por encima del azar en las nueve dimensiones de pensamiento a lo largo de los participantes y un rendimiento mejorado en comparación con el clasificador RF sin selección de características. Nuestros hallazgos resaltan el potencial de los enfoques de aprendizaje automático combinados con medidas de movimiento ocular para la predicción en tiempo real de pensamientos continuos naturalistas, especialmente en contextos ecológicamente válidos.