论文部分内容阅读
随着神经科学与认知科学的迅速发展,人类对眼动及其生理意义的研究也日益加深。由于眼动被人们认为是视觉信息加工研究中的重要手段,并且也有研究表明眼动的各种模式一直与人的心理变化相关联,对眼动的研究越来越受到神经科学与认知科学研究领域的科学家们的重视,人类对眼动的研究也取得了越来越重大的成果。现代科学家们对视觉信息加工的研究主要是通过对脑电或脑电与眼动相结合的研究进行的。在分析脑电和眼动数据时,模式识别即为其中的一种重要方法。本文则按照一个经典的眼动实验范式设计实验,令被试进行视觉刺激的判断任务,以达到探讨对视觉认知任务进行判断的生理学意义的目的。我们对眼动数据进行分析和处理所用到的算法当中,在对眼动数据进行分类之前采用了归一化的预处理方法,显著性分析用的是方差分析的方法,模式分类算法采用的是Fisher线性判别法和SVM分类法。通过对实验得到的眼动数据进行显著性分析及模式分类后得出以下结论:1.在视觉认知任务为可识别的情况下,认知任务难度与快速眼动次数及快速眼动幅度呈正相关的关系。而在视觉认知任务不可识别的情况下,快速眼动的次数和幅度均小于可识别的情况下的快速眼动的次数和幅度。这一结果表明,快速眼动的特征反映的是对视觉认知任务的识别能力。2.对于眼动数据的分类来说,最适合用于分类的参量是幅度参量,最不适合用于分类的参量是持续时间参量;3. 2-incoherent实验条件下与其它3种实验条件下的各个参量均有显著性差异而其它任意两种实验条件下的各参量之间均无显著性差异;4. SVM分类法优于Fisher线性判别法。在对所有眼动数据均以RBF核作为SVM分类的核函数,选用网格搜索法作为参数选择方法的情况下,k折交叉验证法是比留一法更优的SVM推广能力估计的方法。5.在使用SVM分类法时,使用不同归一化方法均能使对眼动数据的分类正确率有所提高,但分类正确率的提高不明显,各种不同归一化方法效果相当。