Zastosowanie modeli Markowa z ukrytymi stanami do analizy aktywności wzrokowej w procesie oceny wirtualnych opakowań techniką porównywania parami

Grobelny, J.; Michalski, R.

doi:10.21008/j.0239-9415.2017.073.08

Artykuł - szczegóły

Tytuł artykułu

Zastosowanie modeli Markowa z ukrytymi stanami do analizy aktywności wzrokowej w procesie oceny wirtualnych opakowań techniką porównywania parami

Autorzy

Grobelny J. , Michalski R.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.21008/j.0239-9415.2017.073.08

Warianty tytułu

An application of hidden Markov models to the analysis of visual activity registered during virtual packages assessment by means of pairwise comparisons

Języki publikacji

Abstrakty

W artykule przedstawiono próbę zastosowania stochastycznych modeli Markowa z ukrytymi stanami do analizy aktywności wzrokowej człowieka. Dane wejściowe do eksperymentalnych badań symulacyjnych zgromadzono podczas eksperymentu polegającego na porównywaniu parami różnych wariantów wirtualnych opakowań produktów. Symulacje polegające na wielokrotnej estymacji parametrów modeli Markowa z ukrytymi stanami przeprowadzono dla każdego rodzaju porównania zakładając różne ilości ukrytych stanów. Analiza wyników symulacji umożliwiła określenie optymalnych, w sensie miary AIC, liczby ukrytych stanów. Najlepsze uzyskane modele zostały następnie szczegółowo przeanali-zowane w celu zidentyfikowania wykorzystywanych podczas porównań parami strategii wzrokowych.

The article presents an attempt of applying stochastic Hidden Markov Models (HMM) to the analysis of human visual activity. The input data for simulation experiments were taken from the empirical investigation concerned with pairwise comparisons of diverse product virtual packages. Simulations involving multiple estimations of HMM parameters were conducted for all distinctive types of comparisons and assuming different quantities of hidden states. The analysis of simulations’ results allowed to determine the optimal, in terms of AIC measure, numbers of hidden states. The best models were next analyzed and discussed in the perspective of visual strategies used during pairwise comparisons.

Słowa kluczowe

ergonomia marketing digital signage zachowanie człowieka interakcje człowieka z komputerem

ergonomics marketing digital signage human behavior human-computer interactions

Wydawca

Wydawnictwo Politechniki Poznańskiej

Czasopismo

Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie

Rocznik

2017

Tom

Nr 73

Strony

111--125

Opis fizyczny

Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Grobelny J.

Wydział Informatyki i Zarządzania Politechniki Wrocławskiej

autor

Michalski R.

Wydział Informatyki i Zarządzania Politechniki Wrocławskiej

Bibliografia

1. Akaike, H. (1973). Information theory as an extension of the maximum likelihood theory. In: B.N. Petrov, F. Csaki (ed.) Second International Symposium on Information Theory. Budapest: Akademiai Kiado, 267-281.
2. Baum, L.E. (1972). An inequality and associated maximization technique in statistical estimation for probabilistic functions of Markov processes. In: O. Shisha (ed.) Proceedings of the 3rd Symposium on Inequalities, Los Angeles: University of California, 1-8.
3. BeGaze Manual, Version 3.6, February (2016). SMI SensoMotoric Instruments, document number: 091222-P-1400-001-000-A.
4. Chuk, T., Chan, A. B., Hsiao, J. H. (2014). Understanding eye movements in face recognition using hidden Markov models. Journal of Vision, 14 (11) : 8, 1-14.
5. Chowdhury, A., Karmakar, S., Reddy, S.M., Sanjog, J., Ghosh, S., Chakrabarti, D. (2012). Visual attention analysis on mutated brand name using eye-tracking: a case study. World Academy of Science, Engineering and Technology International Journal of Social, Behavioral, Educational, Economic, Business and Industrial Engineering, 6(8), 1132-1135.
6. Courtemanche, F., Aïmeur, E., Dufresne, A., Najjar, M., & Mpondo, F. (2011). Activity recognition using eye-gaze movements and traditional interactions. Interacting with Computers, 23(3), 202-213.
7. Ellis, S. R., Stark, L. (1986). Statistical Dependency in Visual Scanning. Human Factors: The Journal of the Human Factors and Ergonomics Society, 28(4), 421-438.
8. Eriksen, C. W., James, J. D. S. (1986). Visual attention within and around the field of focal attention: A zoom lens model. Perception & Psychophysics, 40(4), 225-240.
9. Findlay, J.M. and Gilchrist, I.D. (2003), Active vision. The psychology of looking and seeing, New York: Oxford University Press.
10. Goldberg, J.H., Kotval, X.P. (1999). Computer interface evaluation using eye movements: methods and constructs. International Journal of Industrial Ergonomics 24(6), 631-645.
11. Hayashi, M. (2003). Hidden Markov Models to identify pilot instrument scanning and attention patterns. IEEE International Conference on Systems, Man and Cybernetics, 3, 2889-2896.
12. Liechty, J., Pieters, R., Wedel, M. (2003). Global and local covert visual attention: Evidence from a bayesian hidden markov model. Psychometrika, 68(4), 519-541.
13. Michalski. R., Grobelny. J., (2016). An eye tracking based examination of visual attention during pairwise comparisons of a digital product’s package. In: M. Antona, C. Stephanidis (ed.) Universal Access in Human-Computer Interaction. Methods, Techniques, and Best Practices, Chapter No: 41, Part I, HCII 2016, Lecture Notes in Computer Science (LNCS) 9737, Springer, 430-441.
14. Murphy, K. (1998, 2005), Hidden Markov Model (HMM) Toolbox for Matlab, Pobrano z: http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html (15.03.2017).
15. Nguyen, N. T., Phung, D. Q., Venkatesh, S., Bui, H. (2005). Learning and detecting activities from movement trajectories using the hierarchical hidden Markov model. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 2, 955-960.
16. Posner, M.I., Snyder, C.R., Davidson, B.J. (1980). Attention and the detection of signals. Journal of Experimental Psychology: General, 109(2), 160-174.
17. Rabiner, L.R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286.
18. Saaty, T. L. (1977). A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, 15(3), 234-281.
19. Schwarz, G. (1978). Estimating the Dimension of a Model. The Annals of Statistics, 6(2), 461-464.
20. StatSoft (2014). STATISTICA (data analysis software system), version 12. http://www.stat-soft.com.
21. The MathWorks (2016), Matlab, R2016a (9.0.0), Pobrano z: http://www.math-works.com/products/matlab/ (15.03.2017).
22. Van Raaij, F.W. (1977). Consumer Information Processing for Different Information Structures and Formats. In: W.D. Perreault (ed.) Advances in Consumer Research, 4. Atlanta: Association for Consumer Research, 176-184.
23. Visser, I. (2011). Seven things to remember about hidden Markov models: A tutorial on Markovian models for time series. Journal of Mathematical Psychology, 55(6), 403-415.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-6169d8c5-cc8d-4a20-917f-3d94d5820fdc