|
|
|
|
|
婴儿读心术：一种自动判断婴儿注视时间数据信号质量的机器学习方法 | MDPI Sensors |
|
|
论文标题：A Machine Learning Approach for the Automatic Estimation of Fixation-Time Data Signals’ Quality （一种自动估计注视时间数据信号质量的机器学习方法）
期刊：Sensors
作者：Giulio Gabrieli, Jan Paolo Macapinlac Balagtas, Gianluca Esposito and Peipei Setoh
发表时间：27 November 2020
DOI：
微信链接：
期刊链接：
研究内容
婴幼儿的发展性研究 (Developmental studies) 对研究人员来说一直是极具挑战性的课题，由于婴儿无法用语言来表达自己的决定或偏好，理解婴儿的行为需要特定的技术支撑。目前不需要言语能力的非侵入性技术 (Noninvasive techniques) 成为研究婴幼儿行为的首选方式 (如对瞳孔扩张和注视时间的测量)。目前该技术已经能够支撑对婴幼儿行为的记录，但瓶颈之处在于需要对通过大量的人工预处理收将集到的信号进行分析。因此，本研究通过发展一种自动化的处理方法为信号分析提供方法探索。
南洋理工大学的Giulio Gabrieli、Jan Paolo Macapinlac Balagtas等研究人员在发表的文章中，通过使用线性SVC (支持向量分类器)、非线性SVC和K-近邻分类器等机器学习方法，将所得到的婴幼儿的注视时间记录自动分为可用和不可用，以便于研究不具备语言能力的儿童对道德行为的理解。实验结果证实机器学习分类器可有效准确地对样本进行分析识别，成功地帮助研究者节约了样本预处理的时间。
在本项研究中，研究人员将幼儿对负责人 (leader) 行为的期望进行了三项研究。根据以往的经验预测，蹒跚学步的幼儿期望负责人是公平公正且乐于助人的，而他们对非负责人却不抱有此类期望。在获得父母知情同意后，研究者们将从对112个参与者 (平均年龄为25.7±5.3个月) 中收集到的251个样本进行处理。在本研究的数据集中，使用二元分类的方式将可用的样本标记为阳性，不可用的样本标记为阴性，精度即为真实可用样本 (即真阳性) 与真假阳性样本总数之比。
研究结果
研究结果显示经过机器学习后的分类器分类精度高达80%，且非线性SVC和k-近邻的性能优于线性SVC分类器，同时还发现机器学习分类器可以在收集数据的预处理和标记阶段帮助研究者节省大量时间。具体而言，机器学习分类器可以成功地用于支持研究人员编码幼儿注视时间记录的可用性。尽管本实验取得了高于预期的结果，但仍存在一些局限性，由于涉及因素较多，实验结果无法从统计的角度证实k-近邻分类器的性能明显优于非线性SVC分类器，因此并没有遴选出性能最优的分类器。
下一步的研究应通过开展不同类型的研究扩大数据集中的样本量，通过测试不同的特征和度量集 (例如瞳孔大小度量) 来验证其它模型是否具有优于本研究模型的更良好的性能。此外，应当充分考虑将人工智能模型所判断识别的特征与会话的视频记录混合的可能性，以提高模型在自动分离可用和不可用试验中的精度。
期刊简介
(ISSN 1424-8220) 于2001年创刊，2019年最新影响因子为3.275，在JCR Instruments & Instrumentation学科分类中排名居Q1(15/64)；2019 Citescore 为5.0，在 Scopus Physics and Astronomy: Instrumentation 学科分类中排名居Q1(17/129)。作为一个国际型开放获取期刊，主要刊载传感器明升体育app和技术研究领域的学术文章，采取单盲同行评审，一审周期约为15天，文章从接收到发表仅需2.6天。
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
