一种基于眼动数据的情绪注意机制参数生成方法及系统

本发明涉及眼动数据分析，具体是一种基于眼动数据的情绪注意机制参数生成方法及系统。

背景技术：

1、眼动数据能够客观记录目标对象观看视觉刺激时的注视位置、注视转移、空间探索和局部聚焦过程，已被广泛应用于情绪注意机制研究。现有眼动分析方法通常使用总注视时长、首次注视时间、注视次数、扫视次数、热力图或兴趣区（areaofinterest,aoi）统计比例等汇总指标描述目标对象的眼动行为特征。

2、在基于情绪刺激观看任务的注意研究中，上述汇总指标被用于比较不同情绪类别刺激条件下的注意差异。例如，研究者可通过计算正性、负性和中性图片区域内的注视时长比例，评估不同情绪刺激对注意的捕获能力；或通过首次注视进入时间，评估注意定向的优先性。此类方法在一定范围内能够反映眼动行为的基本特征。

3、然而，上述汇总指标在实际应用中存在以下不足：

4、第一，时间分辨率不足，难以刻画注意状态的连续演化过程。汇总指标通常将整个观看时段或预设时间窗内的眼动数据进行统计平均，丢失了注意状态在逐采样点上的动态变化信息。在情绪刺激观看过程中，注意状态可能随着刺激呈现时间的延长而发生系统性变化，例如初始定向注意与后期维持注意可能对应不同的认知加工过程。仅使用时段汇总指标无法区分上述不同阶段的注意特征。

5、第二，空间分析依赖人工兴趣区划分，口径不统一。现有方法通常需要人工划定兴趣区，并将落入各兴趣区的注视点进行计数或时长统计。一方面，不同研究者的兴趣区划分标准存在差异，导致研究结果难以直接比较；另一方面，兴趣区边界将连续的空间注意分布强制离散化，丢失了注视点在兴趣区边界附近的连续空间分布信息，也无法刻画注意在空间上的扩散与聚焦过程。

6、第三，忽视历史注视对当前注意状态的持续影响。在自然观看过程中，目标对象的当前注视位置往往受到先前注视位置的影响，这种历史影响随时间推移逐渐衰减。然而，现有汇总指标将各注视点视为相互独立的观测事件，无法描述历史注视序列对当前注意状态的时间衰减效应。

7、第四，多刺激同时呈现时的注意竞争过程难以分解。在多图快速竞争任务中，正性、负性和中性情绪刺激同时呈现，目标对象的注意资源在不同情绪刺激之间形成随时间变化的竞争关系。现有方法仅能统计各刺激区域内的注视比例，无法将注意资源的竞争过程分解为各情绪刺激的独立时间动态分量，也难以量化各刺激在注意峰值强度、峰值时间及相对注意份额上的差异。

8、第五，参数计算口径不一致，缺乏统一的模型来源。上述指标的计算依赖预设时间窗、人工兴趣区划分和统计口径的人为选择，不同实验条件和不同研究者之间难以形成可重复、可比较的量化参数。

9、针对上述问题，需要一种计算机实现的情绪注意机制参数生成方法，能够将原始眼动采样数据、刺激呈现时间、刺激空间位置和情绪标签转换为标准化逐采样点观测序列，并在统一的数学模型框架下刻画注意状态随时间演化、历史注视衰减、空间分布变化以及多刺激竞争过程，从而生成具有明确计算含义和统一口径的情绪注意机制参数。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，提出一种基于眼动数据的情绪注意机制参数生成方法及系统，通过构建注意动力方程，将逐采样点眼动序列、刺激呈现时间、刺激空间位置和情绪标签映射为可计算的注意状态变化过程，并由此生成用于表征注意维持、注意转移、空间聚焦和情绪刺激竞争特征的机制参数。

2、为了实现上述目的，本发明具体采用的技术方案如下：

3、一种基于眼动数据的情绪注意机制参数生成方法，包括：

4、s1、获取目标对象在至少一种情绪刺激观看任务中的眼动采样数据、实验刺激信息和任务配置信息，并将所述眼动采样数据转换为逐采样点观测序列；

5、s2、根据刺激呈现时间、试次结构和刺激空间位置，建立眼动采样点与当前试次刺激条件之间的对应关系，得到用于注意动力方程的标准化观测序列；

6、s3、构建注意动力方程，用于描述眼动采样序列中注意状态随时间变化、历史注视影响衰减以及空间注意分布变化；

7、s4、针对单图持续观看任务，构建单图任务注意动力参数计算模型，确定不同情绪图片条件下注意维持参数、空间扩散参数和空间聚焦参数的计算形式；

8、s5、针对多图快速竞争任务，构建包括中央注视分量、正性刺激分量、负性刺激分量和中性刺激分量的多分量注意竞争模型，确定注意资源分配参数、注意峰值时间参数和空间竞争参数的计算形式；

9、s6、基于所述逐采样点观测序列构建负对数似然优化目标，利用负对数似然优化目标对单图任务注意动力参数和多图任务竞争模型参数进行统一估计；

10、s7、将步骤s6输出的估计值作为情绪注意机制参数，基于所述情绪注意机制参数生成目标对象的情绪注意机制参数集合。

11、作为优选，所述注意动力方程以时刻和空间位置上的注意状态量作为基础，所述注意状态量包括注意强度及其注意概率密度表示，将历史注视序列、当前眼动采样点、刺激空间信息、情绪标签信息和待估计参数作为输入，用于计算情绪刺激条件下的注意状态变化。

12、作为优选，所述标准化观测序列包括采样时间戳、注视点坐标、试次编号、相对于试次起始时间的时间变量、相对于图片呈现起始时间的时间变量、刺激空间区域编码、刺激情绪类别编码以及观测点归属编码中的至少一种。

13、作为优选，所述注意动力方程中，当前时刻在当前空间位置上的注意状态由以下信息共同确定：历史注意状态和历史注视序列、当前眼动采样点及其观测位置、刺激空间信息、刺激情绪标签信息以及待估计参数；

14、所述注意动力方程经归一化后，当前时刻在当前空间位置上的注意概率密度等于一个分数，该分数的分子为空间基线项、历史注视影响项与刺激驱动项之和，该分数的分母为所述分子在整个空间建模区域上的积分；

15、其中，所述历史注视影响项为历史注视影响权重乘以对所有历史注视点求和的结果，每一项为空间扩散核函数与时间衰减函数的乘积；所述刺激驱动项为刺激驱动权重乘以由刺激空间信息和情绪标签信息确定的刺激驱动项。

16、作为优选，所述历史注视影响项中的时间衰减函数采用以自然常数为底的指数衰减形式，其指数为负的当前时刻与历史注视时刻之间的时间间隔除以时间记忆尺度；所述空间扩散核函数采用二维高斯核函数，其指数为负的历史注视点到当前空间位置的欧氏距离平方除以两倍的空间扩散尺度的平方。

17、作为优选，所述单图任务注意动力参数计算模型中，将图片局部区域划分为多个空间网格；当前时刻在当前网格上的未归一化注意强度等于空间基线项加上历史注视影响权重乘以对所有历史注视点求和的时间衰减函数与空间扩散核函数的乘积；当前时刻在当前网格上的离散注意概率等于该网格的未归一化注意强度除以全部网格的未归一化注意强度之和；观测概率密度采用连续观测核计算，所述连续观测核为二维高斯核函数，其中心为当前空间网格的中心位置，宽度为连续观测核宽度。

18、作为优选，基于所述单图任务注意动力参数计算模型生成以下至少一种参数：

19、时间记忆尺度，用于表征历史注视影响的衰减时间尺度；

20、空间扩散尺度，用于表征历史注视影响在空间上的扩散范围；

21、连续观测核宽度，用于表征观测位置相对于注意分布的局部偏差尺度；

22、注意时间半衰期，由时间记忆尺度乘以二的自然对数计算得到；

23、归一化平均空间注意力熵，其计算方式为：先计算当前时刻的空间注意力熵，该熵等于负的对全部网格的离散注意概率与该离散注意概率的自然对数的乘积之和，其中概率为零的项取值为零；再计算归一化熵，该归一化熵等于所述空间注意力熵除以网格总数的自然对数；最后计算当前情绪类别下的归一化平均空间注意力熵，该平均熵等于对当前情绪类别对应的所有有效建模时刻的归一化熵求平均；

24、局部聚焦参数，由连续观测核宽度和单位聚焦尺度计算得到，该参数为连续观测核宽度的减函数，即连续观测核宽度越小则局部聚焦参数越大。

25、作为优选，所述多分量注意竞争模型中，当前采样点落入当前情绪类别对应的刺激区域时观测点归属编码取值为有效，否则取值为无效，所述情绪类别包括正性、负性和中性；

26、所述多分量注意竞争模型包括中央注视点分量和三个情绪刺激分量，各分量的原始注意强度经归一化后得到时间依赖注意权重，各分量在所有时刻的注意权重之和恒为一；

27、最终观测概率密度等于各分量注意权重乘以对应分量空间观测项之和。

28、作为优选，三个情绪刺激分量的原始注意强度为时间依赖单峰函数，该单峰函数具有峰值强度和峰值时间；

29、采用高斯型时间函数时，当前情绪刺激分量的原始注意强度等于峰值强度乘以以自然常数为底的指数，该指数的指数项为负的括号内当前时间变量减去峰值时间的平方除以两倍的时间宽度的平方；

30、采用伽马型时间函数时，当前情绪刺激分量的原始注意强度等于峰值强度乘以括号内当前时间变量除以峰值时间的商的指数，该指数为形状参数减一，再乘以以自然常数为底的指数，该指数的指数项为负的括号内形状参数减一乘以当前时间变量除以峰值时间；

31、所述中央注视点分量的原始注意强度为恒定值，或者表示为随试次起始后时间衰减的形式，即中央注视点分量基线强度乘以以自然常数为底的指数，该指数的指数项为负的相对于试次起始时间的时间变量除以中央注视影响衰减尺度。

32、作为优选，基于所述多分量注意竞争模型生成以下至少一种参数：

33、正性、负性和中性三类情绪刺激的峰值时间参数；

34、正性、负性和中性三类情绪刺激的归一化注意份额，各归一化注意份额等于对应情绪刺激分量的峰值强度除以正性、负性和中性三类情绪刺激分量峰值强度之和；

35、时间平均注意份额，该平均份额等于对全部有效建模时刻的各分量归一化注意权重求平均；

36、中央注视点空间尺度参数；

37、空间探索参数，其计算方式为：根据建模配置确定参考中心，所述参考中心包括观看时段内有效注视点的空间中心、显示屏中心、中央注视点位置、有效刺激区域中心中的至少一种；对于每个有效注视点，计算其到所述参考中心的欧氏距离；再基于所述距离的均值、方差和均方根中的至少一种生成空间探索参数。

38、作为优选，所述负对数似然优化目标中，设全部有效建模时刻的集合已知，当前时刻的观测点已知，注意动力方程输出当前时刻当前观测点的观测概率密度，则整体似然函数为所有有效建模时刻的观测概率密度之积；对数似然为所有有效建模时刻的观测概率密度的自然对数之和；负对数似然为负的所述对数似然；参数估计值通过最小化所述负对数似然函数得到。

39、作为优选，所述输出结果包括参数表、参数组合指标、参数相对参考分布提示、参数可视化结果和非诊断性行为分析信息；

40、所述参数组合指标通过对多个标准化指标进行加权组合得到，其中每个标准化指标由原始指标减去样本均值后除以样本标准差得到。

41、本发明还公开了一种基于眼动数据的情绪注意机制参数生成系统，包括：

42、眼动数据获取模块，用于获取目标对象在至少一种情绪刺激观看任务中的眼动采样序列；

43、刺激呈现记录存储模块，用于存储试次编号、刺激呈现时间、刺激空间位置、刺激显示区域和刺激情绪类别；

44、结构化关联模块，用于根据采样时间戳、试次结构、刺激呈现时间和刺激空间位置，将原始眼动采样点转换为标准化逐采样点观测序列；

45、刺激区域与观测点归属编码模块，用于根据刺激显示区域和情绪标签生成观测点归属编码；

46、注意动力方程构建模块，用于构建描述注意状态随时间、历史注视序列、空间位置和情绪刺激条件变化的注意动力方程；

47、单图参数计算模块，用于基于单图任务注意动力方程计算历史注视影响持续参数、空间分布参数和局部聚焦参数；

48、多图竞争建模模块，用于基于多图任务注意动力方程构建中央注视分量、正性刺激分量、负性刺激分量和中性刺激分量的多分量注意竞争模型；

49、参数估计模块，用于基于负对数似然优化目标估计注意动力方程参数；

50、参数输出模块，用于输出情绪注意机制参数、参数集合、参数组合指标、参数相对参考分布提示、参数可视化结果和非诊断性行为分析信息。

51、本发明具有以下的特点和有益效果：

52、本技术通过将原始眼动采样点与刺激呈现时间、试次结构进行时间同步，生成包含采样时间戳、注视点坐标、试次编号、相对时间变量、刺激空间区域编码和情绪类别编码的标准化逐采样点观测序列。在此基础上，本技术构建的注意动力方程以时刻和空间位置上的注意强度或注意概率密度作为状态量，能够直接在逐采样点粒度上描述注意状态随时间演化的连续过程。相比于依赖预设时间窗进行统计平均的现有方法，本技术避免了时间窗划分导致的信息截断和丢失，使注意状态变化可以在原始采样率下被完整刻画。

53、本技术根据刺激呈现时间和刺激显示区域，自动为每个采样点生成观测点归属编码，判断注视点是否落入对应的刺激区域。同时，在单图持续观看任务中，本技术将图片区域自动划分为个空间网格，注意状态在网格上离散化表示；在多图任务中，各情绪刺激分量的空间观测项由刺激显示区域直接确定。上述过程无需人工划定兴趣区边界，避免了不同研究者兴趣区划分口径不一致导致的结果不可比问题，也消除了人工划分引入的主观偏差。

54、本技术在注意动力方程中构建了历史注视影响项，包括时间衰减因子和空间扩散核函数。具体地，历史注视影响随时间间隔增大按指数形式衰减，衰减速度由待估计的时间记忆尺度τ控制；历史注视对当前空间位置的影响由二维高斯核或径向基函数描述，空间扩散范围由待估计的空间扩散尺度控制。通过参数估计，可直接生成时间记忆尺度和空间扩散尺度的量化值，并可进一步由计算得到注意力时间半衰期，用于表征历史注视影响的持续时长。现有方法无法量化历史注视的衰减与扩散过程，本技术填补了这一空白。

55、本技术在多图快速竞争任务中构建了包含中央注视点分量、正性刺激分量、负性刺激分量和中性刺激分量的四分量注意竞争模型。各情绪刺激分量采用独立的时间依赖单峰函数（高斯型或伽马型）进行建模，每个分量具有独立的峰值强度参数、峰值时间参数和时间宽度参数（或形状参数。通过对各分量原始注意强度进行归一化，可直接估计各情绪刺激在竞争中的归一化注意份额和时间平均注意份额。上述参数能够清晰表征各情绪刺激在注意竞争中的相对优势及其随时间的变化过程，现有方法无法实现该分解。

56、本技术基于逐采样点观测序列构建似然函数或负对数似然函数，所有待估计参数在同一数学框架下通过最大化似然函数联合估计得到。无论针对单图持续观看任务还是多图快速竞争任务，无论针对正性、负性、中性还是复杂情绪类别，所有输出参数均来源于同一注意动力方程和同一参数估计流程。这使得输出参数具有统一的模型来源和计算口径，可直接进行跨试次、跨情绪类别和跨任务条件之间的比较，克服了现有方法中参数来源不一、口径混乱的缺陷。

57、基于上述注意动力方程和参数估计，本技术可生成以下具有明确计算含义的情绪注意机制参数：

58、单图持续观看任务：时间记忆尺度、空间扩散尺度、连续观测核宽度、注意力时间半衰期、归一化平均空间注意力熵、局部聚焦参数；

59、多图快速竞争任务：各情绪刺激峰值强度、峰值时间、归一化注意份额、中央注视点空间尺度、空间探索参数；

60、派生指标：任意两个情绪类别之间的参数差值、参数比值、标准化组合指标。

61、上述参数均由注意动力方程和似然函数直接导出，不依赖人工判读和主观设定，具有良好的可重复性和客观性。