可以一试的眼动数据分析工具包

关注“心仪脑”查看更多脑科学知识的分

关键词：数据分析、眼动

分析眼动数据的你，是否经常被数据质量问题所困扰你是否想对数据进行进一步了解和优化来介绍一个工具–R的一个包，gazepath，或许可以满足你的需求。它是一种用来解析眼动原始数据的工具，它可以像眼动设备配套的数据分析软件一样经过一系列加工导出有注视点和眼跳分类等信息的数据。注视点和眼跳的分类是通过速度阈值实现的，当眼睛的移动速度高于速度阈值时，则被归类为眼跳，当低于速度阈值时，则被归类为注视点，但是眼动仪厂家设定的阈值都是固定不变的，而不同的试次、刺激、任务或被试情绪会引起不同的阈值，这会带来一定的误差，从而影响分析结果。gazepath最大的特点则是阈值是会根据不同被试不同数据质量不断调整的。此外，它的操作简单，基本只需要点点点就能完成。下面通过几个测试来看看gazepath的表现：

测试一 – 自由观看任务下的眼动数据

被试：47个成人 & 62个婴儿

任务：自由观看28个真实世界场景，每个场景4秒

采集设备：eyelink，500HZ，5点校准

因变量：平均注视点个数 & 中位注视时间

Notes: 注视时间不用平均值是因为注视时间通常呈右偏态分布。

统计结果：1. 平均注视点个数：混合因素方差分析显示，组别（成人/婴儿）x 方法（gazepath/eyelink）交互作用显著，F (1, 107) = 29.23,p

Gazepanth在成人数据中的具体表现：

经人工观察显示，在高质量的成人数据中，gazepath比eyelink更善于捕捉小的眼跳，如图1所示，“S”表示被gazepath捕捉到但被eyelink丢失的眼跳。

Notes: 通常由人类专家进行的分类是可用的最佳基准。

图1

Gazepath在婴儿数据中的具体表现：

Gazepath解析表现检验结果：eyelink解析的数据，数据质量的2个指标（精确性precision 、稳健性robustness）与中位注视时间存在显著相关性(精确性：r =?.52, r =?.31 without the outlier；稳健性：r = .36, r = .31 without the outlier)，但是gazepath解析的数据不存在这种相关性。与此同时，两种解析方法下的“数据质量与中位注视时间的相关性”在有/无异常值的情况下都表现出显著差异，即gazepath在解析婴儿数据时表现更好。

Notes:

① 数据质量和注视点时间的相关性可以反映解析方法的表现，因为婴儿数据中经常会显示出两者的相关性；② 精确性和稳健性反映了数据质量的特点，精确性差时，往往会把一个注视点分割成多个注视点，稳健性差时往往有很多缺失值。③这篇文章里精确性的操作性定义是每个试次“超过100毫秒时间长的XY坐标的平均值”与“原始数据”的平均差异，差异越小，精确性越高；稳定性是原始数据段中每个试次的平均长度，数据段越长，稳定性越高。

图2A

图2B

不足：此次测试采用的数据和开发gazepath时用的是用一批数据，可能会存在偏差。

测试二 – 成人阅读数据

被试：65 个成人 (平均年龄 = 25.0 岁, 范围 = 18–68)

任务：阅读88个短文本，每个4-5行

采集设备：eyelink，500HZ

因变量：平均注视点个数 & 中位注视时间

统计结果：与自由观看的成人结果一致，配对样本T检验显示，与eyelink相比，gazepath解析出显著更多(t(64) =?96.58,p

Gazepath在成人阅读数据中的具体表现：

经人工观察发现，gazepath在阅读数据中捕捉回跳的表现优于eyelink，如图3所示，R表示回跳的地方，在阅读一行文字时，Y坐标基本不变，X坐标的值会增加，每读完一行后有一个大幅度的眼跳，如果出现回跳，X坐标值就会小幅下降，但Y坐标不变。其本质还是在数据质量高时，gazepath比较擅长捕捉小的眼跳。

图3

测试三 – 婴儿实验数据

被试：127个 婴儿 (平均年龄 = 11 月龄, 范围 = 10–12)

任务：看红色的球移向左边或蓝色的球移向右边，球最终被放进了一个杯子里，并得到了一个奖励(一只闪烁的小鸡发出了一声口哨)。20个试次，每个试次呈现8秒。

采集设备：Tobii 1750, 60HZ, 9点校准

因变量：平均注视点个数 & 中位注视时间

统计结果：与测试一婴幼儿数据结果相似，配对样本T检验显示，gazepath解析的注视点较少(t(126) = 13.41, p

Gazepath在婴儿实验数据中的具体表现：

Gazepath解析表现检验结果：tobii解析的数据中，数据质量的2个指标与中位注视时间存在显著相关性(精确性：r = ?.44, p

经人工观察显示，如图4A所示，gazepath会解析出更长的注视点，而tobii解析出多个短注视，但是很难说是哪种解析方法更好，例如，B的位置是两个注视点，gazepath解析成了一个注视点，而tobii正确识别了，另外，如图4B所示，gazepath在噪声大的情况下表现更为保守，即没有将这些噪声解析为注视点，其表现优于Tobii。

图4A

图4B

说到这里，你是否有一点点心动呢来让我们康康如何使用gazepath吧。

1. 在R中输入命令：

Install.packages(“gazepath”, dependencies=TRUE)

Library(“gazepath”)

GUI( )

#输入GUI（）之后会跳转到一个 页

2. 在 页中点点点

2.1 Load Data

加载原始数据，加载后屏幕右侧会显示数据，方便检查是否加载正确。

2.2 Analyze Data

分析数据，这里必须要选择XY坐标、距离和试次序 （trial index）、屏幕大小、刺激大小、采样率、解析方法，其他变量只允许一个试次一个有一个值。点击“go”开始分析。

2.3 Visualize

数据可视化。其中可视化解析（visualize parsing）可以看注视点XY坐标坐落的位置和顺序、随时间变化的原始坐标图和随时间变化的速度图；选择可视化刺激（visualize stimuli）可以上传刺激并绘制每个被试每个试次的注视点。

2.4 Get Results

下载数据，下载文件格式为.csv，可用来进行后续的分析。数据有4种形式：（1）所有解析过的注视点和眼跳（all parsed fixations and saccades）；（2）只有注视点（fixations only）；（3）只有完整的注视点和眼跳（only complete fixations and saccades）；（4）只有完整的注视点（only complete fixations）。这里的（3）（4）可以确保所有的注视点和眼跳都是对的注视点和眼跳，但是在噪音多的数据中，这样的数据会很少，这时候推荐使用（2），因为大部分研究者只对注视点感兴趣。

会输出以下数据：

3 .关闭

只需要简单关闭浏览器并在R中按“esc”即可。

【参考文献】

[1] Renswoude, D. V. , Raijmakers, M. , Koornneef, A. , Johnson, S. P. , Hunnius, S. , & Visser, I. . (2018). Gazepath: an eye-tracking analysis tool that accounts for individual differences and data quality. Behavior Research Methods.

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！