本文对移动交互式系统中利用凝视作为单一或补充交互模式的最新技术和应用进行全面综述，并重点介绍了凝视捕捉传感器，凝视估计工作流，深度学习技术以及凝视交互应用等关键领域。

Jun, 2023

本文通过基于自注意力机制的神经网络模型，有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题，并在四个流行的 HAR 数据集上进行了大量实验，获得了显著的性能改进。

Mar, 2020

本文介绍了一种利用计算机视觉来增强移动眼动跟踪的影响的新方法，通过将面部检测器和移动眼动追踪相结合，计算了教师在教学过程中对每个学生的注意力焦点，以便在课堂互动的复杂性中识别出学生的相关需求，这是将计算机视觉和移动眼动跟踪结合起来对教师提出关注时的第一次工作。(Translation: This paper presents a novel method to enhance the impact of mobile eye tracking by connecting it with computer vision, calculating teachers’ attentional focus per student during a teaching unit, in order to recognize the relevant needs for learning in the complexity of classroom interaction. This is the first work to combine computer vision and mobile eye tracking to model teachers' attention while instructing.)

May, 2018

研究中使用计算机视觉技术检测在线学习过程中异常的头部姿态，并介绍了手机使用对学习过程的影响的研究。通过收集来自 120 位学习者在 MOOC 学习过程中的行为数据，研究聚焦于手机使用事件对行为和生理反应（特别是注意力、心率和冥想）的影响，并提出了一种通过摄像头图像来估计头部姿态事件以检测手机使用事件的方法。本研究的假设是，当学习者与手机交互时，头部姿态会发生显著变化，与学习者面对计算机时的典型行为形成对比。我们提出了一种半监督方法，用于检测学习者会话期间头部姿态与平均姿态的偏差，并对发现的头部姿态异常事件进行标记，敏感度超过 90%。

May, 2024

该研究提出了一种基于长期自我运动线索的学习方法来检测佩戴者在穿越场景时的注意力，特别是在需要获取新的视觉信息时，与以前的研究相比，该方法可以独立于场景外观和佩戴者身份来有效地检测 engagement。

Apr, 2016

本研究解决了视频中检测注意目标的问题，通过机器学习模型和新的数据集可以有效推断动态的注视点，并在社交注视行为分类任务中取得了最佳表现。

Mar, 2020

通过将传感器数据分类任务转化成游戏，并引入深度强化学习和注意力机制，我们建立了一个具有竞争力的分类器，该分类器适用于具有复杂情况的应用领域，如医疗保健和娱乐等。

Apr, 2018

通过调查注意力和认知模型、隐私保护方法和协议，研究人员完成了 3 个主要研究贡献，旨在将 VR 和随身式头戴式设备推向日常生活。

Mar, 2022

本文利用大量自然驾驶数据和机器学习方法，预测车内触摸屏界面的可视需求和驾驶员视觉关注分配的影响因素，并提供局部和全局的解释说明，以帮助设计师评估当前设计并更好地预测和理解其对未来设计所可能产生的影响。

Jan, 2023

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024