使用人工智能方法研究视觉分析器
本文阐述在当前数字化和逐渐普及的人工智能技术下,眼动技术在领域专家识别、不同领域的知识迁移以及混乱的时间检测等方面发挥了重要作用,并建立了数字诊断模型以及可能的数字助理培训选择。
Feb, 2022
利用眼球追踪技术提取医学图像中有意义的特征和洞察力,以改进医疗诊断的方法。通过整合人类认知和人工智能发展,将眼球追踪数据与机器学习和深度学习方法相结合,提高医学图像分析的准确性和效率。该系统性综述研究着眼于探索通过眼球追踪应用和方法来增强医学图像分析中的机器学习和深度学习算法。
Mar, 2024
我们提出了一种针对 Multimodal Learning Analytics 领域的方法,开发了一种名为 VAAD 的工具,用于可视化和分析在线课程学习过程中收集到的眼动数据。该工具可通过数据可视化进行描述性分析,识别不同学习者群体之间的差异和学习模式,并集成了一个预测模块,能够预测学习过程中的学习者活动,从描述性和预测性的角度为在线学习行为提供有价值的洞察。
May, 2024
通过利用深度学习模型处理与监视器安装的网络摄像头,我们收集到了连续的行为数据,并对麻醉师的视觉注意分布进行了研究,该平台可能作为手术室中上下文感知辅助技术的关键组成部分。
Aug, 2023
该研究综合了 2012 年至 2022 年之间的文献,重点概述了虚拟现实中的眼动追踪技术及其在认证、隐私保护等方面的应用与挑战。针对用户隐私泄露问题,提出了三个研究方向。
May, 2023
本文利用同时测量的脑电图 (EEG) 和眼动数据集,提出了一种可解释的基于关注机制的深度学习框架用于估计眼球注视方向,通过对结果的分析可见该方法在准确性和鲁棒性方面优于现有方法,并提供了解释和强调注意力机制在 EEG 数据分析中提高效率和有效性的潜力。
Aug, 2023
该研究通过调查最近的研究,使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断,特别关注利用深度学习的方法。研究提供了最新的分类法,并包含可用源代码的链接,以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试,揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外,调查展示了关键数据集和限制,如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。
Jul, 2023
使用人工神经网络建立了一个模块化系统,通过对分别裁剪的眼睛进行估计,利用人脸检测和头部姿势估计组件,无需特殊硬件或红外滤光片,仅使用内置 RGB 相机进行人眼注视估计,通过包含大量合成数据集在训练模型中,达到了比相关方法更高的准确度。
Nov, 2023
该研究综述了基于人工智能的青光眼检测框架的两种主要方法,分别是基于逻辑规则和基于机器学习 / 统计建模,并重点概括了这两种方法的最新进展和瓶颈。
Apr, 2022