Analyse eines Head-mounted Eye-Tracking-Experiments

Projektergebnis: Effiziente Analyse eines umfangreichen Eye-Tracking-Experiments

  • Analyse von 54 Datensätzen in wenigen Tagen
  • Datenvorbereitung mit Blickshift Analytics
  • Finden von ähnlichen Blickbewegungen bei Fußgängern und Radfahrern mit wenigen Mausklicks

In einem Forschungsprojekt des Instituts für ubiquitäre Mobilitätssysteme der Hochschule Karlsruhe wurde Blickshift Analytics eingesetzt, um Unterschiede in den Augenbewegungen zwischen Fußgängern und Fahrradfahrern in einer realen Verkehrsumgebung zu analysieren. Die Ergebnisse des Forschungsprojektes wurden auf der weltweit führenden Konferenz ETRA im Juni 2018 in Warschau vorgestellt.

  • Während des Experiments wurden umfangreiche multimodale Daten gesammelt. Die Daten umfassten Augenbewegungen, Videos sowie Daten von einem Beschleunigungssensor. Diese Daten mussten anschließend aufbereitet und analysiert werden.
  • Die zentrale Forschungsfrage bestand darin, gemeinsame Muster in den Datensätzen von 54 Probanden zu finden. Mit dieser Analyse soll die Wahrnehmung des Verkehrs besser verstanden werden.
Abbildung 1: Effiziente Analyse eines umfangreichen Eye-Tracking-Experiments mit 27 Fahrradfahrern und 27 Fußgängern mit Hilfe von Blickshift Analytics.

Das Projekt der Hochschule Karlsruhe bestand aus drei Teilen:

  • Dem Design und der Durchführung eines Benutzerexperiments mit einer hohen Anzahl von Radfahrern und Fußgängern im realen Straßenverkehr
  • Der Vor- und Aufbereitung der aufgenommenen Daten mit Blickshift Analytics
  • Und der abschließenden Datenanalyse ebenfalls mit Blickshift Analytics
Abbildung 2: Das Projekt der Hochschule Karlsruhe bestand aus drei Teilen: Dem Design und der Durchführung eines Eye-Tracking-Experiments im realen Straßenverkehr, der Datenaufbereitung und abschließenden Datenanalyse.

Experiment

Um das Verhalten von Fußgängern und Radfahrern untersuchen zu können, wurde ein Eye-Tracking-Experiment durchgeführt, bei dem die Probanden eine vordefinierte Route in einem Stadtteil von Karlsruhe in Deutschland folgen mussten (siehe Abbildung 3). Die Probanden mussten die Strecke sowohl mit dem Fahrrad fahren als auch zu Fuß gehen. Für die Aufnahme der Augenbewegungen, einem Video aus Sicht des Probanden sowie der Daten von Beschleunigungssensoren wurden die Tobii Pro Glasses 2 eingesetzt. Die Kontextinformation wurde basierend auf dem Videostream für jeden Probanden erzeugt. In Summe wurden 54 Datensätze aufgenommen. Diese Datenmenge führt zu der Herausforderung, dass insgesamt mehr als 150.000 Fixationen analysiert werden mussten!

Abbildung 3: Ausschnitt aus der Gesamtstrecke in Karlsruhe am Beispiel eines Fußgängerüberwegs (links), Referenzkarte für die Annotierung der AOIs (rechts).

Datenvorbereitung

Aufgrund der komplexen Verkehrssituationen (ein Beispiel zeigt Abbildung 3, links), wurde eine abstrakte Referenzkarte für die Definition der AOIs verwendet (siehe Abbildung 3, rechts). Da bei der Durchführung des Projektes im Jahr 2017 kein automatisches Verfahren existierte, mit dem die AOIs in einer hohen Qualität automatisch abgebildet werden konnten, mussten die Fixationen aus dem aufgezeichneten Eye-Tracking-Videos des Probanden manuell auf die Referenzkarte abgebildet werden. Aus diesem Grund konnten nur einzelne Abschnitte der Gesamtstrecke für die Analyse verwendet werden.

Im Gegensatz dazu konnten die Schulterblicke automatisch durch die Value Search Komponente von Blickshift Analytics identifiziert werden. Im Verkehr spielen Schulterblicke eine wichtige Rolle, beispielsweise beim Spurwechsel, um Verkehrsunfälle zu vermeiden. Während der Durchführung von Schulterblicken sinkt in der Regel die Wahrscheinlichkeit sauber Fixationen zu erkennen. Abbildung 4 zeigt einen typischen Verlauf der Beschleunigungssensoren. Abbildung 4 (links) zeigt die X-Achse des Beschleunigungssensors, die zweite Spalte von links die Y-Achse (stellt die Gewichtskraft dar) und die dritte Spalte die Z-Richtung. Abbildung 4 rechts zeigt den aktuellen Frame der Videoaufnahme. Eine Spitze im Graphen ist ein Hinweis auf eine schnelle Veränderung der Beschleunigung. Mit Hilfe der Kombination aus den Komponenten Value Search und Labeling in Blickshift Analytics wurde jedes Ereignis eines Schulterblicks durch eine einfache Suche nach dem Muster X-Richtung ≤ 0, Z-Richtung ≥ 0 annotiert.

Abbildung 4: Visualisierung der Beschleunigungssensoren zur Erkennung von Schulterblicken.

Datenanalyse

Für eine tiefgehende Analyse der Blicksequenzen bietet Blickshift Analytics die zwei Komponenten Sequence Search und Sequence Analysis. Mit nur wenigen Mausklicks konnten mehrere gleiche und oder ähnliche Blickbewegungsstrategien für die Fußgänger und die Radfahrer gefunden werden (siehe Abbildung 5). Zusätzlich zeigte die Value Search Komponente angewandt auf Daten der Beschleunigungssensoren, dass Radfahrer weniger Schulerblicke durchführten. Des Weiteren wurden wichtige Schulterblicke in verkehrskritischen Situationen nicht durchgeführt.

Die reine Datenanalyse der 54 Datensätze benötigte weniger als zwei Tage mit Blickshift Analytics.

Abbildung 5: Tiefgehende Datenanalyse der Augenbewegungen. Grün hervorgehoben sind ähnliche Blickmuster in allen Probanden.

Wissenschaftliche Veröffentlichung

Mathias Trefzger, Tanja Blascheck, Michael Raschke, Sarah Hausmann and Thomas Schlegel; A visual comparison of gaze behavior from pedestrians and cyclists; Proceedings of the 2018 ACM Symposium on Eye Tracking Research and Applications, ETRA 2018, Warsaw, Poland, June 14-17, 2018.

Kunde

Das Institut für ubiquitäre Mobilitätssysteme der Hochschule Karlsruhe forscht im Anwendungsfeld der Mobilitätssysteme vor allem im Schnittbereich von Interaktion und Modellen in ubiquitären Systemen. Die Expertise liegt daher in allgegenwärtigen, verteilten Systemen (Ubiquitous Computing), in der Mensch-Computer Interaktion und Gebrauchstauglichkeit (Usability) ubiquitärer Systeme sowie der Modellierung komplexer Systeme und Prozessen für adaptive Systeme.