PyTrack-NTU 1.0.0

pytrack

这是一个分析和可视化眼睛跟踪数据的工具包。它提供以下功能：

特征提取

这包括提取与眨眼、注视、眼跳、微距和瞳孔直径相关的参数或元数据。提取的特征如下：

统计分析

特征提取后，pytrack可以进行student t检验、welch t检验、方差分析、rmanova、n-way方差分析和混合方差分析。可以指定组间和组内因素。

可视化

pytrack可以生成多种图。可视化是通过一个交互式的图形用户界面。可以生成的绘图如下：

1. 固定图
2. 个体被试注视热图
3. 聚合对象注视热图
4. 动态瞳孔大小和注视图
5. 微卫星位置和速度图
6. 微卫星主序列图

目录

• pytrack
  • 特征提取
  • 统计分析
  • 可视化
• 目录
• 文档
• 安装
• 样本数据
• 使用pytrack
  • 设置
  • 运行pytrack
• 高级功能
  • 统计测试
  • 将提取的特征作为字典进行访问
  • 在独立模式下使用pytrack" rel="nofollow">在独立模式下使用pytrack
• 作者
• 许可证
• 确认

文档

pytrack方法和类的详细文档可以在这里找到

安装

pytrack是为python3建造的，因为对python2的支持将在2019年底停止。要安装pytrack，请使用以下任一选项：

python3 -m pip install PyTrack-NTU
pip install PyTrack-NTU
pip3 install PyTrack-NTU

请确保pip是针对python3而不是python2。蟒蛇3可以在这里找到，或者蟒蛇3可以在这里找到。

注意：python3可以与python2一起安装

示例数据

为了测试工具包，可以在这里找到SMI、Eyelink和TOBII格式的一些示例数据。文件夹中的.txt文件描述了找到的数据。SMI和TOBII文件取自此处

使用pytrack

设置

在运行框架之前，让我们设置文件夹，以便pytrack可以在一个中心位置读取和保存所有生成的图形，并对其进行组织。

创建如下所示的目录结构。为了使pytrack正常工作，列出的目录必须存在。

注意：样本数据有一个名为"NTU实验"的文件夹，该文件夹已按以下方式组织。它可以作为参考。

[Experiment-Name]
|
â""â"€â"€ Data/
â"‚   â"‚   subject_001.[asc/txt/tsv/...]
â"‚   â"‚   subject_002.[asc/txt/tsv/...]
|   |__ ......
â"‚
â""â"€â"€ Stimulus/
â"‚   â"‚   stim_1.[jpg/jpeg]
â"‚   â"‚   stim_2.[jpg/jpeg]
|   |__ ......
|
â""â"€â"€ [Experiment-Name].json

[实验名称]代表您的实验名称。其余步骤将使用NTU实验作为[实验名称]文件夹。

现在，请执行以下步骤：

1. 将所有受试者的数据放在数据文件夹下的NTU实验主文件夹下。确保每个数据文件的名称都是主题/参与者的名称。将所有空格（）替换为下划线（。

   例如，华夫饼饼.asc或受试者.asc

2. 为了正确地显示凝视数据，最好将实验中呈现的刺激包含在stimuli文件夹中。确保图像具有jpg、jpeg或png扩展名，并且名称与记录数据中的刺激名称相匹配。

   例如，stim_1.jpg或random_picture.png

3. 设置实验目录的最后一步也是最后一步是包含实验描述json文件。这个文件应该包含实验的基本细节。它包含关于你的实验的规范，比如你想要分析的刺激物或者你想要包括的参与者/受试者。下面提到的是json文件结构。下面的内容可以复制并粘贴到一个名为ntu\experience.json的文件中。

   • "实验名"应与不带扩展名的json文件同名，"路径"应是到实验目录的绝对路径，结尾不带最后的"/"。
   • 应在"主题"字段下添加主题。您可以为受试者指定一个或多个分组（建议用于组间统计分析）。必须至少有一个组
   • 刺激物的名字应该加在下面"刺激"字段，然后您可以再次指定一个或多个类型（建议用于刺激类型之间/内部的统计分析）。必须至少有一种类型
   • "控制问题"字段是可选的。如果您有一些刺激物，应该用来标准化/标准化从所有刺激物中提取的特征，请在此处指定名称。这些刺激必须出现在其中一种类型下的"刺激"字段下
   • 标记为"感兴趣的列"的字段不应更改。
   • 在"分析参数"下，只需更改"采样频率"、"显示高度"和"显示宽度"的值即可与实验值匹配。

   注意：如果您只想分析刺激或主题的一个子集，请在json文件中只指定感兴趣的部分。分析和可视化将只对json文件中提到的那些进行。

注意：示例数据中的ntu_u实验文件夹中存在一个示例json文件。您可以编辑它使您的工作更简单。

{"Experiment_name":"NTU_Experiment","Path":"abcd/efgh/NTU_Experiment","Subjects":{"group1":["Subject_01","Subject_02"],"group2":["Subject_03","Subject_04"]},"Stimuli":{"Type_1":["Stim_1","Stim_2"],"Type_2":["Stim_3","Stim_4"],},"Control_Questions":["Stim_1"],"Columns_of_interest":{"EyeTracker":["GazeLeftx","GazeLefty","GazeRightx","GazeRighty","PupilLeft","PupilRight","FixationSeq","GazeAOI"],"Extra":["EventSource"]},"Analysis_Params":{"EyeTracker":{"Sampling_Freq":1000,"Display_width":1920,"Display_height":1280}}}

运行pytrack

注意：下面显示的所有样本段都是样本数据中的NTU实验文件夹。

1. 为了使用这些功能，第一步是将原始数据转换为可读格式。为此，可以使用以下代码段：

   fromPyTrack.formatBridgeimportgenerateCompatibleFormat# For windows the path will look like #    a. exp_path="complete\\path\\to\\NTU_Experiment"# or b. exp_path=r"complete\path\to\NTU_Experiment"generateCompatibleFormat(exp_path="complete/path/to/NTU_Experiment",device="eyelink",stim_list_mode='NA',start='start_trial',stop='stop_trial',eye='B')

   要详细了解GenerateCompatibleFormats的参数并根据需要对其进行修改，请参见文档此处

2. 第二步是创建实验类的对象

   fromPyTrack.ExperimentimportExperiment# Creating an object of the Experiment classexp=Experiment(json_file="complete/path/to/NTU_Experiment/NTU_Experiment.json")

3. 现在您可以运行特征提取和统计测试

   # Instantiate the meta_matrix_dict of an Experiment to find and extract all features from the raw dataexp.metaMatrixInitialisation()# Calling the function for the statistical analysis of the dataexp.analyse(parameter_list={"all"},between_factor_list=["Subject_type"],within_factor_list=["Stimuli_type"],statistical_test="anova",file_creation=True)# Does not run any statistical test. Just saves all the data as csv files.exp.analyse(parameter_list={"all"},statistical_test="None",file_creation=True)

   要详细了解analyse函数的参数，请点击此处

   要详细了解metamatrixinitialization函数的参数，请点击这里

4. 用于可视化

   # This function call will open up a GUI which you can use to navigate the entire visualization processexp.visualizeData()

高级功能

统计检验

实验类包含一个名为analyze（）的函数，该函数用于执行统计分析（例如：方差分析或t检验），默认情况下，只考虑1个组内因素（subject_type）和1个组内因素（stimuli_type）。如果需要考虑其他因素，则需要将它们添加到json文件中。

• 例如，如果要将性别视为组间因子，那么在json文件的"subjects"下，对于每个主题，必须创建一个相应的dicitionary，其中提到因子名和相应的值。还请注意，组类型后的方括号（'['，']'）需要更改为花括号（'{'，'}'）。

• 类似地，对于刺激，例如，如果您显示文字和图片以引起用户的不同反应，并且您另外具有两个不同的亮度级别（"高"和"低"），则将亮度作为组内因素提及。

{"Subjects":{"group1":{"Subject_01":{"Gender":"M"},"Subject_02":{"Gender":"F"}},"group2":{"Subject_03":{"Gender":"F"},"Subject_04":{"Gender":"M"}}},"Stimuli":{"Type_1":{"Stim_1":{"Brightness":"High"},"Stim_2":{"Brightness":"Low"}},"Type_2":{"Stim_3":{"Brightness":"Low"},"Stim_4":{"Brightness":"High"}},},}

使用高级统计测试的示例代码段：

fromPyTrack.ExperimentimportExperimentexp=Experiment(json_file="abcd/efgh/NTU_Experiment/NTU_Experiment.json")exp.metaMatrixInitialisation()exp.analyse(parameter_list={"all"},between_factor_list=["Subject_type","Gender"],within_factor_list=["Stimuli_type","Brightness"],statistical_test="anova",file_creation=True)

将提取的特征作为字典访问

如果您希望获取特定刺激下特定对象的提取特征：

python3 -m pip install PyTrack-NTU
pip install PyTrack-NTU
pip3 install PyTrack-NTU

python3 -m pip install PyTrack-NTU
pip install PyTrack-NTU
pip3 install PyTrack-NTU