(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210275302.4 (22)申请日 2022.03.21 (71)申请人 哈尔滨理工大 学 地址 150001 黑龙江省哈尔滨市南岗区学 府路52号哈尔滨理工大 学 (72)发明人 蒋永清　李思宇　 (74)专利代理 机构 哈尔滨三目知识产权代理事 务所(普通 合伙) 23214 专利代理师 刘冰 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06V 40/18(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于风险感知能力的眼动数据的采集 和分析方法 (57)摘要 一种基于风险感知能力的眼动数据的采集 和分析方法， 属于数据分析领域。 为了解决由于 电气场所人员未发现危险而导致的事故， 提高人 员风险感知能力和生产安全性。 一种基于风险感 知能力的眼动数据的采集和分析方法， 设定风险 感知能力的标准， 包括： 设定判定风险感知能力 的标准； 设定相关眼动指标数据的处理的标准； 设定其他眼动指标的处理的标准， 确立眼动指 标； 采集眼动数据， 并进行初步统计， 之后筛选出 基础指标； 进行指标分析。 本发明能够进行准确 的眼动数据的采集和分析。 权利要求书4页 说明书10页 附图1页 CN 114936733 A 2022.08.23 CN 114936733 A 1.一种基于风险感知能力的眼动数据的采集和分析方法， 其特征在于： 所述方法通过 以下步骤实现： 步骤一、 设定风险感知能力的标准， 包括： 设定判定风险感知能力的标准； 设定相关眼动指标 数据的处 理的标准； 设定其他眼动指标的处 理的标准， 即： 对获取的眼动数据进行分类、 对比， 寻找的眼动特征的差异特性及一般规律； 提高数据 分析的客观性， 减少主观因素 的干扰， 采用统计检验的方法对不同类别场景下 的眼动特征 数据进行差异显著性检验， 以此确定符合统计意 义的差异分析 方法； 步骤二、 确立眼动指标； 步骤三、 采集眼动数据， 并进行初步统计， 之后筛 选出基础指标； 步骤四、 进行指标分析： 首先通过matlab对眼动轨迹进行聚类算法的处理， 得到典型风 险识别轨迹图， 建立典 型风险识别轨迹图册； 之后， 通过SPSS对能够体现风险感知能力的其他指标， 如瞳孔变异 性、 注视次数、 持续时间等进 行参数检验和非参数检验； 之后， 通过被试风险感知侧写， 对被 试的风险识别准确率进行分析。 2.根据权利要求1所述的一种基于风险感知能力的眼动数据的采集和分析方法， 其特 征在于： 步骤一所述的判定风险感知能力的过程具体包括： (1)定义风 险感知能力， 包括： 能够识别风险感知训练图片中风 险的位置， 并能确定风 险原因； (2)风险感知训练图片中风险等级的确定方法： ElectricRiskLevel场景风险等级划分每 个小图片的风险等级： Q： 冲突严重程度的量 化值(一个小图片中可能存在多个风险) Q＝P×M                              (3‑2) P表示记录单人人员伤亡， 分为， 轻伤(烧伤)、 重伤(截肢、 器官衰竭)、 死亡M： 财产损失， 500以下， 500‑5000， 5000‑50000， 50000及以上； (3)风险识别能力的打 分方法： 能够判断风险位置加分， 能够正确判断风险内容多加分； 其中， 个人风险能力评估 RiskDisti nguishAbi lity打分的计算公式为： D表示可能只识别出位置 0.3， 识别位置并正确识别风险内容0.7。 3.根据权利要求2所述的一种基于风险感知能力的眼动数据的采集和分析方法， 其特 征在于： 步骤一所述的相关眼动指标 数据的处 理的过程包括； (1)风险有效识别率的定义方法：权　利　要　求　书 1/4 页 2 CN 114936733 A 2风险感知有效识别程度采取打分制， 正确 识别风险得1分， 识别出风险位置但识别风险 内容错误得0.5分， 其 余情况不得分； (2)基于聚类算法的风险识别轨 迹分析方法， 具体是： 应用matlab对处理好的轨迹图进行分类将大量未知标注的数据集， 按数据的内在相似 性将数据集划分为多个类别， 使类别内的数据相似度较大而类别间的数据相似度较小； 当 给定一个有N个对象的数据集， 划分聚类的技术将构造数据的K个划分， 每个划分代表一个 簇， K<＝n； 对于给定的k， 首先给出一个初始的划分方法； 之后通过反复迭代 的方法改变划分， 使 得每一次改进之后的划分方案都较前一次更好； 所述的聚类算法公式主要为闵可夫斯基距 离Minkowski/欧式距离公式： 其中， 当p＝1时， 则是计算绝对值距离， 通常叫做曼哈顿距离， 当p＝2时， 表述的是欧式 距离； 其中， 所述的轨 迹分类过程 为： a.按照图片格式， 将每一个小图片作为一个格， 进行矩阵划分， 对大图片进行分割， 便 于后续眼动轨 迹图和热点图的位置 定位和顺序定位； b.对被试的眼动轨迹图进行重新整理， 根据热点图剔除不需要的重复的轨迹路线， 在 一的标准图片上实现重新复现被试的轨 迹图； c.通过对位置 定位和顺序定位， 结合聚类算法实现对图片轨 迹的分类； d.通过对被试风险感知轨迹中风险特性进行分析， 实现进一步的策略轨迹分类； 具体 内容如下： 首先， 获取被试这些轨迹点， 即每个被试都会对应一个轨迹点集， 将这些轨迹点连接成 线， 就可以绘制出如上的轨 迹曲线； 然后， 先拟定计算两条轨 迹曲线间距离的方法： 对于曲线A和曲线B间的距离， 先通过计算曲线A上的一点a1到曲线B 上所有点的欧式距 离最小的距离， 作为曲线A上点a1到曲线B的距离， 然后， 按照同样方法， 计算出曲线A上其余 轨迹点a2,a3, …,an到曲线B的距离， 最后， 将这些距离的平均值作为曲线A到曲线B的距离； 通过以上方法， 求得所有曲线间的距离， 并得到一个距离矩阵； 之后分析这个距离矩 阵， 并加上设定的阈值， 一 起作为曲线分类的判别条件。 4.根据权利要求3所述的一种基于风险感知能力的眼动数据的采集和分析方法， 其特 征在于： 步骤一所述的其 他眼动指标的处 理过程为： 对实获取的眼动数据进行分类、 对比， 寻找的眼动特征的差异特性及一般规律； 采用统 计检验的方法对不同类别场景下的眼动特征数据进行差异显著 性检验， 以此确定差异分析 中具有统计学意 义的数据。 5.根据权利要求4所述的一种基于风险感知能力的眼动数据的采集和分析方法， 其特 征在于： 步骤二所述的确立眼动指标的内容具体为： 利用眼动仪获取被试在视觉搜索过程中眼睛注视的对象以及对应的视线停留时长， 即权　利　要　求　书 2/4 页 3 CN 114936733 A 3