CN112932487B - 基于眼动、心率变异性和行为的人机实验数据分析方法 - Google Patents
基于眼动、心率变异性和行为的人机实验数据分析方法 Download PDFInfo
- Publication number
- CN112932487B CN112932487B CN202110087889.1A CN202110087889A CN112932487B CN 112932487 B CN112932487 B CN 112932487B CN 202110087889 A CN202110087889 A CN 202110087889A CN 112932487 B CN112932487 B CN 112932487B
- Authority
- CN
- China
- Prior art keywords
- data
- experiment
- control
- heart rate
- rate variability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002474 experimental method Methods 0.000 title claims abstract description 113
- 230000004424 eye movement Effects 0.000 title claims abstract description 50
- 230000006399 behavior Effects 0.000 title claims abstract description 49
- 238000007405 data analysis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000013461 design Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011157 data evaluation Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于眼动、心率变异性和行为的人机实验数据分析方法,包括如下步骤:(1)采集眼动、心率变异性和行为的人机实验数据;(2)利用灰色模型扩充样本数据量;(3)建立眼动、心率变异性和行为的分析模型以及综合分析模型;(4)计算人机实验数据残差平均值;(5)建立实验组和对照组的误差范围[Z实验‑σ实验,Z实验+σ实验]和[Z对照‑σ对照,Z对照+σ对照],根据两段误差范围的相交情况得出分析结论,最终得出用户在脚本任务中对服务设计的体验情况,进而判断服务设计的合理性。本发明的数据分析方法提供了对服务设计中人机数据进行量化处理的分析方法,可以科学准确地判断服务设计的合理性,避免主观判断的模糊性和不确定性。
Description
技术领域
本发明涉及一种人机实验数据的分析方法,尤其是一种基于眼动、心率变异性和行为的数据分析方法。
背景技术
近年来,随着设计热点从产品、交互、用户体验等向服务方面的转移,以服务经济为主导的服务设计时代已经来临。服务设计主要产生和发展于计算机、通信、工业设计和管理学等领域,以用户为中心,提供了系统性和创造性的方法来提高服务质量,促进服务提供商与消费者之间的互动。
传统的工业设计以设计师的灵感创作为来源,在判断服务设计好坏时多为设计师和研究员的主观判断,缺乏一定的科学性和准确性,随着新IT时代的到来,信息技术的发展使得研究者可以获取用户在使用服务过程中产生的各类数据。目前常用的是眼动和脑电数据,但测量脑电时对人体侵入感强,使人产生不适,且数据可用率不高;眼动追踪的效果较好,但仅用眼动数据很难完整准确地进行分析和判断。目前仍没有完善的数据分析方法可以定量地对服务设计人机实验的数据进行科学分析,从而判断服务设计的合理性以及用户需求。
发明内容
发明目的:本发明的目的是提供一种人机实验数据的分析方法,用于定量地判断用户对服务设计的体验效果,进而判断服务设计的合理性。
技术方案:本发明所述的一种基于眼动、心率变异性和行为的人机实验数据分析方法包括如下步骤:
(11)采集实验组和对照组的眼动、心率变异性和行为的人机实验数据,建立数据样本库;
(12)利用GM(1,1)灰色模型对样本进行数据量扩充;
(13)建立眼动数据、心率变异性数据和行为数据的分析矩阵E、H和B,建立综合分析矩阵Z,所述Z=[E,H,B];所诉综合分析矩阵包括实验组综合分析矩阵Z实验和对照组综合分析矩阵Z对照;
(14)计算每项任务中的眼动数据、心率变异性数据及行为数据的残差平均值,所述残差平均值的计算公式为:
其中X*(k)为每项任务中各指标的人机数据值,m为脚本任务数;
分别计算实验组和对照组各项任务指标数据的残差平均值σ实验和σ对照,计算误差范围[Z实验-σ实验,Z实验+σ实验]和[Z对照-σ对照,Z对照+σ对照],根据所述两个误差范围的相交情况得出分析结果。
所述实验组样本数量不少于4组,所述对照组样本数量大于1组,当对照组样本数量为1组时,所述步骤(4)中根据[Z实验-σ实验,Z实验+σ实验]与Z对照的交集得出分析结果。
步骤(12)中扩充数据量的方法为:
(21)将输入的人机实验数据X(0)进行累加,生成一次累加生成序列X(1);所述X(0)={x(0)(1),x(0)(2),…,x(0)(n)},所述X(1)={x(1)(1),x(1)(2),…,x(1)(n)},其中n为测得数据个数;
(22)检验X(0)的光滑性和X(1)的准指数规律,构建GM(1,1)模型;所述GM(1,1)模型为:
其中a,b为最小二乘估计参数;
眼动数据分析矩阵E的计算方法为:
(41)建立被试者在脚本任务aj中的眼动数据集合Q:
Q={qij(e)},i=1,2,…,n;j=1,2,…,m
其中,e={e1,e2,…,ed}为眼动数据指标集合,qij(e)为被试者的在脚本任务aj中实验指标数据,d为指标数据个数,n为被试者人数,m为脚本任务数;
其中qnj(e)为第n个被试者在脚本任务aj中的实验指标数据;
(43)以m个脚本任务的眼动数据分析值建立矩阵E:
(44)分别计算实验组和对照组的眼动数据分析矩阵E实验和E对照。
心率变异性数据分析矩阵H的计算方法为:
(51)建立被试者在脚本任务aj中的心率变异性数据矩阵R:
其中rnm为第n个被试者在第m个脚本任务中的心率变异性数据;
其中rnj为第n个被试者在脚本任务aj中的心率变异性实验的指标数据;
(53)以m个脚本任务的心率变异性数据分析值建立矩阵H:
(54)分别求得实验组和对照组的心率变异性数据分析矩阵H实验与H对照。行为数据分析矩阵B的计算方法为:
(61)建立行为数据元素集合矩阵L:
其中lnm为第n个被试者在第m个脚本任务中的行为数据;
其中lnj为第n个被试者在脚本任务aj中的行为实验的指标数据;
(63)以m个任务的行为数据分析值建立矩阵B:
(64)分别求得实验组和对照组的行为数据评估矩阵B实验与B对照。
有益效果:(1)从眼动、心率变异性和行为三个方面进行人机实验数据分析,可以多角度地全面地分析用户的体验效果,且数据易采集、有效率高;(2)采用灰色模型进行数据量扩充,克服了人机实验小样本用研,样本量少,无法精确地进行统计分析的缺陷;(3)建立分析误差范围,可以定量地分析用户体验效果,进而判断服务设计的合理性,克服了人为评估的模糊性和主观性;(4)将工程和定量分析的技术手段应用于服务设计的评估中,促进工业设计领域的信息化建设和发展。
附图说明
图1为本发明的分析方法流程图;
图2为本发明的分析依据图;
图3为本发明的实施例中的分析结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,所述基于眼动、心率变异性和行为的人机实验数据分析方法,包括如下步骤:
(1)采集眼动、心率变异性和行为的人机实验数据,建立数据样本库。
被试者完成脚本任务,脚本任务集合为A={a1,a2,a3,…,am},其中,m表示脚本任务数,取aj表示脚本任务集合中的任一元素;被试者集合为P={p1,p2,p3,…,pn},其中,n表示被试者人数,取pi表示被试者集合中的任一元素。
眼动数据为综合的眼动指标数据,包含首次注视时间、平均注视时间、注视总时间、注视点数、眼跳次数、眨眼次数等参数指标;心率变异性数据为频域分析中的LF(低频功率)/HF(高频功率)值;行为数据为完成真正任务的时长,实验外部因素所导致的行为时长予以剔除。
(2)扩充样本数据
由于人机实验为小样本用研,样本量较小,为了方便进行后续的统计和分析,使用GM(1,1)灰色模型对输入的样本数据量进行扩充,为使扩充数据后的数据达到精度要求,至少需要输入4组数据,且扩充后的数据量为原数据量的整数倍。因此规定实验组的数据量需不少于4组方为有效数据;对照组数据本身具有典型性和稳定性,数据量小于4组时同样具有参考意义。
将输入的人机数据定义为X(0),X(0)={x(0)(1),x(0)(2),…,x(0)(n)},其中,x(0)(k)表示输入的人机数据测量值。令X(1)={x(1)(1),x(1)(2),…,x(1)(n)},其中,X(1)为数列X(0)的一次累加生成数列,n为测得数据个数。经检验原始序列X(0)的光滑性和生成序列X(1)的准指数规律后,构建GM(1,1)模型,求得X(1)的模拟值即:
(3)建立数据分析矩阵
(3-1)建立眼动数据分析矩阵
根据数组X中的眼动数据,得到眼动实验的指标数据集合Q:
Q={qij(e)},i=1,2,…,n;j=1,2,…,m
其中,行向量qij(e)表示被试者pi在脚本任务aj中的眼动实验的各项指标数据,n表示被试者人数,m表示脚本任务数。e={e1,e2,…,ed}是眼动实验的指标数据集合,实验设计者根据实验需求选择,其中d表示指标数据个数。
其中,qnj(e)表示第n个被试者在脚本任务aj中的眼动实验的指标数据,m表示脚本任务数。
以m个脚本任务的眼动数据分析值建立矩阵,得到眼动数据的分析矩阵E:
分别求得实验组和对照组的眼动数据分析矩阵E实验与E对照。
(3-2)建立心率变异性数据分析矩阵
根据数组X中的心率变异性数据,即被试者pi在脚本任务aj中的LF/HF值,建立心率变异性数据元素集合矩阵R:
其中,rnm表示第n个被试者在第m个脚本任务中的心率变异性数据。
其中,rnj表示第n个被试者在脚本任务aj中的心率变异性实验的指标数据,m表示脚本任务数。
以m个脚本任务的心率变异性数据分析值建立矩阵,得到心率变异性数据的分析矩阵H:
分别求得实验组和对照组的心率变异性数据分析矩阵H实验与H对照。
(3-3)建立行为数据分析矩阵
根据数组X中的行为数据,即被试者pi在脚本任务aj中完成真正任务的时长,建立行为数据元素集合矩阵L:
其中,lnm表示第n个被试者在第m个脚本任务中的行为数据。
其中,lnj表示第n个被试者在脚本任务aj中的行为实验的指标数据,m表示脚本任务数。
以m个任务的行为数据分析值建立矩阵,得到行为数据的分析矩阵B:
分别求得实验组和对照组的行为数据分析矩阵B实验与B对照。
(3-4)建立综合分析矩阵
将眼动数据的分析矩阵E、心率变异性数据的分析矩阵H、行为数据的分析矩阵B构建成新的综合分析矩阵Z:
Z是m×n的矩阵,表示值机体验过程中乘客在眼动、心率变异性、行为三个维度的综合分析值。分别求得实验组和对照组的综合分析矩阵Z实验与Z对照。
(4)计算误差范围,输出分析结果
计算每项脚本任务中眼动数据、心率变异性数据及行为数据的残差平均值,其公式为:
其中,X*(k)表示每项任务中各指标的人机数据值,m表示脚本任务数。
分别求出实验组和对照组各项任务指标数据的残差平均值σ实验和σ对照,进而得到实验组和对照组的误差范围[Z实验-σ实验,Z实验+σ实验]和[Z对照-σ对照,Z对照+σ对照]。
如图2所示,将实验组与对照组的分析结果进行对比,对比结果分为实验组和对照组的误差范围有交集和无交集两种情况,即:
[Z实验-σ实验,Z实验+σ实验]∩[Z对照-σ对照,Z对照+σ对照]≠0;
[Z实验-σ实验,Z实验+σ实验]∩[Z对照-σ对照,Z对照+σ对照]=0。
如果对照组的样本数据为1个,则无法用灰色模型进行扩充,也无法计算残差平均值,因此采用[Z实验-σ实验,Z实验+σ实验]与Z对照的结果做对比,Z对照在[Z实验-σ实验,Z实验+σ实验]范围内相当于实验组和对照组的误差范围有交集,Z对照不在[Z实验-σ实验,Z实验+σ实验]范围内相当于实验组和对照组的误差范围无交集。
在同一项脚本任务中实验组和对照组的误差范围有交集的指标项多于无交集的指标项,即实验组与对照组的分析结果接近,可判断出实验组的被试者可较为顺利地完成脚本任务,进而得出该任务的服务设计合理性较强,且存在交集的指标项数越多时,设计越合理;当有交集的指标项数少于无交集的指标项数时,表示实验组与对照组相比存在偏差,因此判断该项任务中涉及的服务设计欠缺合理性,且无交集的指标项数越多时,设计越不合理。
实施例:
以值机体验服务设计为例分析被试者的眼动、心率变异性和行为人机实验数据。
(1)选择1位资深用户作为对照组,选择4位普通用户作为实验组。
(2)输入自助/人工值机、获取行程单、托运行李、寻找指定地点及寻找航班信息5个脚本任务中,实验组与对照组被试者的眼动数据、心率变异性数据及行为数据。
(3)对实验组的数据进行扩充,使数据量达到原始数据量的整数倍,并将扩充后的数据与原数据一起合并成新数组X;对照组的用户为1位,不进行数据扩充。
(4)眼动数据选择而注视点数和注视时间两个指标,取d=2;心率变异性数据为LF/HF值;行为数据为完成真正任务的时长。建立实验组和对照组的分析矩阵:
HT 实验=[4.76,2.82,4.21,2.90,1.23],
HT 对照=[1.55,4.36,4.16,0.25,0.30];
BT 实验=[101.28,80.88,381.49,373.26,26.37],
BT 对照=[35.32,37.76,57.08,369.12,4.07];
建立实验组和对照组的综合分析矩阵:
(5)在本实施例中对照组的样本数据为1个,无法进行数据量扩充,也无法计算残差平均值,因此采用[Z实验-σ实验,Z实验+σ实验]与Z对照的结果做对比,Z对照在[Z实验-σ实验,Z实验+σ实验]范围内相当于实验组和对照组的误差范围有交集,Z对照不在[Z实验-σ实验,Z实验+σ实验]范围内相当于实验组和对照组的误差范围无交集。
计算实验组在各项任务中的残差平均值,得到误差范围[Z实验-σ实验,Z实验+σ实验]。
(6)分析每项脚本任务中[Z实验-σ实验,Z实验+σ实验]和Z对照的相交情况,如图3所示,根据分析结果,在自助/人工值机、托运行李、寻找指定地点任务中,对照组指标评估值仅有1项在其对应的实验组评估值范围内,即有3项指标[Z实验-σ实验,Z实验+σ实验]∩Z对照=0;在寻找航班信息任务中,对照组指标评估值均不在其对应的实验组评估值范围内,即有4项指标[Z实验-σ实验,Z实验+σ实验]∩Z对照=0;而在获取行程单任务中,2项指标[Z实验-σ实验,Z实验+σ实验]∩Z对照=0,2项指标[Z实验-σ实验,Z实验+σ实验]∩Z对照≠0。
(7)根据上述结果,在寻找航班信息、自助/人工值机、托运行李、寻找指定地点任务中,不存在交集的指标数远大于存在交集的指标数,触点设计极为不合理,亟需优化;在获取行程单任务中,两项指标有交集,两项指标无交集,设计触点亦需要优化,但在成本有限的情况下可暂缓。因此五项任务中涉及的服务触点均存在设计欠合理处。
Claims (5)
1.一种基于眼动、心率变异性和行为的人机实验数据分析方法,其特征在于,包括如下步骤:
(11)采集实验组和对照组的眼动、心率变异性和行为的人机实验数据,建立数据样本库;
(12)利用GM(1,1)灰色模型对样本进行数据量扩充;
(13)建立眼动数据、心率变异性数据和行为数据的分析矩阵E、H和B,建立综合分析矩阵Z,所述Z=[E,H,B];所述综合分析矩阵包括实验组综合分析矩阵Z实验和对照组综合分析矩阵Z对照;
(14)计算每项任务中的眼动数据、心率变异性数据及行为数据的残差平均值,所述残差平均值的计算公式为:
其中X*(k)为每项任务中各指标的人机数据值,m为脚本任务数;
分别计算实验组和对照组各项任务指标数据的残差平均值σ实验和σ对照,所述实验组样本数量不少于4组,计算实验组的误差范围[Z实验-σ实验,Z实验+σ实验];所述对照组样本数量大于1组时,计算对照组的误差范围[Z对照-σ对照,Z对照+σ对照],所述对照组数量等于1时,对照组的误差范围等于Z对照根据所述实验组和对照组的误差范围的相交情况得出分析结果;
在同一项任务中,若实验组和对照组的误差范围有交集的指标项多于无交集的指标项,则任务的服务设计合理;若实验组和对照组的误差范围有交集的指标项不多于无交集的指标项,则任务的服务设计不合理。
2.根据权利要求1所述的基于眼动、心率变异性和行为的人机实验数据分析方法,其特征在于,所述步骤(12)中扩充数据量的方法为:
(21)将输入的人机实验数据X(0)进行累加,生成一次累加生成序列X(1);所述X(0)={x(0)(1),x(0)(2),…,x(0)(n)},所述X(1)={x(1)(1),x(1)(2),…,x(1)(n)},其中n为测得数据个数;
(22)检验X(0)的光滑性和X(1)的准指数规律,构建GM(1,1)模型;所述GM(1,1)模型为:
其中a,b为最小二乘估计参数,k表示第k个测得数据,k=1,2,3…n;
3.根据权利要求1所述的基于眼动、心率变异性和行为的人机实验数据分析方法,其特征在于,所述眼动数据分析矩阵E的计算方法为:
(41)建立被试者在脚本任务aj中的眼动数据集合Q:
Q={qij(e)},i=1,2,…,n;j=1,2,…,m
其中,e={e1,e2,…,ed}为眼动数据指标集合,qij(e)为被试者的在脚本任务aj中实验指标数据,d为指标数据个数,n为被试者人数,m为脚本任务数;
其中qnj(e)为第n个被试者在脚本任务aj中的实验指标数据;
(43)以m个脚本任务的眼动数据分析值建立矩阵E:
(44)分别计算实验组和对照组的眼动数据分析矩阵E实验和E对照。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087889.1A CN112932487B (zh) | 2021-01-22 | 2021-01-22 | 基于眼动、心率变异性和行为的人机实验数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087889.1A CN112932487B (zh) | 2021-01-22 | 2021-01-22 | 基于眼动、心率变异性和行为的人机实验数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112932487A CN112932487A (zh) | 2021-06-11 |
CN112932487B true CN112932487B (zh) | 2021-11-23 |
Family
ID=76235880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087889.1A Active CN112932487B (zh) | 2021-01-22 | 2021-01-22 | 基于眼动、心率变异性和行为的人机实验数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112932487B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2937045C (en) * | 2014-01-29 | 2020-07-14 | Dignity Health | Systems and methods for using eye movements to determine states |
DE102015113929A1 (de) * | 2014-08-21 | 2016-02-25 | Affectomatics Ltd. | Bewertung und Benachrichtigungen auf der Grundlage affektiver Reaktionen der Crowd |
EP3332322A4 (en) * | 2015-08-06 | 2018-08-22 | Avishai Abrahami | Cognitive state alteration system integrating multiple feedback technologies |
US20170278125A1 (en) * | 2016-02-26 | 2017-09-28 | Edatanetworks Inc. | Loyalty program incenting merchant tranacation with customer affinity |
CN107239738A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种融合眼动技术与心率检测技术的情感分析方法 |
CN108805089B (zh) * | 2018-06-14 | 2021-06-29 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN110059232B (zh) * | 2019-03-15 | 2021-05-07 | 杭州电子科技大学 | 一种基于用户体验度量的数据可视化方法 |
CN111311070B (zh) * | 2020-01-20 | 2020-12-25 | 南京航空航天大学 | 联合脑电和眼动并结合用户相似度的产品设计方案决策方法 |
CN112137627B (zh) * | 2020-09-10 | 2021-08-03 | 北京津发科技股份有限公司 | 智能人因测评和训练方法及系统 |
-
2021
- 2021-01-22 CN CN202110087889.1A patent/CN112932487B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112932487A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
Çebi et al. | An Application of Fuzzy Analytic Hierarchy Process (FAHP) for Evaluating Students' Project. | |
Clerx et al. | Four ways to fit an ion channel model | |
Zhu et al. | A novel approximation to dynamic time warping allows anytime clustering of massive time series datasets | |
CN105426929B (zh) | 对象形状对准装置、对象处理装置及其方法 | |
Shih et al. | A multiattribute GDSS for aiding problem-solving | |
Saadi et al. | Forecasting travel behavior using Markov Chains-based approaches | |
CN110704293B (zh) | 一种三维多通道界面可用性评估方法 | |
CN111222847A (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
Alshehri | Multicriteria Decision Making (MCDM) Methods for Ranking Estimation Techniques in Extreme Programming. | |
CN111523738A (zh) | 基于用户在线学习行为模式预测学习效果的系统及预测方法 | |
CN112932487B (zh) | 基于眼动、心率变异性和行为的人机实验数据分析方法 | |
CN105183804B (zh) | 一种基于本体的聚类服务方法 | |
Abulalqader et al. | Comparing different estimation methods for software effort | |
Lo | Building a relationship between elements of product form features and vocabulary assessment models | |
Gerbeau et al. | How to choose biomarkers in view of parameter estimation | |
WO2020225959A1 (ja) | 設計支援システム、設計支援方法および設計支援プログラム | |
Daniati | Decision support system to deciding thesis topic | |
Bond et al. | A framework for interactive t-sne clustering | |
Raman et al. | Non-parametric hidden conditional random fields for action classification | |
Pascual et al. | Proposal of an Intuitive Interface Structure for Ergonomics Evaluation Software | |
Catana et al. | Maximum likelihood versus likelihood-free quantum system identification in the atom maser | |
Adeyemi et al. | High-level online user attribution model based on human Polychronic-Monochronic tendency | |
Riandari et al. | Student graduation value analysis based on external factors with C4. 5 Algorithm | |
Felt et al. | Learning from measurements in crowdsourcing models: Inferring ground truth from diverse annotation types |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |