眼动轨迹是眼睛注视事物过程中注视点随时间变化的序列,它动态反映人在阅读、驾驶、运动等过程中的眼部活动情况,眼动轨迹含有非常丰富的信息。目前,从人们的眼动轨迹来解读人的思维状态已成为应用心理学的研究热点。然而,在眼动研究的众多领域中,如:阅读的眼动研究;图画观看、视觉搜索和模式识别的眼动研究;眼动的交通心理学研究;眼动在航空心理学研究中的应用、眼动在体育心理学研究中的应用等。眼动研究所采用的实验方法是:首先对被试的眼动参数(如注视时间、眼跳时间、回视时间、眼跳潜伏期、追随运动时间等)进行统计,再对统计结果进行统计学分析(如多因素方差分析),最后对统计学的结果进行分析得出实验结论。这样的研究方法都是对眼动轨迹的静态指标的分析,缺少对眼动轨迹整个动态指标的分析。为此,本研究以眼动轨迹动态指标分析方法为研究重点,结合先进的数据挖掘技术对眼动轨迹进行分析。本文以四方趣题为研究材料,通过Tobii眼动仪记录被试解题时的眼动轨迹,然后对记录的眼动轨迹数据采用综合眼动指标加权的方法进行预处理,并采用机器学习中的SVM方法对预处理后的眼动轨迹进行分析,从而通过眼动轨迹来解读人的思维状态。本文的研究方法可被推广到其他领域,如,分析驾驶员的眼动轨迹,合理设计交通管理办法,避免交通事故;分析阅读时眼动轨迹设计合理人机界面等。本文主要做了以下几方面的工作:1、为了实现眼动轨迹解读人的思维状态,本文采用了四方趣题做为研究材料,通过Tobii眼动仪来记录被试解答四方趣题过程中的眼动轨迹,从而从记录的眼动轨迹中来解读人们解答四方趣题时的思维状态。2、数据预处理是数据挖掘中最关键的一步,它关系到挖掘的质量。传统的眼动研究对数据按照注视时间、回视时间等单个眼动指标进行统计分析,不能完整反映眼动信息。本文采用的预处理方法是:对四方趣题中的各个兴趣区的注视持续时间和回视等眼动综合指标进行加权求值,从而全面地反映眼动轨迹所包含的信息。3、支持向量机(Support Vector Machine-SVM)作为新出现的机器学习方法,以其良好的分类性能受到广泛关注,取得了丰硕的研究成果。本文采用SVM对数据预处理后的眼动轨迹数据进行二分类,然后根据分类的结果来解读解题的思维状态。4、本文中的四方趣题解题策略分为七种,而传统的SVM是一种二分类的方法,为此,本文采用二叉树多分类SVM算法与聚类相结合的思想,构建一个多分类的二叉决策树层次结构,从而实现解题策略的多分类。