Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
5
spoza listy
Status:
Autorzy: Borys Magdalena, Dzieńkowski Mariusz, Bogucki Jacek, Kocki Wojciech, Kwiatkowski Bartłomiej, Pełka Jarosław, Tuszyńska-Bogucka Wioletta
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2019
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Wolumen/Tom: 252
Numer artykułu: 3021
Strony: 1 - 5
Web of Science® Times Cited: 2
Bazy: Web of Science
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: III International Conference of Computational Methods in Engineering Science (CMES’18)
Skrócona nazwa konferencji: CMES’18
URL serii konferencji: LINK
Termin konferencji: 22 listopada 2018 do 24 listopada 2018
Miasto konferencji: Kazimierz Dolny
Państwo konferencji: POLSKA
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja autorska
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 14 stycznia 2019
Abstrakty: angielski
In the presented study the usefulness of eye-tracking data for classification of architectural spaces as stressful or relaxing was examined. The eye movements and pupillary response data were collected using the eye-tracker from 202 adult volunteers in the laboratory experiment in a well-controlled environment. Twenty features were extracted from the eye-tracking data and after the selection process the features were used in automated binary classification with a variety of machine learning classifiers including neural networks. The results of the classification using eye-tracking data features yielded 68% accuracy score, which can be considered satisfactory. Moreover, statistical analysis showed statistically significant differences in eye activity patterns between visualisations labelled as stressful or relaxing.