Im Rahmen dieser Arbeit wird untersucht, wie Daten der Eye-Tracking Brille Pupil Invisible genutzt werden können, um mit Methoden der Mustererkennung Mentoring-Anlässe zu
erkennen. Die Arbeit ist Teil der Erforschung eines virtuellen Mentoring-Systems, welches
Studierende bei der Bearbeitung von Online-Learnaufgaben auf der Lernplattform OPAL
unterstützt. Als Mentoring-Anlass wird in erster Linie die Erkennung von mentaler Ermüdung untersucht, wobei Methoden der Psychologie zur Erkennung und Induktion ebendieser
genutzt werden. Dabei werden im Rahmen einer Vorstudie Eye-Tracking Daten gesammelt,
die anschließend von den Mustererkennungsalgorithmen Stützvektormaschine, Random Forest und künstlichem neuronalen Netz ausgewertet werden. Die Ergebnisse zeigen, dass die
Erkennung von mentaler Ermüdung anhand der verwendeten Methodiken möglich ist. Zusätzlich wird ein Toolkit entwickelt, um die beschriebenen Prozesse zu automatisieren und
die Einbindung in ein virtuelles Mentoring-System zu vereinfachen.:Kurzfassung, Abstract
Selbständigkeitserklärung
Vorwort
Abkürzungsverzeichnis
1 Einführung
1.1 Motivation
1.2 Zielsetzung
2 Theoretische Grundlagen
2.1 Grundlagen des Eye-Trackings
2.1.1 Grundbegriffe und Charakteristiken des Eye-Trackings
2.1.2 Arten des Eye-Trackings
2.1.3 Wichtige Algorithmen
2.2 Grundlagen der Mustererkennung
2.2.1 Vorverarbeitung
2.2.2 Merkmalsextraktion und Auswahl
2.2.3 Klassifikation und Beurteilung
2.3 Grundlagen zu mentaler Ermüdung
2.3.1 Definition
2.3.2 Abgrenzung
3 Stand der Forschung
3.1 Pupil Invisible
3.2 Erkennung von mentaler Ermüdung
3.3 Einordnung
4 Methodik und Implementierung
4.1 Vorstudie
4.1.1 Sitzungsskript
4.1.2 Einarbeitung
4.2 Datenvorverarbeitung
4.2.1 Pistol-Framework
4.2.2 Verarbeitung der Rohdaten
4.2.3 Problemspezifische Merkmalserzeugung
4.3 Klassifikationsalgorithmen
4.3.1 Optimierung
4.3.2 Klassifikation mit künstlichen neuronalen Netzen
4.3.3 Auswertung
4.4 Toolkit
5 Ergebnisse
5.1 Vorstudie
5.2 Auswahl der Merkmale
5.3 Klassifikation
6 Diskussion
7 Zusammenfassung und Ausblick
7.1 Zusammenfassung
7.2 Ausblick
Abbildungsverzeichnis
Tabellenverzeichnis
Literaturverzeichnis
Anhang
A.1 Tabellen
A.1.1 Pearson und Spearman Korrelationstests (vollständig)
A.2 Sitzungsskript
A.2.1 Ablauf
A.2.2 Durchzuführende Aufgaben / This thesis investigates how data from the eye-tracking glasses Pupil Invisible can be used
to detect mentoring occasions using pattern recognition methods. The work is part of the
research of a virtual mentoring system that supports students in completing online learning
tasks on the OPAL learning platform. As a mentoring occasion, the detection of mental
fatigue is primarily investigated, using methods from psychology for the detection and induction of just that. In this regard, eye-tracking data is collected as part of a preliminary
study, which is then evaluated by the support vector machine, random forest and artificial
neural network pattern recognition algorithms. The results show that the detection of mental fatigue is possible based on the methodologies used. In addition, a toolkit is developed to
automate the described processes to facilitate their incorporation into a virtual mentoring
system.:Kurzfassung, Abstract
Selbständigkeitserklärung
Vorwort
Abkürzungsverzeichnis
1 Einführung
1.1 Motivation
1.2 Zielsetzung
2 Theoretische Grundlagen
2.1 Grundlagen des Eye-Trackings
2.1.1 Grundbegriffe und Charakteristiken des Eye-Trackings
2.1.2 Arten des Eye-Trackings
2.1.3 Wichtige Algorithmen
2.2 Grundlagen der Mustererkennung
2.2.1 Vorverarbeitung
2.2.2 Merkmalsextraktion und Auswahl
2.2.3 Klassifikation und Beurteilung
2.3 Grundlagen zu mentaler Ermüdung
2.3.1 Definition
2.3.2 Abgrenzung
3 Stand der Forschung
3.1 Pupil Invisible
3.2 Erkennung von mentaler Ermüdung
3.3 Einordnung
4 Methodik und Implementierung
4.1 Vorstudie
4.1.1 Sitzungsskript
4.1.2 Einarbeitung
4.2 Datenvorverarbeitung
4.2.1 Pistol-Framework
4.2.2 Verarbeitung der Rohdaten
4.2.3 Problemspezifische Merkmalserzeugung
4.3 Klassifikationsalgorithmen
4.3.1 Optimierung
4.3.2 Klassifikation mit künstlichen neuronalen Netzen
4.3.3 Auswertung
4.4 Toolkit
5 Ergebnisse
5.1 Vorstudie
5.2 Auswahl der Merkmale
5.3 Klassifikation
6 Diskussion
7 Zusammenfassung und Ausblick
7.1 Zusammenfassung
7.2 Ausblick
Abbildungsverzeichnis
Tabellenverzeichnis
Literaturverzeichnis
Anhang
A.1 Tabellen
A.1.1 Pearson und Spearman Korrelationstests (vollständig)
A.2 Sitzungsskript
A.2.1 Ablauf
A.2.2 Durchzuführende Aufgaben
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:87478 |
| Date | 18 October 2023 |
| Creators | Jülg, Dominik |
| Contributors | Hochschule für Technik, Wirtschaft und Kultur |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:masterThesis, info:eu-repo/semantics/masterThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds