簡介本資源是一套面向認知科學、人機交互與用戶體驗研究者的Python眼動數據分析工具包聚焦注視點軌跡繪制與熱圖生成兩大核心任務解決眼動原始數據難以直觀呈現、視覺行為模式難量化的問題。壓縮包共5個文件3個核心Python模塊、1份依賴說明、1份項目文檔總大小僅17KB輕量高效gaze_visualizer.py負責軌跡動畫與多維熱圖渲染eyetracking_analyzer.py實現注視檢測、AOI劃分與掃視識別main.py提供開箱即用的分析流程。已有126人下載學習適合具備基礎Python能力的研究者或工程師快速開展眼動數據可視化實踐——無需從零編碼可直接加載CSV/TSV格式眼動數據一鍵生成帶時間軸的注視路徑動畫、自適應平滑熱圖及注視時長分布統計圖表并支持多被試對比與興趣區域定量分析。1. 項目概述從數據到洞察眼動追蹤可視化的核心價值眼動追蹤技術聽起來像是實驗室里的高端玩意兒但如今它正快速滲透到用戶體驗研究、廣告效果評估、心理學實驗乃至游戲交互設計等眾多領域。簡單來說它記錄的是人眼在觀察一個界面、一張圖片或一段視頻時視線焦點的移動軌跡。然而原始的眼動數據只是一系列帶有時間戳的坐標點X Y對于非專業人士而言這無異于天書。這就是數據可視化登場的時候——它的使命是將這些冰冷的坐標轉化為直觀、易懂的視覺故事讓“眼睛在看哪里”這個核心問題一目了然。這個項目的核心就是使用Python這一強大的數據科學工具鏈實現眼動數據的兩種經典可視化注視點軌跡圖和熱力圖。軌跡圖如同給視線畫出了一條“行走路徑”清晰展示視覺搜索的順序和路徑熱力圖則像給界面做了一次“熱度掃描”用顏色深淺直觀呈現哪些區域吸引了最多的注意力。對于產品經理、交互設計師、市場研究員或者心理學學生來說掌握這套從原始數據到可視化洞察的完整流程意味著你能夠獨立完成一次專業的眼動數據分析而無需依賴昂貴或封閉的商業軟件。我之所以選擇Python來實現是因為它的生態足夠強大且靈活。從數據處理Pandas NumPy到科學計算SciPy再到可視化Matplotlib Seaborn乃至交互PlotlyPython提供了一站式的解決方案。更重要的是整個過程是透明、可定制、可復現的。你可以完全控制從數據清洗、濾波到最終圖表渲染的每一個環節并根據你的具體研究問題調整可視化參數這是很多“黑箱”商業軟件無法比擬的優勢。接下來我將拆解整個流程從數據準備到兩種核心圖表的生成并分享我在實際項目中積累的實操技巧和避坑指南。2. 核心思路與工具選型構建高效可復現的分析流水線面對眼動數據可視化一個清晰的頂層設計能讓你事半功倍。我的核心思路是構建一條標準化的數據處理與可視化流水線其流程可以概括為原始數據接入 - 數據清洗與預處理 - 空間與時間維度分析 - 可視化渲染 - 結果解讀。這條流水線的每個環節都依賴特定的Python工具選型的理由在于它們的成熟度、性能以及彼此間無縫協作的能力。2.1 數據處理基石Pandas與NumPy原始眼動數據可能來自Tobii、EyeLink、SMI等不同品牌的設備導出格式多為CSV或TXT。Pandas的DataFrame是處理這類表格數據的絕佳容器。它不僅能輕松完成數據讀取、列篩選、缺失值處理其強大的分組、聚合和時間序列操作功能對于按試次、被試或時間段分析數據至關重要。而NumPy則為底層數值計算提供支持例如計算注視點之間的距離、持續時間統計等其數組操作效率遠高于純Python循環。注意不同設備導出的數據列名可能不同。常見的必要列包括timestamp時間戳、gaze_point_x、gaze_point_y注視點坐標通常以像素或標準化坐標表示、fixation_index注視點索引如果設備已在線識別、pupil_diameter瞳孔直徑可選。在數據讀取后第一步永遠是統一列名并理解其物理含義。2.2 可視化核心Matplotlib與SeabornMatplotlib是Python繪圖的基石功能強大但API較為底層。Seaborn基于Matplotlib提供了更高級的統計圖形接口和美觀的默認樣式特別適合繪制熱力圖。對于注視點軌跡我們需要精細控制每個點、每條線的樣式Matplotlib的靈活性是首選。對于熱力圖Seaborn的heatmap函數可以一鍵生成并輕松集成相關性矩陣或聚合統計量。此外為了在靜態圖中展示時間序列Matplotlib的動畫模塊FuncAnimation或簡單的顏色漸變映射也是常用技巧。2.3 交互與進階Plotly與自定義算法如果你的分析報告需要交互式探索例如鼠標懸停查看具體數據點、縮放局部熱點區域那么Plotly的express或graph_objects模塊是理想選擇。它可以生成HTML格式的交互圖表直接嵌入網頁或Jupyter Notebook中。在算法層面對于原始注視點數據的清洗可能需要用到基于速度或散度的算法如I-VT I-DT來識別真正的“注視點”這可以借助SciPy的信號處理功能或自行實現。2.4 環境搭建與項目結構一個清晰的項目結構有助于維護和復現。我通常這樣組織eyetracking_visualization/ ├── data/ │ ├── raw/ # 存放原始數據文件 │ └── processed/ # 存放清洗后的數據 ├── notebooks/ # Jupyter Notebook用于探索性分析 ├── src/ # 源代碼模塊 │ ├── data_loader.py # 數據加載與清洗函數 │ ├── visualization.py # 軌跡圖、熱圖繪制函數 │ └── analysis.py # 統計分析函數 ├── config.yaml # 配置文件如屏幕分辨率、閾值參數 └── requirements.txt # 項目依賴包列表使用requirements.txt管理依賴是專業做法內容大致如下pandas1.4.0 numpy1.21.0 matplotlib3.5.0 seaborn0.11.0 plotly5.10.0 scipy1.8.0 jupyter通過pip install -r requirements.txt即可一鍵搭建環境。這種結構化的方式尤其適合團隊協作或需要多次運行的分析項目。3. 數據預處理實戰清洗、映射與注視點識別拿到原始數據后直接繪圖往往得到的是雜亂無章的噪音。高質量的可視化始于干凈的數據。預處理主要包括三個步驟數據清洗、坐標映射以及關鍵的注視點事件識別。3.1 數據清洗處理缺失值與異常點眼動儀可能因眨眼、頭部移動或跟蹤丟失而產生無效數據。這些點通常表現為坐標值為NaN、0或超出屏幕物理范圍。import pandas as pd import numpy as np def load_and_clean_data(filepath, screen_width1920, screen_height1080): 加載并清洗眼動數據。 假設數據包含列timestamp, gaze_x, gaze_y df pd.read_csv(filepath) # 1. 處理缺失值直接刪除或插值謹慎使用 df_clean df.dropna(subset[gaze_x, gaze_y]) # 2. 剔除明顯異常點坐標超出屏幕范圍或為0 valid_x (df_clean[gaze_x] 0) (df_clean[gaze_x] screen_width) valid_y (df_clean[gaze_y] 0) (df_clean[gaze_y] screen_height) df_clean df_clean[valid_x valid_y] # 3. 基于速度的簡單濾波可選移除瞬時跳躍點 # 計算逐點速度像素/毫秒 df_clean[delta_x] df_clean[gaze_x].diff() df_clean[delta_y] df_clean[gaze_y].diff() df_clean[delta_t] df_clean[timestamp].diff() df_clean[velocity] np.sqrt(df_clean[delta_x]**2 df_clean[delta_y]**2) / df_clean[delta_t] df_clean df_clean[df_clean[velocity] 100] # 設置一個經驗速度閾值 return df_clean.reset_index(dropTrue)實操心得速度閾值如100像素/毫秒需要根據你的數據采樣率和屏幕尺寸進行校準。一個經驗法則是超過這個速度的眼動更可能是掃視saccade過程中的數據或噪音而非有效的注視。可以先繪制速度分布直方圖來觀察并確定閾值。3.2 坐標映射從數據空間到圖像空間你的刺激材料如圖片、網頁截圖和眼動數據可能存在于不同的坐標空間。例如眼動數據可能是屏幕分辨率坐標0-1920 0-1080而你的背景圖可能是另一尺寸。必須將注視點坐標精確映射到背景圖上。def map_coordinates(df, stim_width, stim_height, screen_width, screen_height): 將注視點坐標從屏幕空間線性映射到刺激材料空間。 假設刺激材料已等比例適配屏幕常見情況。 # 線性映射 df[mapped_x] df[gaze_x] * (stim_width / screen_width) df[mapped_y] df[gaze_y] * (stim_height / screen_height) return df如果刺激材料在屏幕上的位置有偏移例如居中顯示但四周有黑邊則需要更復雜的映射考慮偏移量offset。關鍵在于記錄實驗呈現時的準確布局參數。3.3 注視點識別從連續采樣點到有意義事件原始數據是高速采樣的凝視點我們需要將其聚類成具有心理學意義的“注視點”——即視線在空間上相對穩定停留的一段時間。這里介紹一種最常用的速度閾值算法I-VT。from scipy import signal import matplotlib.pyplot as plt def identify_fixations_ivt(df, velocity_threshold30, min_duration100): 使用I-VT算法識別注視點。 :param velocity_threshold: 速度閾值單位像素/毫秒 :param min_duration: 最小注視持續時間單位毫秒 :return: 添加了fixation_id列的DataFrame # 計算速度沿用清洗時的速度或重新計算 if velocity not in df.columns: # ... 計算速度代碼 ... pass # 二值化低于閾值為潛在注視點1高于為掃視0 df[is_fixation_candidate] df[velocity] velocity_threshold # 找到連續為True的片段 df[fixation_group] (df[is_fixation_candidate] ! df[is_fixation_candidate].shift()).cumsum() df.loc[~df[is_fixation_candidate], fixation_group] -1 # 將非候選點標記為-1 # 計算每個候選片段的持續時間 fixation_groups df[df[fixation_group] ! -1].groupby(fixation_group) group_durations fixation_groups[timestamp].apply(lambda x: x.max() - x.min()) # 篩選出持續時間大于最小閾值的片段并分配注視點ID valid_groups group_durations[group_durations min_duration].index fixation_id_map {old_id: new_id for new_id, old_id in enumerate(valid_groups, start1)} df[fixation_id] df[fixation_group].map(fixation_id_map) # 計算每個注視點的平均坐標和開始、結束時間 fixations_summary df[df[fixation_id].notna()].groupby(fixation_id).agg({ mapped_x: mean, mapped_y: mean, timestamp: [min, max] }).round(2) fixations_summary.columns [fixation_x, fixation_y, start_time, end_time] fixations_summary[duration] fixations_summary[end_time] - fixations_summary[start_time] return df, fixations_summary這個函數最終輸出兩個結果1標記了每個采樣點所屬注視點ID的原始數據框2一個注視點摘要表包含每個注視點的中心坐標、起止時間和持續時間。這個摘要表是后續可視化的直接輸入。4. 注視點軌跡圖實現繪制視覺的“足跡”注視點軌跡圖通過按時間順序連接注視點中心直觀展示視覺掃描路徑。它揭示了觀察者的注意轉移順序、回視行為等模式。4.1 基礎靜態軌跡圖繪制我們使用Matplotlib以刺激材料為背景繪制注視點序列。import matplotlib.pyplot as plt from matplotlib.patches import Circle import matplotlib.cm as cm def plot_fixation_trajectory(fixations_df, background_image_pathNone, image_sizeNone): 繪制注視點軌跡圖。 :param fixations_df: 注視點摘要DataFrame需包含fixation_x, fixation_y, duration, 且按時間排序 :param background_image_path: 背景圖片路徑 :param image_size: 背景圖片尺寸寬高用于設置坐標軸范圍 fig, ax plt.subplots(figsize(12, 8)) # 1. 設置背景 if background_image_path: img plt.imread(background_image_path) if image_size: ax.imshow(img, extent[0, image_size[0], image_size[1], 0]) # 注意y軸方向 else: ax.imshow(img) ax.set_xlim(0, image_size[0] if image_size else img.shape[1]) ax.set_ylim(image_size[1] if image_size else img.shape[0], 0) # 原點在左上角 else: # 如果沒有背景圖根據數據范圍設置坐標軸 ax.set_xlim(fixations_df[fixation_x].min() - 50, fixations_df[fixation_x].max() 50) ax.set_ylim(fixations_df[fixation_y].max() 50, fixations_df[fixation_y].min() - 50) # Y軸反向 ax.set_aspect(equal) # 2. 繪制注視點及連線 # 按時間順序繪制連線 x_coords fixations_df[fixation_x].values y_coords fixations_df[fixation_y].values ax.plot(x_coords, y_coords, o-, colorred, linewidth1.5, markersize4, alpha0.7, labelGaze Path) # 3. 用散點大小表示注視持續時間 # 將持續時間映射到點的大小范圍例如50-400平方像素 dur_min, dur_max fixations_df[duration].min(), fixations_df[duration].max() if dur_max dur_min: sizes 50 350 * (fixations_df[duration] - dur_min) / (dur_max - dur_min) else: sizes 200 # 如果所有持續時間相同使用默認大小 scatter ax.scatter(x_coords, y_coords, ssizes, crange(len(fixations_df)), cmapviridis, alpha0.6, edgecolorsblack, linewidth0.5, zorder5) # 4. 添加起始點標記 ax.scatter(x_coords[0], y_coords[0], s200, marker^, colorgreen, edgecolorsdarkgreen, linewidth2, zorder10, labelStart) ax.scatter(x_coords[-1], y_coords[-1], s200, markers, colorblue, edgecolorsdarkblue, linewidth2, zorder10, labelEnd) # 5. 添加注視點序號 for i, row in fixations_df.iterrows(): ax.annotate(str(i1), (row[fixation_x], row[fixation_y]), xytext(5, 5), textcoordsoffset points, fontsize9, colordarkred) # 6. 美化圖表 ax.set_xlabel(X Coordinate (pixels)) ax.set_ylabel(Y Coordinate (pixels)) ax.set_title(Fixation Trajectory with Duration Encoding, fontsize14, pad20) ax.legend(locupper right) # 添加顏色條表示時間順序 cbar plt.colorbar(scatter, axax, shrink0.8) cbar.set_label(Fixation Sequence) plt.tight_layout() return fig, ax這段代碼生成了一張信息豐富的軌跡圖連線表示視線移動順序點的大小編碼了注視持續時間點越大看的時間越長顏色從紫到黃的變化表示時間先后順序綠色三角和藍色方塊分別標記了起點和終點旁邊的數字是注視點的序號。4.2 進階動態軌跡圖與交互式探索靜態圖有時難以表現時間流。我們可以用Matplotlib的動畫功能制作動態軌跡圖讓注視點按時間順序依次出現。from matplotlib.animation import FuncAnimation def create_animated_trajectory(fixations_df, background_image_path, image_size, interval500): 創建動態注視點軌跡動畫。 :param interval: 每幀間隔毫秒可關聯注視點實際持續時間。 fig, ax plt.subplots(figsize(10, 7)) img plt.imread(background_image_path) ax.imshow(img, extent[0, image_size[0], image_size[1], 0]) ax.set_xlim(0, image_size[0]) ax.set_ylim(image_size[1], 0) line, ax.plot([], [], ro-, linewidth1.5, markersize6, alpha0.7) scatter ax.scatter([], [], s[], c[], cmapviridis, alpha0.6, edgecolorsk, zorder5) start_marker ax.scatter([], [], s200, marker^, colorgreen, zorder10) text_annotations [] def init(): line.set_data([], []) scatter.set_offsets(np.empty((0, 2))) scatter.set_sizes([]) start_marker.set_offsets(np.empty((0, 2))) for ann in text_annotations: ann.remove() text_annotations.clear() return line, scatter, start_marker def update(frame): # frame代表當前繪制的注視點索引0到n current_data fixations_df.iloc[:frame1] x current_data[fixation_x].values y current_data[fixation_y].values # 更新連線 line.set_data(x, y) # 更新散點所有已出現的點 offsets np.column_stack((x, y)) scatter.set_offsets(offsets) # 更新散點大小基于持續時間 sizes 50 350 * (current_data[duration] - dur_min) / (dur_max - dur_min) scatter.set_sizes(sizes) # 更新散點顏色序列 scatter.set_array(np.arange(len(current_data))) # 更新起點標記 if frame 0: start_marker.set_offsets([[x[0], y[0]]]) # 更新序號標注 for ann in text_annotations: ann.remove() text_annotations.clear() for i, row in current_data.iterrows(): ann ax.annotate(str(i1), (row[fixation_x], row[fixation_y]), xytext(5,5), textcoordsoffset points, fontsize8) text_annotations.append(ann) ax.set_title(fFixation Trajectory (Frame {frame1}/{len(fixations_df)}), fontsize12) return line, scatter, start_marker, *text_annotations dur_min, dur_max fixations_df[duration].min(), fixations_df[duration].max() ani FuncAnimation(fig, update, frameslen(fixations_df), init_funcinit, intervalinterval, blitFalse, repeat_delay2000) plt.tight_layout() # 保存動畫 # ani.save(fixation_trajectory.gif, writerpillow, fps2) plt.show() return ani這個動畫能更生動地再現視覺搜索過程。參數interval控制每個注視點顯示的時長可以設置為固定值也可以與注視點的實際持續時間相關聯實現更真實的重放。5. 熱力圖生成可視化注意力的“密度場”如果說軌跡圖描繪的是視覺路徑那么熱力圖呈現的就是注意力的分布密度。它通過高斯核密度估計將離散的注視點通常加權了持續時間轉化為一個連續的密度表面并用顏色梯度表示關注度高低。5.1 基于高斯核密度估計的熱力圖我們使用scipy.stats.gaussian_kde來計算二維核密度。注視點的持續時間可以作為權重表示某些點貢獻了更多的“熱度”。from scipy import stats import seaborn as sns def generate_heatmap(fixations_df, background_image_path, image_size, downscale_factor0.2, sigma20): 生成基于核密度估計的熱力圖。 :param downscale_factor: 熱力圖網格下采樣因子用于平衡精度與計算速度。0.2表示使用原圖20%的分辨率。 :param sigma: 高斯核的標準差帶寬控制平滑程度。值越大熱圖越平滑、分散。 # 1. 準備數據 x fixations_df[fixation_x].values y fixations_df[fixation_y].values # 使用持續時間作為權重 weights fixations_df[duration].values if duration in fixations_df.columns else None # 2. 創建評估網格 h, w image_size[1], image_size[0] # 下采樣網格以減少計算量 grid_h, grid_w int(h * downscale_factor), int(w * downscale_factor) X, Y np.mgrid[0:h:complex(0, grid_h), 0:w:complex(0, grid_w)] # complex步長創建網格點 positions np.vstack([Y.ravel(), X.ravel()]) # 注意np.mgrid返回的維度順序是(Y, X)需要轉置 # 3. 計算核密度估計 # 將數據堆疊(2, N) 數組 values np.vstack([x, y]) # 調整帶寬矩陣。這里使用一個標量sigma意味著各向同性高斯核。 # 對于眼動數據通常x和y方向使用相同的帶寬。 bandwidth_matrix np.eye(2) * (sigma ** 2) # 使用自定義協方差矩陣創建KDE對象 kde stats.gaussian_kde(values, bw_methodscott) # 先使用自動帶寬 # 手動設置協方差矩陣影響平滑度 kde.covariance bandwidth_matrix kde.inv_cov np.linalg.inv(kde.covariance) if weights is not None: # 如果提供權重需要手動計算加權密度gaussian_kde本身不支持權重參數 # 這里采用一種簡化方法將每個點按其權重重復近似 # 注意對于大數據集這可能效率低下。更嚴謹的做法是實現加權KDE。 weights_normalized weights / weights.sum() repeated_indices np.repeat(np.arange(len(x)), (weights_normalized * 100).astype(int)) # 放大權重并取整 if len(repeated_indices) 0: values_weighted np.vstack([x[repeated_indices], y[repeated_indices]]) kde stats.gaussian_kde(values_weighted, bw_methodscott) kde.covariance bandwidth_matrix kde.inv_cov np.linalg.inv(kde.covariance) # 4. 在網格位置上評估KDE Z np.reshape(kde(positions).T, X.shape) # 5. 繪制熱力圖 fig, ax plt.subplots(figsize(14, 10)) # 顯示背景圖 img plt.imread(background_image_path) ax.imshow(img, extent[0, w, h, 0], alpha0.7) # 背景半透明 # 使用Seaborn的heatmap疊加密度設置透明度 # 需要將Z的坐標軸與圖像對齊imshow的extent是左下右上 heatmap sns.heatmap(Z, cmapjet, # 或 hot, coolwarm, viridis alpha0.6, # 熱圖透明度 cbarTrue, cbar_kws{label: Attention Density}, squareFalse, # 根據網格比例調整 axax, zorder5) # 調整熱力圖位置和范圍以匹配背景圖 heatmap.set_xlim(0, w) heatmap.set_ylim(h, 0) heatmap.set_xticks([]) heatmap.set_yticks([]) # 6. 可選疊加注視點位置 ax.scatter(x, y, s10, colorwhite, edgecolorsblack, linewidth0.5, alpha0.7, zorder10, labelFixation Centers) ax.set_title(Gaze Heatmap (Gaussian KDE), fontsize16, pad20) ax.legend(locupper right) plt.tight_layout() return fig, ax, Z這個函數生成了疊加在背景圖上的半透明熱力圖。顏色越暖如紅色、黃色表示該區域受到的注視密度越高。參數sigma是關鍵它控制高斯核的寬度。sigma值太小熱圖會呈現為分散的斑點值太大則會過度平滑丟失細節。通常需要根據屏幕分辨率和研究目的進行調試。5.2 優化與變體自適應帶寬與AOI分析有時固定的sigma可能不適用于所有場景。我們可以使用更先進的自適應帶寬方法或者在計算熱圖前先定義興趣區AOI進行分區分析。def adaptive_heatmap(fixations_df, background_img_path, img_size, k50): 使用k近鄰距離自適應確定局部帶寬。 :param k: 用于計算局部密度的近鄰數。 from sklearn.neighbors import NearestNeighbors x fixations_df[fixation_x].values.reshape(-1, 1) y fixations_df[fixation_y].values.reshape(-1, 1) coords np.hstack([x, y]) # 計算每個點到其第k個近鄰的距離作為局部帶寬的估計 nbrs NearestNeighbors(n_neighborsk1).fit(coords) # 1 因為包含自身 distances, _ nbrs.kneighbors(coords) local_bandwidth distances[:, -1] # 第k個近鄰的距離 # 創建一個網格簡化版實際計算需對每個點用不同帶寬的核計算量較大 # 此處為示意更高效的實現可能需要使用其他庫如KDEpy或近似算法 print(自適應帶寬計算完成局部帶寬范圍, local_bandwidth.min(), local_bandwidth.max()) # ... 后續可使用每個點的local_bandwidth進行加權或分區域KDE ... # 作為簡化我們可以取中位數作為全局帶寬 global_sigma np.median(local_bandwidth) print(f建議的全局sigma值{global_sigma:.2f}) return generate_heatmap(fixations_df, background_img_path, img_size, sigmaglobal_sigma) def aoi_based_analysis(fixations_df, aoi_list): 興趣區分析。 :param aoi_list: 每個AOI是一個字典如{name: Logo, x: 100, y: 150, width: 200, height: 80} results [] for aoi in aoi_list: name aoi[name] x_min, y_min aoi[x], aoi[y] x_max, y_max x_min aoi[width], y_min aoi[height] # 判斷注視點是否落在AOI內 inside ((fixations_df[fixation_x] x_min) (fixations_df[fixation_x] x_max) (fixations_df[fixation_y] y_min) (fixations_df[fixation_y] y_max)) aoi_fixations fixations_df[inside] total_fixations len(fixations_df) aoi_count len(aoi_fixations) aoi_total_duration aoi_fixations[duration].sum() if duration in aoi_fixations.columns else np.nan results.append({ AOI: name, Fixation_Count: aoi_count, Fixation_Count_Percent: (aoi_count / total_fixations * 100) if total_fixations 0 else 0, Total_Duration: aoi_total_duration, Average_Duration: aoi_total_duration / aoi_count if aoi_count 0 else np.nan }) return pd.DataFrame(results)AOI分析能夠提供更精確的量化指標例如“Logo區域獲得了多少比例的注視次數”、“按鈕區域的總注視時長是多少”這對于A/B測試或設計元素的效果評估非常有用。6. 實戰整合與結果輸出從單被試到多被試聚合在實際研究中我們往往需要分析多個被試的數據并生成聚合熱力圖或對比軌跡圖。6.1 多被試數據聚合熱圖將多個被試的注視點數據合并可以生成反映群體注意力模式的“總覽圖”。關鍵在于數據的對齊確保所有數據映射到同一坐標空間和標準化。def aggregate_heatmap(data_list, background_img_path, img_size, sigma25, normalizeTrue): 生成多被試聚合熱力圖。 :param data_list: 包含多個被試注視點DataFrame的列表。 :param normalize: 是否對每個被試的貢獻進行歸一化避免個別被試數據量過大主導熱圖。 all_x, all_y, all_weights [], [], [] for i, df in enumerate(data_list): x df[fixation_x].values y df[fixation_y].values weights df[duration].values if duration in df.columns else np.ones_like(x) if normalize: weights weights / weights.sum() # 歸一化使每個被試總權重為1 all_x.append(x) all_y.append(y) all_weights.append(weights) # 合并所有數據 combined_x np.concatenate(all_x) combined_y np.concatenate(all_y) combined_weights np.concatenate(all_weights) # 使用加權KDE通過重復樣本近似 # 為提升效率這里采用采樣策略 combined_df pd.DataFrame({fixation_x: combined_x, fixation_y: combined_y, weight: combined_weights}) # 按權重進行重采樣近似 sampled_df combined_df.sample(nmin(5000, len(combined_df)), weightsweight, replaceTrue, random_state42) # 調用之前的generate_heatmap函數傳入采樣后的數據 fig, ax, Z generate_heatmap(sampled_df, background_img_path, img_size, sigmasigma) ax.set_title(fAggregated Gaze Heatmap (N{len(data_list)} Participants), fontsize16) return fig, ax, Z6.2 生成專業報告與圖表導出分析完成后需要將結果整合成可發布的圖表。Matplotlib支持多種格式和高DPI導出。def export_visualizations(fixations_df, heatmap_matrix, output_dir./output): 導出所有可視化結果。 import os os.makedirs(output_dir, exist_okTrue) # 1. 保存注視點軌跡圖 fig_traj, _ plot_fixation_trajectory(fixations_df, background_image_path, image_size) traj_path os.path.join(output_dir, fixation_trajectory.png) fig_traj.savefig(traj_path, dpi300, bbox_inchestight) plt.close(fig_traj) print(f軌跡圖已保存至{traj_path}) # 2. 保存熱力圖 fig_heat, ax_heat, Z generate_heatmap(fixations_df, background_image_path, image_size) heat_path os.path.join(output_dir, gaze_heatmap.png) fig_heat.savefig(heat_path, dpi300, bbox_inchestight, transparentFalse) # 背景不透明 plt.close(fig_heat) # 3. 保存熱力圖數據矩陣可用于其他軟件進一步分析 np.savetxt(os.path.join(output_dir, heatmap_matrix.csv), Z, delimiter,) # 4. 保存注視點統計數據 stats fixations_df.describe().T stats_path os.path.join(output_dir, fixation_statistics.csv) stats.to_csv(stats_path) print(f統計數據已保存至{stats_path}) # 5. 生成簡易文本報告 report_path os.path.join(output_dir, analysis_report.txt) with open(report_path, w) as f: f.write(f眼動數據分析報告\n) f.write(f*40 \n) f.write(f總注視點數量{len(fixations_df)}\n) f.write(f總注視時長{fixations_df[duration].sum():.0f} ms\n) f.write(f平均注視時長{fixations_df[duration].mean():.0f} ms\n) f.write(f注視點空間標準差 (X){fixations_df[fixation_x].std():.1f} px\n) f.write(f注視點空間標準差 (Y){fixations_df[fixation_y].std():.1f} px\n) f.write(f熱力圖峰值坐標近似{np.unravel_index(Z.argmax(), Z.shape)}\n) print(f報告已保存至{report_path})通過這樣一套流程你就擁有了從原始數據到出版級圖表和統計報告的完整能力。導出的高分辨率PNG圖片可以直接用于論文或演示文稿CSV格式的中間數據也方便與其他工具如R SPSS進行交互。7. 常見問題與排查技巧實錄在實際操作中你一定會遇到各種預料之外的情況。下面是我在多個項目中總結的典型問題及其解決方案。7.1 數據與圖像對不齊問題繪制的注視點全部偏移到圖像角落或完全錯位。排查檢查坐標映射確認屏幕分辨率screen_width,screen_height和刺激材料尺寸stim_width,stim_height是否輸入正確。確保映射函數中的乘除順序無誤。檢查坐標原點計算機圖形學中圖像坐標原點通常在左上角(0,0)而某些繪圖庫或數據可能使用左下角。Matplotlib的imshow的extent參數[left, right, bottom, top]決定了圖像在坐標軸中的位置注意bottom和top的設置通常bottom是heighttop是0以實現原點在左上角。驗證原始數據用簡單的散點圖不帶背景繪制原始gaze_x和gaze_y看其范圍是否與宣稱的屏幕分辨率匹配。有時數據可能是歸一化的0-1需要反歸一化。7.2 熱力圖過于稀疏或過度平滑問題熱力圖要么是幾個孤立的亮點要么是一片模糊沒有清晰的焦點。解決調整sigma帶寬這是最關鍵的參數。可以先嘗試一個經驗值如屏幕寬度的1/50到1/20。然后根據效果微調。技巧繪制不同sigma值如10 25 50 100的熱力圖進行對比選擇能清晰顯示熱點又不失細節的那個。檢查數據量如果單個被試的注視點很少如少于20個熱力圖必然稀疏。考慮聚合多個試次或多個被試的數據。使用自適應帶寬如上面提到的adaptive_heatmap函數對于數據分布不均勻的情況效果更好。下采樣網格downscale_factor太小如0.05會導致網格太粗糙丟失細節太大如0.8則計算緩慢。0.1到0.3是一個合理的范圍。7.3 注視點識別算法效果不佳問題I-VT算法將很多掃視點誤判為注視點或者把長注視拆成了多個短注視。調參與優化速度閾值velocity_threshold這是區分注視和掃視的關鍵。可以通過繪制所有采樣點的速度分布直方圖來觀察。通常速度分布會呈現雙峰一個低峰注視一個高峰掃視。閾值應設在兩峰之間的谷底附近。最小注視持續時間min_duration通常設置在50-200毫秒。低于此值可能是噪音或微眼跳。可以結合領域知識調整。考慮使用更復雜的算法對于高速或噪音大的數據可以嘗試I-DT散度閾值算法或者使用開源庫如pymovements、eyekit它們實現了更魯棒的算法。7.4 性能問題處理大數據集時速度慢問題當處理高頻采樣如500Hz的長時程數據或多個被試數據時核密度估計計算非常耗時。優化策略下采樣在計算熱力圖前對注視點坐標進行網格下采樣或者使用downscale_factor大幅降低評估網格的分辨率。近似計算使用更快的近似KDE方法例如通過scipy.ndimage.gaussian_filter對二值化的注視點矩陣進行高斯濾波這在很多情況下是足夠的近似且速度快得多。并行處理如果分析多個獨立被試使用multiprocessing或joblib庫進行并行計算。使用專用庫探索如KDEpy這樣的庫它提供了更高效的算法實現。7.5 可視化圖表不夠美觀或信息過載問題生成的圖看起來不專業或者元素太多難以閱讀。設計建議顏色映射熱力圖慎用彩虹色jet雖然對比強但可能扭曲數據感知。推薦使用感知均勻的色圖如viridis、plasma、magma適用于黑白打印時仍有區分度。在Seaborn中cmaprocket或cmapmako也是很好的選擇。簡化軌跡圖如果注視點過多軌跡圖會變成一團亂麻。可以嘗試1只繪制前N個或后N個注視點2用透明度alpha表示時間遠近3完全移除連線只用帶序號的散點。分面繪制對于多試次或多被試對比使用plt.subplots創建多個子圖保持坐標軸范圍一致便于比較。添加比例尺和指北針如果背景是真實場景圖添加比例尺如“200像素”和方向指示會提升專業性。掌握這些排查技巧你就能從容應對大部分分析過程中遇到的挑戰確保最終的可視化結果既準確又具有洞察力。整個Python實現流程雖然涉及多個步驟但一旦構建成模塊化的腳本就可以成為你分析眼動數據的強大、靈活且可復用的武器庫。本文還有配套的精品資源點擊獲取