基于模糊朴素贝叶斯与注视行为感知注意力的精准意图推断新方法

《Exploratory Research in Clinical and Social Pharmacy》：Fuzzy Naive Bayes with Gaze-Behavior-Aware Attention for Accurate Intention Inference

本文提出了一种创新的GA-FNB框架，通过模糊推理量化连续注视注意力（Gaze-behavior-aware Attention），并融合注视持续时间、序列、连续注意力及物体出现频率等多维度信息至模糊朴素贝叶斯（Fuzzy Naive Bayes）模型，显著提升了人机交互（HRI）中意图推断的准确性与鲁棒性。该方法在ADLIP Gaze数据集上达到95.59±1.92%的推断精度，为辅助机器人（尤其针对老年或运动功能衰退人群）的日常物体操作提供了关键技术支撑。

　　

Section snippets

Gaze-based Intention Inference

在日常操作活动中，注视行为与注意力反映了用户的意图。研究显示，支持向量机（SVM）分类注视数据可实现76%的协作意图识别准确率，而基于注视停留（dwell-based）的机器学习框架虽达到82.6%的精度，但仅依赖单一注视停留特征限制了其性能提升。后续研究通过深度学习模型进一步挖掘注视序列的时序动态，但仍受限于注视注意力的离散表征。

Methodology: GA-FNB framework for Intention Inference

本节首先阐明注视行为感知注意力的两大组成部分——注视行为量化与连续注视注意力表征，进而将上述意图相关注视信息全面融入模糊朴素贝叶斯框架中进行意图推断，其流程如图2所示。

Experimental Results

本节首先概述实验设置，接着分析意图相关注视信息以论证模型动机，并验证所提取模糊规则的客观性。随后呈现GA-FNB的统计结果，与12种基线方法进行基准对比，评估跨年龄组的鲁棒性，最后通过消融实验解析注视连续性特征与联合推断机制的独立贡献。

Discussion

GA-FNB框架对个体差异、数据缺失及噪声均保持鲁棒性。注视序列与持续时间的融合确保了多物体场景下的推断稳定性。注视行为的模糊隶属函数基于尺度不变特征运算，使得推断结果在不同视觉习惯与候选物体集中保持一致。当注意力高度集中于单一物体时，持续时间会强化其证据权重；而当注视在物体间快速切换时，序列强度则捕捉意图转移的隐含模式。模糊概率框架有效缓解了真实场景中注视数据的不确定性，为辅助机器人系统提供了可解释的推断依据。

Conclusion

本文提出的注视行为感知意图推断框架，通过自然注视-物体交互关系实现了精准且可解释的意图推断。其核心创新在于：1）通过互补性注视行为（注视持续时间与序列强度）量化连续视觉注意力，揭示注视行为与注意力间的映射关系；2）建立模糊贝叶斯推理机制，联合建模注视特征与意图的复杂关联，为日常物体操作场景中的辅助机器人提供了通用解决方案。