摘要
关于决策过程的眼动追踪研究传统上依赖于兴趣区域（AOI）统计、扫描路径指标、注视测量以及转换分析。尽管这些方法提供了重要的见解，但基于AOI的方法需要预先定义的语义空间区域，并且可能无法完全描述注视行为的更广泛的空间组织。本研究提出了一种基于图像的框架，在该框架中，眼动轨迹被表示为规则空间网格上的灰度图像，并使用成熟的图像分析技术进行解析，包括纹理分析、傅里叶分析、小波分解和奇异值分解（SVD）。非负矩阵分解（NMF）也被作为候选方法进行了研究，但由于其在当前样本中的贡献有限，因此未被纳入最终的综合分析中。其余的异构图像衍生特征通过基于Tucker-1的框架进行整合，并使用主成分分析（PCA）和概率PCA（PPCA）进行了分析。该框架使用来自涉及多个决策相关信息的保险决策任务的眼动追踪数据进行了验证。第一个主成分在两个保险任务中都与传统的注视次数和注视持续时间显示出强烈且一致的相关性，这支持了将其解释为全局注视强度维度的观点；而更高阶的成分与传统指标之间的关联则明显较弱。自助法分析进一步表明，PPCA的维度数对抽样变异性较为敏感，尽管相对高维的潜在结构始终得到了支持。总体而言，所提出的框架提供了一种补充性的注视行为表示方法，它不需要预先定义的语义AOI边界，能够捕捉传统的与注视相关的信息以及眼动轨迹的额外空间或结构特征。
