Please wait a minute...

当期目录

2020年, 第1期 刊出日期:2020-03-17 上一期    下一期
本期栏目: 论文 
论文
基于稳态视觉诱发电位识别的虚拟家用电器脑机交互控制接口设计   收藏
Fan Zhang, Hang Yu, Jie Jiang, Zhangye Wang, Xujia Qin
Vis Inf. 2020 (1): 1-7.   DOI: 10.1016/j.visinf.2019.12.001
摘要( 777 )  
脑机接口是一种新兴的人机交互形式,采用这种交互方式,人脑可通过脑电信号直接控制或操作外部设备。本文利用典型相关分析方法,比较采集的脑电波数据与多组不同频率谐波之间的典型相关系数,选择最大相关系数对应的频率视为刺激频率,实现了稳态视觉诱发电位的识别。 在频率识别过程中,屏幕上显示不同频率闪烁的黑白方块代表不同的控制信号,被试者注视其产生的稳态视觉诱发电位信号,通过算法解析出该信号,确定需要控制的对象,激活相应对象。在算法识别后增加一个分类器,引入投票机制统计识别结果,降低了误激活率。基于改进后的脑机接口算法,我们搭建了一个虚拟家用电器控制系统,在线测试表明,该系统对于三分类问题准确率达到72.84%。
考察叙事结构在数据视频中的运用   收藏
Ruochen Cao, Subrata Dey, Andrew Cunningham, James Walsh, Ross T.Smith, Joanne E.Zucco, Bruce H. Thomas
Vis Inf. 2020 (1): 8-22.   DOI: 10.1016/j.visinf.2019.12.002
摘要( 313 )  
数据视频是一种非常有影响力的交流方式,正在成为一种流行的信息交流媒介。目前大多数的研究都集中在数据视频的电影呈现方面,而对其中涉及的叙述方法却知之甚少。 本文介绍了我们对该领域初步探索得出的见解。 我们对70个现有数据视频进行了分析,检查其叙述和视觉呈现方法,在此基础上提出了一种分类法。 我们提议采用此分类法来解释数据视频的特征或设计。运用此分类法我们提出了若干展望,包括当前数据视频中所采用的流行技术的发展趋势、尚未被利用好方法以及这一领域有待进一步研究的问题。

改进符号数据可视化以促进模式识别和知识发现   收藏
Kadri Umbleja, Manabu Ichino, Hiroyuki Yaguchi
Vis Inf. 2020 (1): 23-31.   DOI: 10.1016/j.visinf.2019.12.003
摘要( 247 )  
本文研究符号数据的可视化,并分析其复杂结构带来的挑战。符号数据通常是从大型数据集聚合而来,用于隐藏条目特定的细节,并将大量数据(如大数据)转换成可分析量。在总体趋势比个别细节更重要的地方它可用来提供总览。符号数据有多种形式,如区间、直方图、类别和模态多值对象。符号数据也可以认为是一种分布。目前,实际使用的符号数据可视化方法是zoomstars,它有许多局限性。最大的限制是因为需要另一维度的数据,默认分布(直方图)在2D内不受支持。 本文提出了对zoomstars的几种改进,使其能够通过分位数或等价的区间方法实现2D内直方图的可视化。此外,还提出了对分类变量和模态变量的几项改进,使之能更清楚地展现所呈现的类别。 根据数据类型和期望的目标,本文为用户提供了基于zoomstars的不同可视化方案。此外,提出了一种形状编码的方法,,可在综合的类似表格的图中可视化整个数据集。这些可视化方法及其可用性通过三个符号数据集进行了验证,这三个数据集在探索性数据挖掘阶段分别用来识别趋势、相似对象和重要特征,检测数据中的异常值和差异。
使用深度学习、语义网络和知识图谱提高增强现实的功能 ——综述   收藏
Georgios Lampropoulos, Euclid Keramopoulos, Konstantinos Diamantaras
Vis Inf. 2020 (1): 32-42.   DOI: 10.1016/j.visinf.2020.01.001
摘要( 518 )  
当今社会的发展和技术的快速进步增加了对实时获取动态、适用和个性化信息的需求。增强现实可对高速流动的信息进行快捷访问,而当这些信息被嵌入适当的空间和时间框架时,也会变得更有意义和更为生动。增强现实为用户与物理和数字世界进行实时交互提供了新的方法。此外,日常生活的数字化导致数据量呈指数级增长,在引发新的需求和挑战的同时也带来了新的机遇和可能性。知识图谱和语义网络技术利用数据的增长和网络内容的表示来提供语义上相互关联的信息,而深度学习技术则在多个领域提供了新颖的解决方案和应用。 本文研究的目的是展示增强现实与深度学习、语义网络和知识图谱的集成如何扩展了它的功能和服务,并展示这种结合在开发现代的、用户友好的和以用户为中心的智能应用中的潜力。 本文简述了增强现实和混合现实的概念,并介绍了深度学习、语义网络和知识图谱技术;基于文献综述,介绍和分析了运用这些技术开发增强现实应用和系统的相关研究。本文展示了深度学习、语义网络和知识图谱与增强现实的集成怎样提升增强现实应用的体验质量和服务质量,从而便利和改善了用户的日常生活。最后为未来研究提供了结论与建议。
OnionGraph:层次拓扑与属性多变量,网络可视化   收藏
Lei Shi, Qi Liao, Hanghang Tong, Yifan Hu, Chaoli Wang, Chuang Lin, Weihong Qian
Vis Inf. 2020 (1): 43-57.   DOI: 10.1016/j.visinf.2020.01.002
摘要( 281 )  
层次抽象是一种处理大规模网络的可扩展策略。现有的可视化方法根据结点属性或网络拓扑将网络结点聚合成层次结构,每种方法各有优点。但之前的系统很少能兼具两者的长处。 本文介绍了OnionGraph,这是一个对异构多元网络进行探索性可视化分析的集成框架。OnionGraph可基于结点属性拓扑或两者的分层组合来聚合结点。这些聚合可以在焦点+上下文交互模型下被拆分、合并和过滤,也可以通过基于信息理论的导航方法自动遍历。包含结点子集的结点聚合以洋葱隐喻的方式进行展示,呈现出抽象的层次和细节。 我们通过三个真实案例中对OnionGraph工具进行了评估。性能实验表明,在商用台式机上,我们的方法可以扩展到拥有百万结点的网络,与此同时保持交互分析的性能。
AntVis:基于网络分析蚂蚁移动数据的可视分析工具   收藏
Tianxiao Hu, Hao Zheng, Chen Liang, Sirou Zhu, Natalie Imirzian, Yizhe Zhang, Chaoli Wang, David P.Hughes, Danny Z.Chen
Vis Inf. 2020 (1): 58-70.   DOI: 10.1016/j.visinf.2020.02.001
摘要( 451 )  
本文介绍了一种基于网络的可视分析工具——AntVis,用于分析蚂蚁在树枝上移动的视频数据。我们的目标是使该领域的专家能够观察探究大量的蚂蚁移动数据并通过有效的可视化、过滤和比较,获得有价值的见解。为了实现这一目标,我们构建了一个深度学习框架,对视频中的蚂蚁进行自动检测、分割和标记,对轨迹相似的蚂蚁移动数据进行聚类,并设计和开发了五个协同视图(分别对应移动、相似性、时间线、统计和属性)以便用户交互和分析。 通过与这一领域内的专家合作,我们开发了多个案例,验证了AntVis的有效性。 最后,提供了一份来自昆虫学家的评估报告,并给出了未来的研究方向。