简介本资源是一套面向心理学研究者、人机交互工程师及UI/UX设计师的Python眼动数据分析工具包聚焦注视点轨迹绘制与热图生成两大核心任务解决眼动数据难以直观呈现、行为模式难量化的问题。压缩包共5个文件3个核心Python模块、1份说明文档和1个依赖清单总大小仅17KB轻量易部署gaze_visualizer.py负责多维可视化含动态热图与3D轨迹、eyetracking_analyzer.py实现注视检测、AOI分析与扫视识别main.py提供开箱即用的分析流程。已有126人学习下载适合具备基础Python能力的研究人员快速开展认知负荷评估、界面热点诊断或跨被试视觉行为对比。代码采用模块化设计算法严格遵循眼动研究规范支持高采样率数据实时处理并内置数据清洗、质量评估与自适应热图优化功能可直接嵌入实验分析 pipeline。1. 项目概述从数据到洞察眼动追踪可视化的核心价值眼动追踪技术早已不再是实验室里的昂贵玩具。从用户体验研究、广告效果评估到心理学实验、驾驶行为分析甚至是游戏和VR/AR领域的交互优化我们正处在一个需要量化“视觉注意力”的时代。作为一名长期混迹于数据科学和交互设计交叉领域的老兵我处理过大量眼动数据。最深刻的体会是原始的眼动坐标数据只是一堆冰冷的数字而真正产生价值的是将这些数据转化为直观、可解释的视觉故事。这就是“眼动追踪数据可视化”项目的核心——它是一座桥梁连接着生硬的采样点序列和人类可理解的视觉行为模式。这个项目具体要做什么简单说就是给你一套眼动仪比如Tobii、EyeLink等采集到的原始数据通常包含时间戳、X/Y坐标、瞳孔直径等然后通过Python编程将其转化为两种最经典、最有力的可视化形式注视点轨迹图和注意力热图。轨迹图能清晰展示视觉扫描路径回答“眼睛看了哪里按什么顺序看的”热图则通过颜色密度直观呈现视觉注意力的空间分布回答“哪里看得最多、最久”。对于产品经理、交互设计师、市场研究员或心理学学生来说掌握这套从数据处理到成图的分析流水线意味着你能独立、快速地从海量眼动数据中挖掘出关键洞察而无需依赖昂贵或封闭的商用分析软件。本文将手把手带你用Python搭建一个完整的、可复现的眼动数据可视化分析流程。我会从最原始的数据清洗讲起涵盖轨迹绘制、热图生成的所有核心算法与细节参数并分享我踩过的无数个坑和总结出的实战技巧。无论你是刚接触Python的数据分析新手还是想将眼动分析能力工具化的资深从业者都能从这里找到可直接“抄作业”的代码和思路。2. 核心思路与方案选型为什么是Python Matplotlib/Seaborn在动手写代码之前我们先要理清技术选型背后的逻辑。眼动可视化不是简单的画图它涉及时序数据处理、空间坐标映射、统计聚合以及美学渲染。市面上有专业的眼动分析软件如Tobii Pro Lab, iMotions它们功能强大但价格不菲且脚本化和批处理能力往往受限。而Python生态以其在科学计算NumPy, SciPy、数据分析Pandas和可视化Matplotlib, Seaborn, Plotly领域的绝对优势成为了构建灵活、自动化分析管道的理想选择。2.1 数据处理基石Pandas 与 NumPy眼动数据通常是CSV或TXT格式包含数万甚至数百万行记录。Pandas的DataFrame是处理这种表格数据的利器其强大的数据筛选、分组、聚合和清洗功能如处理无效数据、插值是后续所有分析的基础。NumPy则为我们提供了高效的数组运算能力特别是在计算注视点停留时间、进行空间网格化统计为热图准备时向量化操作能带来数量级的性能提升。2.2 可视化引擎的选择Matplotlib 与 Seaborn 的黄金组合这是本项目的可视化核心。我选择Matplotlib作为底层绘图引擎原因在于其无与伦比的灵活性和可控性。绘制注视点轨迹时我们需要精确控制每个点的位置、大小代表注视时长、连线的样式和颜色代表时间顺序或被试。Matplotlib的scatter和plot函数配合事件循环可以完美实现这些定制化需求。而热图的生成我强烈推荐在Matplotlib基础上使用Seaborn的heatmap函数或者直接使用Matplotlib的imshow。Seaborn的heatmap在统计聚合数据的可视化上更加便捷配色科学且能轻松添加数值标注。但需要注意的是我们需要先将二维空间中的注视点坐标通过二维核密度估计KDE或简单的直方图统计转换为一个二维的密度矩阵这个矩阵才是heatmap或imshow的输入。这里我会详细介绍两种热图生成方法的优劣和适用场景。2.3 为什么不选Plotly或更高级的库Plotly能生成交互式图表对于在线报告非常友好。但在初期构建分析原型和进行大批量、自动化报告生成时Matplotlib的静态图片输出更稳定、更快速且对系统资源要求更低。我们的首要目标是实现可靠、可复现的分析流程交互性可以作为后续的增强功能。因此本方案以Matplotlib/Seaborn为核心确保代码在任何Python环境中都能稳定运行。注意确保你的Python环境已安装上述库。可以通过pip install numpy pandas matplotlib seaborn scipy一键安装。SciPy库将用于可选的核密度估计计算。3. 数据预处理清洗与结构化一切分析的起点拿到眼动数据第一步永远不是画图而是“看”数据和“洗”数据。原始数据往往充满噪声和缺失值直接可视化只会得到一幅充满误导性的画面。3.1 理解你的数据格式一个典型的眼动数据文件CSV可能包含以下列timestamp: 采样时间点毫秒或微秒。gaze_point_x,gaze_point_y: 注视点在屏幕或刺激材料上的坐标通常以像素为单位。这是我们的核心数据。pupil_diameter: 瞳孔直径可用于认知负荷等衍生分析本项目暂不涉及。validity: 数据有效性标志如0有效1无效。这是清洗的关键。stimulus: 当前呈现的刺激物名称用于分段分析。首先用Pandas加载数据并查看基本信息import pandas as pd import numpy as np # 加载数据假设分隔符是逗号 df pd.read_csv(eyetracking_data.csv) print(df.head()) # 查看前几行 print(df.info()) # 查看列信息和缺失值 print(df[validity].value_counts()) # 查看有效性标签分布3.2 关键清洗步骤处理无效数据根据validity列过滤掉标记为无效的数据点。# 假设 validity 为0表示有效 df_clean df[df[validity] 0].copy()处理坐标异常值眼动仪可能因眨眼、头部移动产生坐标值为NaN或超出屏幕范围如负数或大于屏幕分辨率的异常点。screen_width, screen_height 1920, 1080 # 根据你的实验设置修改 # 剔除超出屏幕范围的注视点 df_clean df_clean[ (df_clean[gaze_point_x].between(0, screen_width)) (df_clean[gaze_point_y].between(0, screen_height)) ] # 填充或删除剩余的NaN值谨慎操作填充可能引入偏差 df_clean[gaze_point_x].fillna(methodffill, inplaceTrue) # 前向填充 df_clean[gaze_point_y].fillna(methodffill, inplaceTrue) # 或者直接删除df_clean.dropna(subset[gaze_point_x, gaze_point_y], inplaceTrue)时间戳处理与采样率检查确保时间戳是单调递增的。计算实际采样率与设备标称值对比可发现数据记录是否完整。df_clean[timestamp] pd.to_numeric(df_clean[timestamp], errorscoerce) df_clean.sort_values(timestamp, inplaceTrue) # 计算采样间隔和平均采样率 time_intervals np.diff(df_clean[timestamp]) avg_sample_rate 1 / (np.mean(time_intervals) / 1000.0) # 假设时间戳单位是毫秒转换为Hz print(f平均采样率: {avg_sample_rate:.2f} Hz)3.3 定义注视点Fixation原始数据是连续的“注视点采样”但我们需要识别出真正的“注视事件”即视线在某个小区域内保持相对稳定一段时间。这里涉及一个核心算法速度-阈值识别算法I-VT。简单来说就是计算连续采样点之间的角速度或像素位移速度将低于某个阈值的连续点聚类为一个注视点。对于入门或快速分析我们可以采用一种简化方法基于时间的滑动窗口。例如将连续100毫秒内坐标标准差小于某个阈值如20像素的采样点聚合为一个注视点用这些点的坐标均值作为注视点位置持续时间作为注视时长。def identify_fixations_simple(df, time_window100, std_threshold20): 简化版注视点识别基于时间和空间稳定性。 注意这是一个启发式方法对于精确研究请使用成熟的算法库如PyGazeAnalyser。 fixations [] start_idx 0 while start_idx len(df): # 获取时间窗口内的数据 start_time df.iloc[start_idx][timestamp] window_df df[(df[timestamp] start_time) (df[timestamp] start_time time_window)] if len(window_df) 2: start_idx 1 continue # 计算窗口内坐标的标准差 x_std window_df[gaze_point_x].std() y_std window_df[gaze_point_y].std() if x_std std_threshold and y_std std_threshold: # 符合注视点条件计算平均位置和持续时间 fixation_x window_df[gaze_point_x].mean() fixation_y window_df[gaze_point_y].mean() duration window_df[timestamp].max() - window_df[timestamp].min() fixations.append({x: fixation_x, y: fixation_y, duration: duration}) # 跳过这个窗口从下一个点开始 start_idx len(window_df) else: start_idx 1 # 不符合移动一个采样点 return pd.DataFrame(fixations) # 应用简化识别算法 fixation_df identify_fixations_simple(df_clean) print(f识别出 {len(fixation_df)} 个注视点)实操心得简化算法适用于数据质量较高、对精度要求不极端的场景。对于学术研究或商业报告强烈建议使用经过验证的库如PyGazeAnalyser或直接使用眼动仪厂商提供的SDK进行注视点检测。这里的简化方法主要用于教学和快速原型验证。4. 注视点轨迹图绘制还原视觉扫描路径有了清洗后的注视点数据我们就可以开始绘制轨迹图了。轨迹图的目标是清晰展示注视点的空间位置、时间顺序以及相对持续时间。4.1 基础轨迹绘制我们将使用Matplotlib的scatter和plot函数。scatter用于绘制点代表注视点点的大小映射注视时长plot用于绘制连接线表示视线移动路径。import matplotlib.pyplot as plt # 设置画布背景可以加载实验所用的刺激图片 fig, ax plt.subplots(figsize(12, 8)) # 假设我们有一张背景图 stimulus.jpg # img plt.imread(stimulus.jpg) # ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 注意y轴方向 # 绘制注视点点的大小与注视时长成正比 # 这里对时长进行缩放使得点的大小在视觉上区分明显 scatter_size fixation_df[duration] / fixation_df[duration].max() * 500 # 缩放因子可调 scatter ax.scatter(fixation_df[x], fixation_df[y], sscatter_size, alpha0.6, cred, edgecolorsblack, linewidth0.5) # 绘制注视点之间的连线按时间顺序 ax.plot(fixation_df[x], fixation_df[y], b-, alpha0.4, linewidth1) # 添加注视点编号时间顺序 for i, row in fixation_df.iterrows(): ax.annotate(str(i1), (row[x], row[y]), fontsize8, hacenter, vacenter, colorwhite) # 设置坐标轴和标题 ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) # 注意图像坐标系y轴向下我们需要反转以匹配屏幕坐标 ax.set_xlabel(X Coordinate (pixels)) ax.set_ylabel(Y Coordinate (pixels)) ax.set_title(Fixation Sequence and Duration) ax.grid(True, alpha0.3) plt.tight_layout() plt.show()4.2 高级增强用颜色编码时间或兴趣区为了使轨迹图信息量更大我们可以用颜色来编码额外的维度。例如用渐变色表示时间先后从冷色到暖色或者根据注视点所在的兴趣区AOI来着色。# 颜色编码时间归一化时间戳 fixation_df[time_norm] (fixation_df.index - fixation_df.index.min()) / (fixation_df.index.max() - fixation_df.index.min()) # 使用viridis色彩映射 colors plt.cm.viridis(fixation_df[time_norm]) fig, ax plt.subplots(figsize(12, 8)) # 绘制带颜色编码的散点 scatter ax.scatter(fixation_df[x], fixation_df[y], sscatter_size, alpha0.7, ccolors, edgecolorsk, linewidth0.5) # 绘制连线连线颜色也可以渐变 for i in range(len(fixation_df)-1): ax.plot([fixation_df.iloc[i][x], fixation_df.iloc[i1][x]], [fixation_df.iloc[i][y], fixation_df.iloc[i1][y]], colorcolors[i], alpha0.5, linewidth1) # 添加颜色条表示时间 sm plt.cm.ScalarMappable(cmapviridis, normplt.Normalize(vmin0, vmax1)) sm.set_array([]) cbar plt.colorbar(sm, axax) cbar.set_label(Normalized Time Sequence) ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) ax.set_title(Fixation Sequence Colored by Time) plt.show()注意事项轨迹图在注视点过多时会变得非常杂乱。一种常见的做法是只呈现前N个注视点或者按时间分段呈现。另外连线的交叉可能会造成视觉混淆可以考虑使用曲线如ax.plot(..., -, alpha0.3)或完全省略连线仅用编号表示顺序。5. 注意力热图生成量化视觉注意的密度分布如果说轨迹图讲述的是“视觉旅程”的故事那么热图呈现的就是“视觉停留”的总结。热图通过颜色深浅直观地告诉我们屏幕上的哪些区域吸引了最多的注视总时长。5.1 热图生成原理从点到面热图的本质是一个二维直方图或核密度估计KDE图。我们需要将离散的注视点每个点带有“权重”即注视时长转换为一个覆盖整个屏幕的、连续的密度分布表面。方法一二维直方图加权这是最直观、计算最快的方法。将屏幕划分为网格如50x50统计每个网格内所有注视点的持续时间之和这个和值就是该网格的“热度”值。def generate_heatmap_histogram(fixation_df, screen_width, screen_height, grid_size50): 通过加权二维直方图生成热图数据。 fixation_df: 包含 x, y, duration 的DataFrame grid_size: 网格数量将生成 grid_size x grid_size 的矩阵 # 创建网格边界 x_edges np.linspace(0, screen_width, grid_size 1) y_edges np.linspace(0, screen_height, grid_size 1) # 计算二维直方图权重为注视时长 heatmap, x_edges, y_edges np.histogram2d( fixation_df[x], fixation_df[y], bins[x_edges, y_edges], weightsfixation_df[duration], # 关键使用时长作为权重 densityFalse # 不标准化为概率密度 ) # 转置以使热图方向正确 (histogram2d 返回的矩阵需要转置才能与imshow匹配) heatmap heatmap.T return heatmap, x_edges, y_edges heatmap_data, x_edges, y_edges generate_heatmap_histogram(fixation_df, screen_width, screen_height) # 使用Matplotlib的imshow绘制 fig, ax plt.subplots(figsize(10, 6)) # extent参数定义了图像在数据坐标中的范围 im ax.imshow(heatmap_data, extent[0, screen_width, screen_height, 0], originupper, cmaphot, interpolationgaussian, aspectauto) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(Attention Heatmap (Weighted by Fixation Duration)) plt.colorbar(im, axax, labelTotal Fixation Duration (ms)) plt.show()方法二核密度估计KDEKDE能生成更平滑、更“连续”的热图。它假设每个注视点都是一个“核函数”如高斯函数最终的密度是所有这些核函数的叠加。SciPy提供了gaussian_kde函数但它默认处理一维数据。对于二维加权KDE我们需要一些技巧或使用scipy.stats。from scipy import stats def generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_size200): 使用高斯核密度估计生成热图。 注意对于大量数据点计算可能较慢。 # 准备数据 x fixation_df[x].values y fixation_df[y].values # 如果考虑权重时长可以重复数据点来模拟权重近似方法 # 更精确的方法需要使用能够接受权重的KDE函数这里使用近似 weights fixation_df[duration].values weights_normalized weights / weights.mean() # 归一化权重 # 创建一个放大的样本数组来近似权重计算量大慎用 # 这里为了演示我们使用未加权的KDE kde stats.gaussian_kde([x, y]) # 创建网格 xi np.linspace(0, screen_width, grid_size) yi np.linspace(0, screen_height, grid_size) Xi, Yi np.meshgrid(xi, yi) # 评估KDE在网格点上的密度 Zi kde(np.vstack([Xi.flatten(), Yi.flatten()])) Zi Zi.reshape(Xi.shape) return Xi, Yi, Zi Xi, Yi, Zi generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_size100) fig, ax plt.subplots(figsize(10, 6)) # 使用pcolormesh绘制平滑的密度图 cp ax.pcolormesh(Xi, Yi, Zi, cmaphot, shadingauto) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(Attention Heatmap (Gaussian KDE)) plt.colorbar(cp, axax, labelDensity Estimate) plt.show()5.2 热图绘制的关键参数与技巧色彩映射cmaphot,plasma,viridis是常用的热图配色。hot白-黄-红-黑对比强烈最符合“热力”的直觉。viridis绿-黄-蓝是色盲友好且感知均匀的配色。插值interpolation在imshow中interpolationgaussian或bicubic可以使热图更平滑避免出现明显的马赛克块。nearest则保留清晰的网格边界。平滑与阈值原始热图可能噪声较多。可以对heatmap_data应用高斯滤波scipy.ndimage.gaussian_filter进行平滑。也可以设置一个阈值将低于该值的区域设为透明或背景色以突出高关注区域。from scipy.ndimage import gaussian_filter smoothed_heatmap gaussian_filter(heatmap_data, sigma1.0) # sigma控制平滑程度叠加背景图将热图以半透明形式叠加在实验刺激图片上是分析的标准做法能提供最直观的上下文。fig, ax plt.subplots(figsize(12, 8)) img plt.imread(stimulus.jpg) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 叠加半透明热图 im ax.imshow(smoothed_heatmap, extent[0, screen_width, screen_height, 0], originupper, cmaphot, alpha0.6, interpolationgaussian) ax.set_title(Heatmap Overlay on Stimulus) plt.colorbar(im, axax, labelAttention Density) plt.show()实操心得直方图法速度快结果稳定易于解释每个格子的值就是总注视时长是报告中的首选。KDE法更美观、平滑更能反映注意力的“扩散”效应但计算慢且带宽参数的选择对结果影响很大需要谨慎调整。在大多数实际项目中使用加权的直方图法并辅以高斯平滑就能得到既美观又可靠的结果。6. 完整项目实战构建可复用的分析流水线现在我们将以上所有步骤整合到一个模块化、可配置的Python脚本或Jupyter Notebook中形成一个完整的分析流水线。这不仅能用于单个数据文件更能通过循环处理批量数据实现自动化报告生成。6.1 项目结构设计建议创建一个结构清晰的目录和模块eyetracking_visualization/ │ ├── config.py # 配置文件屏幕分辨率、路径、参数等 ├── data_loader.py # 数据加载与清洗模块 ├── fixation_detection.py # 注视点检测模块可使用简化或高级算法 ├── visualization.py # 轨迹图和热图绘制函数 ├── utils.py # 工具函数如平滑、坐标转换 ├── main.py # 主程序串联整个流程 └── outputs/ # 存放生成的图片和报告6.2 核心模块代码示例config.py:SCREEN_RESOLUTION (1920, 1080) # (width, height) DATA_PATH ./data/raw/ OUTPUT_PATH ./outputs/ HEATMAP_GRID_SIZE 80 FIXATION_TIME_WINDOW_MS 100 FIXATION_SPATIAL_THRESHOLD_PX 25visualization.py(核心绘图函数封装):import matplotlib.pyplot as plt import numpy as np import os def plot_fixation_sequence(fixation_df, background_img_pathNone, output_pathNone, **kwargs): 绘制注视点序列轨迹图 fig, ax plt.subplots(figsizekwargs.get(figsize, (12, 8))) screen_width kwargs.get(screen_width, 1920) screen_height kwargs.get(screen_height, 1080) # 加载背景图 if background_img_path and os.path.exists(background_img_path): img plt.imread(background_img_path) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 计算点大小 max_duration fixation_df[duration].max() min_point_size kwargs.get(min_point_size, 50) max_point_size kwargs.get(max_point_size, 800) if max_duration 0: point_sizes min_point_size (fixation_df[duration] / max_duration) * (max_point_size - min_point_size) else: point_sizes np.full(len(fixation_df), min_point_size) # 绘制散点和连线 scatter ax.scatter(fixation_df[x], fixation_df[y], spoint_sizes, alpha0.7, cred, edgecolorsblack, linewidth1.5, zorder5) ax.plot(fixation_df[x], fixation_df[y], gray, alpha0.4, linewidth1, zorder4) # 添加编号 for i, row in fixation_df.iterrows(): ax.annotate(str(i1), (row[x], row[y]), fontsize9, hacenter, vacenter, colorwhite, weightbold, zorder6) ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) ax.set_xlabel(X Coordinate (pixels)) ax.set_ylabel(Y Coordinate (pixels)) ax.set_title(kwargs.get(title, Fixation Sequence Plot)) ax.grid(False) # 通常叠加在图片上时关闭网格 if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f轨迹图已保存至: {output_path}) else: plt.show() plt.close(fig) def plot_attention_heatmap(fixation_df, background_img_pathNone, output_pathNone, methodhistogram, **kwargs): 绘制注意力热图 screen_width kwargs.get(screen_width, 1920) screen_height kwargs.get(screen_height, 1080) grid_size kwargs.get(grid_size, 80) # 生成热图数据 if method histogram: heatmap_data, x_edges, y_edges generate_heatmap_histogram(fixation_df, screen_width, screen_height, grid_size) # 可选平滑 if kwargs.get(smooth, True): from scipy.ndimage import gaussian_filter heatmap_data gaussian_filter(heatmap_data, sigmakwargs.get(sigma, 1.0)) extent [0, screen_width, screen_height, 0] elif method kde: Xi, Yi, Zi generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_sizegrid_size) heatmap_data Zi extent [Xi.min(), Xi.max(), Yi.max(), Yi.min()] # 注意y轴方向 else: raise ValueError(method must be histogram or kde) fig, ax plt.subplots(figsizekwargs.get(figsize, (12, 8))) # 加载背景图 if background_img_path and os.path.exists(background_img_path): img plt.imread(background_img_path) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 叠加热图 im ax.imshow(heatmap_data, extentextent, originupper, cmapkwargs.get(cmap, hot), alphakwargs.get(alpha, 0.6), interpolationkwargs.get(interpolation, gaussian)) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(kwargs.get(title, Attention Heatmap)) plt.colorbar(im, axax, labelAttention Intensity) if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f热图已保存至: {output_path}) else: plt.show() plt.close(fig)6.3 主程序示例main.py:import pandas as pd from config import * from data_loader import load_and_clean_data from fixation_detection import identify_fixations from visualization import plot_fixation_sequence, plot_attention_heatmap import os def main(data_file, stimulus_image): 处理单个数据文件 print(f正在处理文件: {data_file}) # 1. 加载与清洗 df_raw pd.read_csv(os.path.join(DATA_PATH, data_file)) df_clean load_and_clean_data(df_raw, SCREEN_RESOLUTION) # 2. 注视点检测 fixation_df identify_fixations(df_clean, time_windowFIXATION_TIME_WINDOW_MS, spatial_thresholdFIXATION_SPATIAL_THRESHOLD_PX) print(f 识别出 {len(fixation_df)} 个注视点) # 3. 可视化 output_prefix os.path.splitext(data_file)[0] # 轨迹图 traj_output os.path.join(OUTPUT_PATH, f{output_prefix}_trajectory.png) plot_fixation_sequence(fixation_df, background_img_pathstimulus_image, output_pathtraj_output, screen_widthSCREEN_RESOLUTION[0], screen_heightSCREEN_RESOLUTION[1], titlefFixation Trajectory - {output_prefix}) # 热图 heatmap_output os.path.join(OUTPUT_PATH, f{output_prefix}_heatmap.png) plot_attention_heatmap(fixation_df, background_img_pathstimulus_image, output_pathheatmap_output, methodhistogram, screen_widthSCREEN_RESOLUTION[0], screen_heightSCREEN_RESOLUTION[1], grid_sizeHEATMAP_GRID_SIZE, titlefAttention Heatmap - {output_prefix}) print(f 可视化结果已保存至 {OUTPUT_PATH}) if __name__ __main__: # 示例处理一个文件 main(participant_01_trial_1.csv, stimulus_webpage.jpg) # 批量处理 # for file in os.listdir(DATA_PATH): # if file.endswith(.csv): # main(file, common_stimulus.jpg)通过这样的模块化设计你可以轻松地调整参数、更换算法、处理新数据并将整个流程集成到更大型的数据分析平台中。7. 常见问题、排查技巧与性能优化在实际操作中你一定会遇到各种预料之外的情况。下面是我总结的一些典型问题及其解决方案。7.1 数据与可视化问题排查表问题现象可能原因排查步骤与解决方案热图一片空白或只有几个点1. 坐标超出画布范围。2. 数据清洗过于严格过滤掉了大部分点。3. 热图色彩映射范围不合适。1. 打印fixation_df的x,y的min()和max()确认其在屏幕分辨率内。2. 检查清洗步骤的阈值是否设得太小如空间阈值。临时放宽条件测试。3. 检查heatmap_data矩阵的值可能都非常小。尝试对数据取对数或调整imshow的vmin,vmax参数。轨迹图连线交叉混乱注视点过多或扫描路径本身复杂。1. 考虑不绘制连线仅用编号表示顺序。2. 使用颜色渐变表示时间顺序替代连线。3. 只绘制前20-30个注视点对于长时间任务。热图有奇怪的条纹或块状伪影1. 网格划分太粗糙grid_size太小。2. 使用了interpolationnearest。3. 原始数据存在系统误差如眼动仪校准问题。1. 增加grid_size如从30提高到80或120。2. 使用interpolationgaussian或bicubic。3. 对原始数据应用轻微的高斯平滑或检查数据采集日志。图形保存后分辨率太低plt.savefig的dpi参数设置过低。在savefig中明确设置dpi300或更高。同时确保画布尺寸figsize足够大。注视点识别数量异常少注视点检测算法的参数时间窗口、空间阈值不适合当前数据。1. 可视化原始数据点观察其空间分布和采样间隔。2. 尝试不同的参数组合。一个经验法则是空间阈值约为屏幕宽度的1-2%时间窗口为100-200ms。使用参数网格搜索并与人工标注的少量数据进行对比验证。叠加背景图后坐标错位眼动坐标坐标系与图像坐标系不匹配。1. 确认眼动坐标原点通常是屏幕左上角和图像显示区域是否完全对齐。2. 检查ax.imshow的extent参数是否正确设置为[0, width, height, 0]注意y轴顺序。3. 如果刺激图片在屏幕上不是全屏显示需要进行坐标变换。7.2 性能优化技巧大数据处理当处理数十万甚至上百万的采样点时Pandas操作和KDE计算会非常慢。向量化操作尽量使用NumPy/Pandas的向量化函数避免Python层面的for循环。分块处理对于超大数据可以考虑按时间或按试次分块处理再合并结果。近似算法对于热图直方图法远快于KDE。如果必须用KDE可以尝试statsmodels库的KDEMultivariate或使用更快的近似算法或对数据进行下采样后再计算。使用更高效的数据结构在注视点检测等计算密集型步骤将DataFrame列转换为NumPy数组进行操作速度会快很多。x_values df[gaze_point_x].to_numpy() y_values df[gaze_point_y].to_numpy() # 在数组上进行计算...自动化与批处理利用Python的os和glob模块遍历文件夹内所有数据文件结合multiprocessing库进行多进程并行处理可以极大提升批量生成报告的效率。7.3 扩展方向与高级应用掌握了基础的可视化后你可以向更深入的分析迈进兴趣区AOI分析定义屏幕上特定的矩形或圆形区域如网页的Logo、导航栏、购买按钮统计落在每个AOI内的注视点次数、总时长、首次进入时间等指标。这需要额外的AOI坐标定义和空间判断逻辑。扫描路径比较计算不同被试或不同条件之间扫描路径的相似性度量如字符串编辑距离、向量相似度等。动态热图/轨迹使用matplotlib.animation或imageio库生成动态GIF或视频展示注视点随时间推移的累积过程这对于演示和汇报极具冲击力。与其它数据源整合将眼动数据与鼠标点击、键盘事件、生理信号如EEG、GSR时间同步进行多模态行为分析。交互式可视化使用Plotly或Bokeh库创建交互式网页图表允许查看者悬停查看注视点详情、切换不同被试的数据等。眼动数据的价值远不止于两张图。通过Python构建起这套灵活的分析管道你便拥有了将海量注视数据转化为深刻行为洞察的钥匙。从清晰的轨迹到灼热的热图每一次可视化都在讲述一个关于“如何看”的故事。我个人的体会是最大的挑战往往不在编码而在于理解数据背后的实验逻辑和人类视觉认知原理从而做出合理的参数选择和结果解读。希望这份详尽的指南能帮你避开我当年踩过的坑更快地踏上眼动数据分析的实战之路。如果在复现过程中遇到任何问题不妨回头检查一下数据清洗的步骤那通常是所有问题的源头。本文还有配套的精品资源点击获取
简介本资源是一套面向心理学研究者、人机交互工程师及UI/UX设计师的Python眼动数据分析工具包聚焦注视点轨迹绘制与热图生成两大核心任务解决眼动数据难以直观呈现、行为模式难量化的问题。压缩包共5个文件3个核心Python模块、1份说明文档和1个依赖清单总大小仅17KB轻量易部署gaze_visualizer.py负责多维可视化含动态热图与3D轨迹、eyetracking_analyzer.py实现注视检测、AOI分析与扫视识别main.py提供开箱即用的分析流程。已有126人学习下载适合具备基础Python能力的研究人员快速开展认知负荷评估、界面热点诊断或跨被试视觉行为对比。代码采用模块化设计算法严格遵循眼动研究规范支持高采样率数据实时处理并内置数据清洗、质量评估与自适应热图优化功能可直接嵌入实验分析 pipeline。1. 项目概述从数据到洞察眼动追踪可视化的核心价值眼动追踪技术早已不再是实验室里的昂贵玩具。从用户体验研究、广告效果评估到心理学实验、驾驶行为分析甚至是游戏和VR/AR领域的交互优化我们正处在一个需要量化“视觉注意力”的时代。作为一名长期混迹于数据科学和交互设计交叉领域的老兵我处理过大量眼动数据。最深刻的体会是原始的眼动坐标数据只是一堆冰冷的数字而真正产生价值的是将这些数据转化为直观、可解释的视觉故事。这就是“眼动追踪数据可视化”项目的核心——它是一座桥梁连接着生硬的采样点序列和人类可理解的视觉行为模式。这个项目具体要做什么简单说就是给你一套眼动仪比如Tobii、EyeLink等采集到的原始数据通常包含时间戳、X/Y坐标、瞳孔直径等然后通过Python编程将其转化为两种最经典、最有力的可视化形式注视点轨迹图和注意力热图。轨迹图能清晰展示视觉扫描路径回答“眼睛看了哪里按什么顺序看的”热图则通过颜色密度直观呈现视觉注意力的空间分布回答“哪里看得最多、最久”。对于产品经理、交互设计师、市场研究员或心理学学生来说掌握这套从数据处理到成图的分析流水线意味着你能独立、快速地从海量眼动数据中挖掘出关键洞察而无需依赖昂贵或封闭的商用分析软件。本文将手把手带你用Python搭建一个完整的、可复现的眼动数据可视化分析流程。我会从最原始的数据清洗讲起涵盖轨迹绘制、热图生成的所有核心算法与细节参数并分享我踩过的无数个坑和总结出的实战技巧。无论你是刚接触Python的数据分析新手还是想将眼动分析能力工具化的资深从业者都能从这里找到可直接“抄作业”的代码和思路。2. 核心思路与方案选型为什么是Python Matplotlib/Seaborn在动手写代码之前我们先要理清技术选型背后的逻辑。眼动可视化不是简单的画图它涉及时序数据处理、空间坐标映射、统计聚合以及美学渲染。市面上有专业的眼动分析软件如Tobii Pro Lab, iMotions它们功能强大但价格不菲且脚本化和批处理能力往往受限。而Python生态以其在科学计算NumPy, SciPy、数据分析Pandas和可视化Matplotlib, Seaborn, Plotly领域的绝对优势成为了构建灵活、自动化分析管道的理想选择。2.1 数据处理基石Pandas 与 NumPy眼动数据通常是CSV或TXT格式包含数万甚至数百万行记录。Pandas的DataFrame是处理这种表格数据的利器其强大的数据筛选、分组、聚合和清洗功能如处理无效数据、插值是后续所有分析的基础。NumPy则为我们提供了高效的数组运算能力特别是在计算注视点停留时间、进行空间网格化统计为热图准备时向量化操作能带来数量级的性能提升。2.2 可视化引擎的选择Matplotlib 与 Seaborn 的黄金组合这是本项目的可视化核心。我选择Matplotlib作为底层绘图引擎原因在于其无与伦比的灵活性和可控性。绘制注视点轨迹时我们需要精确控制每个点的位置、大小代表注视时长、连线的样式和颜色代表时间顺序或被试。Matplotlib的scatter和plot函数配合事件循环可以完美实现这些定制化需求。而热图的生成我强烈推荐在Matplotlib基础上使用Seaborn的heatmap函数或者直接使用Matplotlib的imshow。Seaborn的heatmap在统计聚合数据的可视化上更加便捷配色科学且能轻松添加数值标注。但需要注意的是我们需要先将二维空间中的注视点坐标通过二维核密度估计KDE或简单的直方图统计转换为一个二维的密度矩阵这个矩阵才是heatmap或imshow的输入。这里我会详细介绍两种热图生成方法的优劣和适用场景。2.3 为什么不选Plotly或更高级的库Plotly能生成交互式图表对于在线报告非常友好。但在初期构建分析原型和进行大批量、自动化报告生成时Matplotlib的静态图片输出更稳定、更快速且对系统资源要求更低。我们的首要目标是实现可靠、可复现的分析流程交互性可以作为后续的增强功能。因此本方案以Matplotlib/Seaborn为核心确保代码在任何Python环境中都能稳定运行。注意确保你的Python环境已安装上述库。可以通过pip install numpy pandas matplotlib seaborn scipy一键安装。SciPy库将用于可选的核密度估计计算。3. 数据预处理清洗与结构化一切分析的起点拿到眼动数据第一步永远不是画图而是“看”数据和“洗”数据。原始数据往往充满噪声和缺失值直接可视化只会得到一幅充满误导性的画面。3.1 理解你的数据格式一个典型的眼动数据文件CSV可能包含以下列timestamp: 采样时间点毫秒或微秒。gaze_point_x,gaze_point_y: 注视点在屏幕或刺激材料上的坐标通常以像素为单位。这是我们的核心数据。pupil_diameter: 瞳孔直径可用于认知负荷等衍生分析本项目暂不涉及。validity: 数据有效性标志如0有效1无效。这是清洗的关键。stimulus: 当前呈现的刺激物名称用于分段分析。首先用Pandas加载数据并查看基本信息import pandas as pd import numpy as np # 加载数据假设分隔符是逗号 df pd.read_csv(eyetracking_data.csv) print(df.head()) # 查看前几行 print(df.info()) # 查看列信息和缺失值 print(df[validity].value_counts()) # 查看有效性标签分布3.2 关键清洗步骤处理无效数据根据validity列过滤掉标记为无效的数据点。# 假设 validity 为0表示有效 df_clean df[df[validity] 0].copy()处理坐标异常值眼动仪可能因眨眼、头部移动产生坐标值为NaN或超出屏幕范围如负数或大于屏幕分辨率的异常点。screen_width, screen_height 1920, 1080 # 根据你的实验设置修改 # 剔除超出屏幕范围的注视点 df_clean df_clean[ (df_clean[gaze_point_x].between(0, screen_width)) (df_clean[gaze_point_y].between(0, screen_height)) ] # 填充或删除剩余的NaN值谨慎操作填充可能引入偏差 df_clean[gaze_point_x].fillna(methodffill, inplaceTrue) # 前向填充 df_clean[gaze_point_y].fillna(methodffill, inplaceTrue) # 或者直接删除df_clean.dropna(subset[gaze_point_x, gaze_point_y], inplaceTrue)时间戳处理与采样率检查确保时间戳是单调递增的。计算实际采样率与设备标称值对比可发现数据记录是否完整。df_clean[timestamp] pd.to_numeric(df_clean[timestamp], errorscoerce) df_clean.sort_values(timestamp, inplaceTrue) # 计算采样间隔和平均采样率 time_intervals np.diff(df_clean[timestamp]) avg_sample_rate 1 / (np.mean(time_intervals) / 1000.0) # 假设时间戳单位是毫秒转换为Hz print(f平均采样率: {avg_sample_rate:.2f} Hz)3.3 定义注视点Fixation原始数据是连续的“注视点采样”但我们需要识别出真正的“注视事件”即视线在某个小区域内保持相对稳定一段时间。这里涉及一个核心算法速度-阈值识别算法I-VT。简单来说就是计算连续采样点之间的角速度或像素位移速度将低于某个阈值的连续点聚类为一个注视点。对于入门或快速分析我们可以采用一种简化方法基于时间的滑动窗口。例如将连续100毫秒内坐标标准差小于某个阈值如20像素的采样点聚合为一个注视点用这些点的坐标均值作为注视点位置持续时间作为注视时长。def identify_fixations_simple(df, time_window100, std_threshold20): 简化版注视点识别基于时间和空间稳定性。 注意这是一个启发式方法对于精确研究请使用成熟的算法库如PyGazeAnalyser。 fixations [] start_idx 0 while start_idx len(df): # 获取时间窗口内的数据 start_time df.iloc[start_idx][timestamp] window_df df[(df[timestamp] start_time) (df[timestamp] start_time time_window)] if len(window_df) 2: start_idx 1 continue # 计算窗口内坐标的标准差 x_std window_df[gaze_point_x].std() y_std window_df[gaze_point_y].std() if x_std std_threshold and y_std std_threshold: # 符合注视点条件计算平均位置和持续时间 fixation_x window_df[gaze_point_x].mean() fixation_y window_df[gaze_point_y].mean() duration window_df[timestamp].max() - window_df[timestamp].min() fixations.append({x: fixation_x, y: fixation_y, duration: duration}) # 跳过这个窗口从下一个点开始 start_idx len(window_df) else: start_idx 1 # 不符合移动一个采样点 return pd.DataFrame(fixations) # 应用简化识别算法 fixation_df identify_fixations_simple(df_clean) print(f识别出 {len(fixation_df)} 个注视点)实操心得简化算法适用于数据质量较高、对精度要求不极端的场景。对于学术研究或商业报告强烈建议使用经过验证的库如PyGazeAnalyser或直接使用眼动仪厂商提供的SDK进行注视点检测。这里的简化方法主要用于教学和快速原型验证。4. 注视点轨迹图绘制还原视觉扫描路径有了清洗后的注视点数据我们就可以开始绘制轨迹图了。轨迹图的目标是清晰展示注视点的空间位置、时间顺序以及相对持续时间。4.1 基础轨迹绘制我们将使用Matplotlib的scatter和plot函数。scatter用于绘制点代表注视点点的大小映射注视时长plot用于绘制连接线表示视线移动路径。import matplotlib.pyplot as plt # 设置画布背景可以加载实验所用的刺激图片 fig, ax plt.subplots(figsize(12, 8)) # 假设我们有一张背景图 stimulus.jpg # img plt.imread(stimulus.jpg) # ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 注意y轴方向 # 绘制注视点点的大小与注视时长成正比 # 这里对时长进行缩放使得点的大小在视觉上区分明显 scatter_size fixation_df[duration] / fixation_df[duration].max() * 500 # 缩放因子可调 scatter ax.scatter(fixation_df[x], fixation_df[y], sscatter_size, alpha0.6, cred, edgecolorsblack, linewidth0.5) # 绘制注视点之间的连线按时间顺序 ax.plot(fixation_df[x], fixation_df[y], b-, alpha0.4, linewidth1) # 添加注视点编号时间顺序 for i, row in fixation_df.iterrows(): ax.annotate(str(i1), (row[x], row[y]), fontsize8, hacenter, vacenter, colorwhite) # 设置坐标轴和标题 ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) # 注意图像坐标系y轴向下我们需要反转以匹配屏幕坐标 ax.set_xlabel(X Coordinate (pixels)) ax.set_ylabel(Y Coordinate (pixels)) ax.set_title(Fixation Sequence and Duration) ax.grid(True, alpha0.3) plt.tight_layout() plt.show()4.2 高级增强用颜色编码时间或兴趣区为了使轨迹图信息量更大我们可以用颜色来编码额外的维度。例如用渐变色表示时间先后从冷色到暖色或者根据注视点所在的兴趣区AOI来着色。# 颜色编码时间归一化时间戳 fixation_df[time_norm] (fixation_df.index - fixation_df.index.min()) / (fixation_df.index.max() - fixation_df.index.min()) # 使用viridis色彩映射 colors plt.cm.viridis(fixation_df[time_norm]) fig, ax plt.subplots(figsize(12, 8)) # 绘制带颜色编码的散点 scatter ax.scatter(fixation_df[x], fixation_df[y], sscatter_size, alpha0.7, ccolors, edgecolorsk, linewidth0.5) # 绘制连线连线颜色也可以渐变 for i in range(len(fixation_df)-1): ax.plot([fixation_df.iloc[i][x], fixation_df.iloc[i1][x]], [fixation_df.iloc[i][y], fixation_df.iloc[i1][y]], colorcolors[i], alpha0.5, linewidth1) # 添加颜色条表示时间 sm plt.cm.ScalarMappable(cmapviridis, normplt.Normalize(vmin0, vmax1)) sm.set_array([]) cbar plt.colorbar(sm, axax) cbar.set_label(Normalized Time Sequence) ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) ax.set_title(Fixation Sequence Colored by Time) plt.show()注意事项轨迹图在注视点过多时会变得非常杂乱。一种常见的做法是只呈现前N个注视点或者按时间分段呈现。另外连线的交叉可能会造成视觉混淆可以考虑使用曲线如ax.plot(..., -, alpha0.3)或完全省略连线仅用编号表示顺序。5. 注意力热图生成量化视觉注意的密度分布如果说轨迹图讲述的是“视觉旅程”的故事那么热图呈现的就是“视觉停留”的总结。热图通过颜色深浅直观地告诉我们屏幕上的哪些区域吸引了最多的注视总时长。5.1 热图生成原理从点到面热图的本质是一个二维直方图或核密度估计KDE图。我们需要将离散的注视点每个点带有“权重”即注视时长转换为一个覆盖整个屏幕的、连续的密度分布表面。方法一二维直方图加权这是最直观、计算最快的方法。将屏幕划分为网格如50x50统计每个网格内所有注视点的持续时间之和这个和值就是该网格的“热度”值。def generate_heatmap_histogram(fixation_df, screen_width, screen_height, grid_size50): 通过加权二维直方图生成热图数据。 fixation_df: 包含 x, y, duration 的DataFrame grid_size: 网格数量将生成 grid_size x grid_size 的矩阵 # 创建网格边界 x_edges np.linspace(0, screen_width, grid_size 1) y_edges np.linspace(0, screen_height, grid_size 1) # 计算二维直方图权重为注视时长 heatmap, x_edges, y_edges np.histogram2d( fixation_df[x], fixation_df[y], bins[x_edges, y_edges], weightsfixation_df[duration], # 关键使用时长作为权重 densityFalse # 不标准化为概率密度 ) # 转置以使热图方向正确 (histogram2d 返回的矩阵需要转置才能与imshow匹配) heatmap heatmap.T return heatmap, x_edges, y_edges heatmap_data, x_edges, y_edges generate_heatmap_histogram(fixation_df, screen_width, screen_height) # 使用Matplotlib的imshow绘制 fig, ax plt.subplots(figsize(10, 6)) # extent参数定义了图像在数据坐标中的范围 im ax.imshow(heatmap_data, extent[0, screen_width, screen_height, 0], originupper, cmaphot, interpolationgaussian, aspectauto) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(Attention Heatmap (Weighted by Fixation Duration)) plt.colorbar(im, axax, labelTotal Fixation Duration (ms)) plt.show()方法二核密度估计KDEKDE能生成更平滑、更“连续”的热图。它假设每个注视点都是一个“核函数”如高斯函数最终的密度是所有这些核函数的叠加。SciPy提供了gaussian_kde函数但它默认处理一维数据。对于二维加权KDE我们需要一些技巧或使用scipy.stats。from scipy import stats def generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_size200): 使用高斯核密度估计生成热图。 注意对于大量数据点计算可能较慢。 # 准备数据 x fixation_df[x].values y fixation_df[y].values # 如果考虑权重时长可以重复数据点来模拟权重近似方法 # 更精确的方法需要使用能够接受权重的KDE函数这里使用近似 weights fixation_df[duration].values weights_normalized weights / weights.mean() # 归一化权重 # 创建一个放大的样本数组来近似权重计算量大慎用 # 这里为了演示我们使用未加权的KDE kde stats.gaussian_kde([x, y]) # 创建网格 xi np.linspace(0, screen_width, grid_size) yi np.linspace(0, screen_height, grid_size) Xi, Yi np.meshgrid(xi, yi) # 评估KDE在网格点上的密度 Zi kde(np.vstack([Xi.flatten(), Yi.flatten()])) Zi Zi.reshape(Xi.shape) return Xi, Yi, Zi Xi, Yi, Zi generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_size100) fig, ax plt.subplots(figsize(10, 6)) # 使用pcolormesh绘制平滑的密度图 cp ax.pcolormesh(Xi, Yi, Zi, cmaphot, shadingauto) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(Attention Heatmap (Gaussian KDE)) plt.colorbar(cp, axax, labelDensity Estimate) plt.show()5.2 热图绘制的关键参数与技巧色彩映射cmaphot,plasma,viridis是常用的热图配色。hot白-黄-红-黑对比强烈最符合“热力”的直觉。viridis绿-黄-蓝是色盲友好且感知均匀的配色。插值interpolation在imshow中interpolationgaussian或bicubic可以使热图更平滑避免出现明显的马赛克块。nearest则保留清晰的网格边界。平滑与阈值原始热图可能噪声较多。可以对heatmap_data应用高斯滤波scipy.ndimage.gaussian_filter进行平滑。也可以设置一个阈值将低于该值的区域设为透明或背景色以突出高关注区域。from scipy.ndimage import gaussian_filter smoothed_heatmap gaussian_filter(heatmap_data, sigma1.0) # sigma控制平滑程度叠加背景图将热图以半透明形式叠加在实验刺激图片上是分析的标准做法能提供最直观的上下文。fig, ax plt.subplots(figsize(12, 8)) img plt.imread(stimulus.jpg) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 叠加半透明热图 im ax.imshow(smoothed_heatmap, extent[0, screen_width, screen_height, 0], originupper, cmaphot, alpha0.6, interpolationgaussian) ax.set_title(Heatmap Overlay on Stimulus) plt.colorbar(im, axax, labelAttention Density) plt.show()实操心得直方图法速度快结果稳定易于解释每个格子的值就是总注视时长是报告中的首选。KDE法更美观、平滑更能反映注意力的“扩散”效应但计算慢且带宽参数的选择对结果影响很大需要谨慎调整。在大多数实际项目中使用加权的直方图法并辅以高斯平滑就能得到既美观又可靠的结果。6. 完整项目实战构建可复用的分析流水线现在我们将以上所有步骤整合到一个模块化、可配置的Python脚本或Jupyter Notebook中形成一个完整的分析流水线。这不仅能用于单个数据文件更能通过循环处理批量数据实现自动化报告生成。6.1 项目结构设计建议创建一个结构清晰的目录和模块eyetracking_visualization/ │ ├── config.py # 配置文件屏幕分辨率、路径、参数等 ├── data_loader.py # 数据加载与清洗模块 ├── fixation_detection.py # 注视点检测模块可使用简化或高级算法 ├── visualization.py # 轨迹图和热图绘制函数 ├── utils.py # 工具函数如平滑、坐标转换 ├── main.py # 主程序串联整个流程 └── outputs/ # 存放生成的图片和报告6.2 核心模块代码示例config.py:SCREEN_RESOLUTION (1920, 1080) # (width, height) DATA_PATH ./data/raw/ OUTPUT_PATH ./outputs/ HEATMAP_GRID_SIZE 80 FIXATION_TIME_WINDOW_MS 100 FIXATION_SPATIAL_THRESHOLD_PX 25visualization.py(核心绘图函数封装):import matplotlib.pyplot as plt import numpy as np import os def plot_fixation_sequence(fixation_df, background_img_pathNone, output_pathNone, **kwargs): 绘制注视点序列轨迹图 fig, ax plt.subplots(figsizekwargs.get(figsize, (12, 8))) screen_width kwargs.get(screen_width, 1920) screen_height kwargs.get(screen_height, 1080) # 加载背景图 if background_img_path and os.path.exists(background_img_path): img plt.imread(background_img_path) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 计算点大小 max_duration fixation_df[duration].max() min_point_size kwargs.get(min_point_size, 50) max_point_size kwargs.get(max_point_size, 800) if max_duration 0: point_sizes min_point_size (fixation_df[duration] / max_duration) * (max_point_size - min_point_size) else: point_sizes np.full(len(fixation_df), min_point_size) # 绘制散点和连线 scatter ax.scatter(fixation_df[x], fixation_df[y], spoint_sizes, alpha0.7, cred, edgecolorsblack, linewidth1.5, zorder5) ax.plot(fixation_df[x], fixation_df[y], gray, alpha0.4, linewidth1, zorder4) # 添加编号 for i, row in fixation_df.iterrows(): ax.annotate(str(i1), (row[x], row[y]), fontsize9, hacenter, vacenter, colorwhite, weightbold, zorder6) ax.set_xlim(0, screen_width) ax.set_ylim(screen_height, 0) ax.set_xlabel(X Coordinate (pixels)) ax.set_ylabel(Y Coordinate (pixels)) ax.set_title(kwargs.get(title, Fixation Sequence Plot)) ax.grid(False) # 通常叠加在图片上时关闭网格 if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f轨迹图已保存至: {output_path}) else: plt.show() plt.close(fig) def plot_attention_heatmap(fixation_df, background_img_pathNone, output_pathNone, methodhistogram, **kwargs): 绘制注意力热图 screen_width kwargs.get(screen_width, 1920) screen_height kwargs.get(screen_height, 1080) grid_size kwargs.get(grid_size, 80) # 生成热图数据 if method histogram: heatmap_data, x_edges, y_edges generate_heatmap_histogram(fixation_df, screen_width, screen_height, grid_size) # 可选平滑 if kwargs.get(smooth, True): from scipy.ndimage import gaussian_filter heatmap_data gaussian_filter(heatmap_data, sigmakwargs.get(sigma, 1.0)) extent [0, screen_width, screen_height, 0] elif method kde: Xi, Yi, Zi generate_heatmap_kde(fixation_df, screen_width, screen_height, grid_sizegrid_size) heatmap_data Zi extent [Xi.min(), Xi.max(), Yi.max(), Yi.min()] # 注意y轴方向 else: raise ValueError(method must be histogram or kde) fig, ax plt.subplots(figsizekwargs.get(figsize, (12, 8))) # 加载背景图 if background_img_path and os.path.exists(background_img_path): img plt.imread(background_img_path) ax.imshow(img, extent[0, screen_width, screen_height, 0]) # 叠加热图 im ax.imshow(heatmap_data, extentextent, originupper, cmapkwargs.get(cmap, hot), alphakwargs.get(alpha, 0.6), interpolationkwargs.get(interpolation, gaussian)) ax.set_xlabel(X Coordinate) ax.set_ylabel(Y Coordinate) ax.set_title(kwargs.get(title, Attention Heatmap)) plt.colorbar(im, axax, labelAttention Intensity) if output_path: plt.savefig(output_path, dpi300, bbox_inchestight) print(f热图已保存至: {output_path}) else: plt.show() plt.close(fig)6.3 主程序示例main.py:import pandas as pd from config import * from data_loader import load_and_clean_data from fixation_detection import identify_fixations from visualization import plot_fixation_sequence, plot_attention_heatmap import os def main(data_file, stimulus_image): 处理单个数据文件 print(f正在处理文件: {data_file}) # 1. 加载与清洗 df_raw pd.read_csv(os.path.join(DATA_PATH, data_file)) df_clean load_and_clean_data(df_raw, SCREEN_RESOLUTION) # 2. 注视点检测 fixation_df identify_fixations(df_clean, time_windowFIXATION_TIME_WINDOW_MS, spatial_thresholdFIXATION_SPATIAL_THRESHOLD_PX) print(f 识别出 {len(fixation_df)} 个注视点) # 3. 可视化 output_prefix os.path.splitext(data_file)[0] # 轨迹图 traj_output os.path.join(OUTPUT_PATH, f{output_prefix}_trajectory.png) plot_fixation_sequence(fixation_df, background_img_pathstimulus_image, output_pathtraj_output, screen_widthSCREEN_RESOLUTION[0], screen_heightSCREEN_RESOLUTION[1], titlefFixation Trajectory - {output_prefix}) # 热图 heatmap_output os.path.join(OUTPUT_PATH, f{output_prefix}_heatmap.png) plot_attention_heatmap(fixation_df, background_img_pathstimulus_image, output_pathheatmap_output, methodhistogram, screen_widthSCREEN_RESOLUTION[0], screen_heightSCREEN_RESOLUTION[1], grid_sizeHEATMAP_GRID_SIZE, titlefAttention Heatmap - {output_prefix}) print(f 可视化结果已保存至 {OUTPUT_PATH}) if __name__ __main__: # 示例处理一个文件 main(participant_01_trial_1.csv, stimulus_webpage.jpg) # 批量处理 # for file in os.listdir(DATA_PATH): # if file.endswith(.csv): # main(file, common_stimulus.jpg)通过这样的模块化设计你可以轻松地调整参数、更换算法、处理新数据并将整个流程集成到更大型的数据分析平台中。7. 常见问题、排查技巧与性能优化在实际操作中你一定会遇到各种预料之外的情况。下面是我总结的一些典型问题及其解决方案。7.1 数据与可视化问题排查表问题现象可能原因排查步骤与解决方案热图一片空白或只有几个点1. 坐标超出画布范围。2. 数据清洗过于严格过滤掉了大部分点。3. 热图色彩映射范围不合适。1. 打印fixation_df的x,y的min()和max()确认其在屏幕分辨率内。2. 检查清洗步骤的阈值是否设得太小如空间阈值。临时放宽条件测试。3. 检查heatmap_data矩阵的值可能都非常小。尝试对数据取对数或调整imshow的vmin,vmax参数。轨迹图连线交叉混乱注视点过多或扫描路径本身复杂。1. 考虑不绘制连线仅用编号表示顺序。2. 使用颜色渐变表示时间顺序替代连线。3. 只绘制前20-30个注视点对于长时间任务。热图有奇怪的条纹或块状伪影1. 网格划分太粗糙grid_size太小。2. 使用了interpolationnearest。3. 原始数据存在系统误差如眼动仪校准问题。1. 增加grid_size如从30提高到80或120。2. 使用interpolationgaussian或bicubic。3. 对原始数据应用轻微的高斯平滑或检查数据采集日志。图形保存后分辨率太低plt.savefig的dpi参数设置过低。在savefig中明确设置dpi300或更高。同时确保画布尺寸figsize足够大。注视点识别数量异常少注视点检测算法的参数时间窗口、空间阈值不适合当前数据。1. 可视化原始数据点观察其空间分布和采样间隔。2. 尝试不同的参数组合。一个经验法则是空间阈值约为屏幕宽度的1-2%时间窗口为100-200ms。使用参数网格搜索并与人工标注的少量数据进行对比验证。叠加背景图后坐标错位眼动坐标坐标系与图像坐标系不匹配。1. 确认眼动坐标原点通常是屏幕左上角和图像显示区域是否完全对齐。2. 检查ax.imshow的extent参数是否正确设置为[0, width, height, 0]注意y轴顺序。3. 如果刺激图片在屏幕上不是全屏显示需要进行坐标变换。7.2 性能优化技巧大数据处理当处理数十万甚至上百万的采样点时Pandas操作和KDE计算会非常慢。向量化操作尽量使用NumPy/Pandas的向量化函数避免Python层面的for循环。分块处理对于超大数据可以考虑按时间或按试次分块处理再合并结果。近似算法对于热图直方图法远快于KDE。如果必须用KDE可以尝试statsmodels库的KDEMultivariate或使用更快的近似算法或对数据进行下采样后再计算。使用更高效的数据结构在注视点检测等计算密集型步骤将DataFrame列转换为NumPy数组进行操作速度会快很多。x_values df[gaze_point_x].to_numpy() y_values df[gaze_point_y].to_numpy() # 在数组上进行计算...自动化与批处理利用Python的os和glob模块遍历文件夹内所有数据文件结合multiprocessing库进行多进程并行处理可以极大提升批量生成报告的效率。7.3 扩展方向与高级应用掌握了基础的可视化后你可以向更深入的分析迈进兴趣区AOI分析定义屏幕上特定的矩形或圆形区域如网页的Logo、导航栏、购买按钮统计落在每个AOI内的注视点次数、总时长、首次进入时间等指标。这需要额外的AOI坐标定义和空间判断逻辑。扫描路径比较计算不同被试或不同条件之间扫描路径的相似性度量如字符串编辑距离、向量相似度等。动态热图/轨迹使用matplotlib.animation或imageio库生成动态GIF或视频展示注视点随时间推移的累积过程这对于演示和汇报极具冲击力。与其它数据源整合将眼动数据与鼠标点击、键盘事件、生理信号如EEG、GSR时间同步进行多模态行为分析。交互式可视化使用Plotly或Bokeh库创建交互式网页图表允许查看者悬停查看注视点详情、切换不同被试的数据等。眼动数据的价值远不止于两张图。通过Python构建起这套灵活的分析管道你便拥有了将海量注视数据转化为深刻行为洞察的钥匙。从清晰的轨迹到灼热的热图每一次可视化都在讲述一个关于“如何看”的故事。我个人的体会是最大的挑战往往不在编码而在于理解数据背后的实验逻辑和人类视觉认知原理从而做出合理的参数选择和结果解读。希望这份详尽的指南能帮你避开我当年踩过的坑更快地踏上眼动数据分析的实战之路。如果在复现过程中遇到任何问题不妨回头检查一下数据清洗的步骤那通常是所有问题的源头。本文还有配套的精品资源点击获取
