眼动实验是一种研究人类视觉感知和注意力分配的重要方法。通过追踪和分析被试者的眼动数据，研究者可以深入了解人类在阅读、观察、认知等过程中的注意力分配规律。以下将详细介绍眼动实验中的四大经典范式，带您一窥注意力奥秘，解析视觉轨迹。

1. 眼动轨迹追踪范式

眼动轨迹追踪范式是最基本的范式之一，它通过记录被试者在观察某一刺激时的眼动轨迹，分析其视觉注意力的分配情况。这种范式通常采用眼动仪进行数据采集，可以精确测量被试者的眼动参数，如注视点、注视时间、扫视次数等。

代码示例（Python）

import numpy as np
import matplotlib.pyplot as plt

# 假设某被试者在观察刺激时的眼动数据
fixations = np.array([[100, 100], [150, 150], [200, 200], [250, 250]])
plot_fixations(fixations)

def plot_fixations(fixations):
    plt.figure(figsize=(8, 6))
    plt.plot(fixations[:, 0], fixations[:, 1], 'o')
    plt.xlabel('X-axis')
    plt.ylabel('Y-axis')
    plt.title('Eye Movement Fixations')
    plt.grid(True)
    plt.show()

2. 眼动潜伏期范式

眼动潜伏期范式主要研究被试者在观察某一刺激时，从刺激出现到产生视觉注意的时间。这种范式通过测量被试者的眼动潜伏期，分析其视觉注意力的敏感性和反应速度。

代码示例（Python）

import numpy as np

# 假设某被试者在观察刺激时的眼动潜伏期数据
latency = np.array([0.1, 0.2, 0.3, 0.4, 0.5])
plot_latency(latency)

def plot_latency(latency):
    plt.figure(figsize=(8, 6))
    plt.plot(latency, 'o')
    plt.xlabel('Latency (s)')
    plt.ylabel('Number of Participants')
    plt.title('Eye Movement Latency')
    plt.grid(True)
    plt.show()

3. 眼动扫描范式

眼动扫描范式主要研究被试者在观察某一刺激时，眼动在刺激上的分布情况。这种范式通过分析被试者的眼动扫描路径，揭示其视觉注意力的焦点和视觉兴趣点。

代码示例（Python）

import numpy as np
import matplotlib.pyplot as plt

# 假设某被试者在观察刺激时的眼动扫描路径数据
scan_path = np.array([[100, 100], [150, 150], [200, 200], [250, 250], [300, 300]])
plot_scan_path(scan_path)

def plot_scan_path(scan_path):
    plt.figure(figsize=(8, 6))
    plt.plot(scan_path[:, 0], scan_path[:, 1], 'o-')
    plt.xlabel('X-axis')
    plt.ylabel('Y-axis')
    plt.title('Eye Movement Scan Path')
    plt.grid(True)
    plt.show()

4. 眼动回归范式

眼动回归范式主要研究被试者在观察某一刺激时，眼动对刺激位置的回归能力。这种范式通过分析被试者的眼动回归轨迹，评估其视觉注意力的准确性和稳定性。

代码示例（Python）

import numpy as np
import matplotlib.pyplot as plt

# 假设某被试者在观察刺激时的眼动回归轨迹数据
regression_path = np.array([[100, 100], [150, 150], [200, 200], [250, 250], [300, 300]])
plot_regression_path(regression_path)

def plot_regression_path(regression_path):
    plt.figure(figsize=(8, 6))
    plt.plot(regression_path[:, 0], regression_path[:, 1], 'o--')
    plt.xlabel('X-axis')
    plt.ylabel('Y-axis')
    plt.title('Eye Movement Regression Path')
    plt.grid(True)
    plt.show()

通过以上四大经典范式，我们可以深入理解人类视觉注意力的奥秘，解析视觉轨迹。这些范式在心理学、认知科学、人机交互等领域有着广泛的应用，为研究者提供了丰富的数据支持。