20.500.12556/RUL-186147 Grafovske nevronske mreže za klasifikacijo valence iz podatkov sledilnika pogleda Graph Neural Networks for Valence Classification from Eye-Tracking Data V diplomski nalogi smo zasnovali in ovrednotili časovno-prostorsko grafovsko predstavitev podatkov sledilnika pogleda za binarno klasifikacijo valence. Meritve iz zbirke MAHNOB-HCI smo razdelili na desetsekundna okna in jih predstavili kot vozlišča s časovnimi, prostorskimi in fiksacijskimi povezavami. Primerjali smo homogeni GCN in tri heterogene različice z ločenim obravnavanjem relacij, učljivo fuzijo in utežmi povezav. S sedemkratnim prečnim preverjanjem po 22 udeležencih smo jih primerjali z modeli SVM, LightGBM, MLP, GazeMAE in MOMENT. Najboljši rezultat je dosegel SVM na koordinatah pogleda in velikostih zenic (točnost = 70,5 %, makro F1 = 69,7 %), najboljši grafovski model HeteroGCN-MLP pa samo na koordinatah pogleda (65,9 %, 65,8 %). Vsi grafovski modeli so presegli naključni in večinski klasifikator, vendar večja kompleksnost modela ne kaže doslednih izboljšav. V nalogi smo ugotovili, da grafovska predstavitev podatkov sledilnika pogleda vsebuje uporaben signal, vendar agregirane značilke ostajajo uspešnejše in računsko učinkovitejše za binarno klasifikacijo valence. In this thesis, we designed and evaluated a spatio-temporal graph representation of eye-tracking data for binary valence classification. Measurements from the MAHNOB-HCI dataset were divided into ten-second windows and represented as nodes connected by temporal, spatial, and fixation edges. We compared a homogeneous GCN with three heterogeneous variants incorporating relation-specific processing, learned relation fusion, and edge weights. Using seven-fold subject-wise cross-validation across 22 participants, we compared them with SVM, LightGBM, MLP, GazeMAE, and MOMENT. The best result was achieved by SVM using gaze coordinates and pupil sizes (accuracy = 70.5 %, macro F1 = 69.7 %), whereas the best graph model, HeteroGCN-MLP, used gaze coordinates alone (65.9 %, 65.8 %). All graph models outperformed the random and majority classifiers, but increasing model complexity did not yield consistent improvements. We conclude that the graph representation of eye-tracking data contains useful information, although aggregated features remain more accurate and computationally efficient for binary valence classification. grafovske nevronske mreže časovno-prostorski grafi podatki sledilnika pogleda klasifikacija valence graph neural networks spatio-temporal graphs eye-tracking data valence classification true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-08-27 12:00:09 2026-08-27 12:00:18 2026-08-31 07:51:02 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38849 289391875 Bozak_Tomi_-_Grafovske_nevronske_mreze_za_klasifikacijo_valence_iz_podatkov_sledilnika_pogleda.pdf Bozak_Tomi_-_Grafovske_nevronske_mreze_za_klasifikacijo_valence_iz_podatkov_sledilnika_pogleda.pdf 1 CDB73147A6009EF8E9443CC5A32C23C8 2b1e17f9e3b2fb5517eec4c223e5b41d5145a5d3cb228a0798147d832a9eb084 b1e9bd36-a1fd-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=245247 Fakulteta za računalništvo in informatiko 0 0 0