Human-Computer Interaction

Przedmiot prowadzony jest dla studentów 2-ego roku kierunku kognitywistyka na Uniwersytecie Adama Mickiewicza w Poznaniu. 🎓

• zaj. 1-4:       mgr Agnieszka Smolnicka, agnieszka.smolnicka[at]amu.edu.pl, dyżur: pon. 14:00-15:00, pok. 110
• zaj. 5-11:     mgr Dawid Ratajczyk, dawid.ratajczyk[at]amu.edu.pl, dyżur: śr. 12:00-13:00, pok. 110
• zaj. 12-14:  dr Aleksandra Wasielewska, aleksandra.wasielewska[at]amu.edu.pl, dyżur: czw. 13:30-15:30, pok. LBR
• wykład:       dr inż. Marcin Jukiewicz (koordynator), marcin.jukiewicz[at]amu.edu.pl

Kurs składa się z czterech części:

1. Elementy Computer Science
2. Tworzenie stron internetowych
3. Analiza biosygnałów
4. Elementy Human-Robot Interaction

Oceny wystawiane są na podstawie zadań wykonywanych w trakcie zajęć lub w domu, wejściówek oraz na podstawie projektu dotyczącego interfejsów mózg komputer.

Uwaga 🏢 Zgodnie z regulaminem studiów obowiązują dwie nieobecności, niezależnie od tego, czy są one usprawiedliwione, czy nie. 📘

Celem projektu jest zrozumienie, jak sygnały mięśniowe związane z mrugnięciem mogą być wykorzystywane w komunikacji człowiek–komputer lub w analizie reakcji użytkownika na bodźce.
Dane EMG będą zbierane offline (oddzielne logi mrugnięć i bodźców), a analiza zostanie wykonana w środowisku Python / Jupyter Notebook.

Pracujecie w zespołach 2-osobowych i wybieracie jeden z dwóch wariantów projektu.

Odtworzenie słowa wymruganego przez użytkownika na podstawie dwóch plików:

• litery_czas.txt – zapis momentów wyświetlania liter
• mrugniecia.txt – zapis momentów wykrycia mrugnięć

Należy dopasować momenty mrugnięć do liter i sprawdzić, jakie słowo zostało „wymrugane”.
Projekt koncentruje się na analizie danych i dekodowaniu offline (bez synchronizacji online).

Do zajęć 4–5 grudnia 2025 r. należy przygotować program do wyświetlania liter, który:

• wyświetla kolejne litery alfabetu w pętli (np. co 1 sekundę; z uwzględnionymi przerwami na swobodne mruganie)
• zapisuje literę i czas jej wyświetlenia do pliku litery_czas.txt:

with open("litery_czas.txt", "a") as f:
    f.write(f"{litera},{time.time():.6f}\n")

Sprawdzenie, czy ludzie mrugają inaczej w zależności od rodzaju prezentowanych bodźców (np. neutralnych, emocjonalnych, zaskakujących).

Podczas zbierania danych program wyświetla bodźce (obrazy, słowa itp.) i zapisuje:

• bodzce_czas.txt – czasy wyświetlenia i kategorię bodźca
• mrugniecia.txt – czasy wykrycia mrugnięć, np.:

with open("bodzce_czas.txt", "a") as f:
    f.write(f"{kategoria},{bodziec},{time.time():.6f}\n")

Analiza offline polega na porównaniu częstości lub rytmu mrugnięć między kategoriami bodźców.

Do zajęć 4–5 grudnia 2025 r. należy przygotować program do wyświetlania bodźców, który:

• wyświetla serię obrazków, słów lub innych bodźców w różnych kategoriach
• zapisuje nazwę bodźca, jego kategorię i czas wyświetlenia do pliku bodzce_czas.txt

• 4–5 grudnia 2025 r. – przygotowanie programu (liter lub bodźców) na zajęcia z rejestracją danych
• 11 stycznia 2026 r. – termin oddania projektu

Wysyłacie w jednej spakowanej paczce (.zip):

1. projekt.ipynb (Jupyter Notebook) i projekt.pdf (raport)
2. Dane:
   • litery_czas.txt lub bodzce_czas.txt (w zależności od wariantu)
   • mrugniecia.txt
3. Program użyty do prezentacji:
   • wyswietlacz_liter.py lub bodzce.py

• Do dopasowania czasów mrugnięć i bodźców można użyć funkcji łączenia danych według najbliższego czasu (np. pd.merge_asof()).
• Do wizualizacji wyników przydadzą się biblioteki: matplotlib lub seaborn.
• Raport powinien krótko opisywać przebieg pracy, zastosowane metody, uzyskane wyniki oraz wnioski (plik pdf).

• Przeczytaj polecenie i wykonaj dokładnie to o co jesteś proszony/a
• Ustrukturyzuj kod i odpowiedzi w zadaniach, aby jasne było co miałeś/aś na myśli
• Pamiętaj o opisywaniu osi wykresów - jaka zmienna jest prezentowana oraz w jakich jednostkach
• Podpisz się na arkuszu

W wierszu poleceń:

 pip install notebook

Aby uruchomić notebook wpisujemy w wierszu poleceń:

jupyter notebook

lub (bardziej skuteczne, jeśli nie mamy polecenia "jupyter")

python -m notebook

Środowisko Dziobak: http://150.254.90.119
Logowanie za pomocą loginu z USOSa i hasła ustalonego przy pierwszym logowaniu.