Тестирование алгоритма тернарной классификации окуломоторных событий (фиксации, саккады, smooth pursuit) I-BDT (Bayesian Decision Theory)

Рассмотрен байесовский классификатор движений глаз I-BDT, выделяющий 3 типа событий: фиксации, саккады, плавные следящие движения. Приведены показатели классификации по сравнению с известным алгоритмом детекции I-DT. Согласование по ряду фиксаций – 79 %, саккад – 56 %. Сравнение произведено на наборе данных общей длительностью 10,9 ч. Приведен пример каскадного фильтра, накладывающего пороговые ограничения на свойства полученных событий. Показаны особенности следящих движений глаз при классификации.

В современных условиях достаточно остро стоит проблема различий в результатах выдаваемых наборов окуломоторных событий между различными алгоритмами классификации сигнала (иногда их называют алгоритмами детекции). Поскольку случаются различия и в версиях одного и того же алгоритма из-за неточностей в трактовке тех или иных вычислений на этапах, варианты реализации могут по-разному классифицировать или численно оценивать разные виды параметров / характеристик алгоритма.

1. Santini T., Fuhl W., Kübler T., et l. Bayesian identification of fixations, saccades, and smooth pursuits // ACM ETRA. Charleston, 2016. P. 163–170. DOI:10.1145/2857491.2857512
2. Nyström M., Andersson R., Holmqvist K., et al. The influence of calibration method and eye physiology on eyetracking data quality // Behav. Res. Met. 2013. Vol. 45. № 1. P. 272–288. DOI:10.3758/s13428–012–0247–4
3. Hooge I., Holmqvist K., Nyström M. The pupil is faster than the corneal reflection (CR): Are video based pupil-CR eye trackers suitable for studying detailed dynamics of eye movements? // Vis. Res. 2016. Vol. 128. P. 6–18. DOI:10.1016/j.visres.2016.09.002.
4. Larsson L., Nyström M., Ardö H., et al. Smooth pursuit detection in binocular eye-tracking data with automatic video-based performance evaluation // J. Vis. 2016. Vol. 16. № 15. P. 20. DOI:10.1167/16.15.20
5. Startsev M., Agtzidis I., Dorr M. 1D CNN with BLSTM for automated classification of fixations, saccades, and smooth pursuits // Behav. Res. Met. 2019. Vol. 51. P. 556–572. DOI:10.3758/s13428–018–1144–2
6. Zemblys R., Niehorster D.C., Komogortsev O., et al. Using machine learning to detect events in eye-tracking data // Behav. Res. Met. 2018. Vol. 50. P. 160–181. DOI:10.3758/s13428–017–0860–3
7. Komogortsev O.V., Karpov A. Automated classification and scoring of smooth pursuit eye movements in the presence of fixations and saccades // Behav. Res. Met. 2013. Vol. 45. P. 203–215. DOI:10.3758/s13428–012–0234–9
8. Komogortsev O. V, Gobert D. V, Jayarathna S., et al. Standartization of automated analyses of oculomotor fixation and saccadic behaviors // IEEE Trans. Biomed. Eng. 2010. Vol. 57. № 11. P. 2635–2645. DOI:10.1109/tbme.2010.2057429
9. Kashyap H.J., Detorakis G., Dutt N., et al. A recurrent neural network based model of predictive smooth pursuit eye movement in primates // IEEE IJCNN. Rio de Janeiro, 2018. P. 5353–5360. DOI:10.1109/IJCNN.2018.8489652
10. Xivry J.J.O. de, Coppe S., Blohm G., et al. Kalman Filtering Naturally Accounts for Visually Guided and Predictive Smooth Pursuit Dynamics // J. Neurosci. 2013. Vol. 33. № 44. P. 17301–17313. DOI:10.1523/JNEUROSCI.2321–13.2013

PlumX

Метрики публикации