Working with Mixed Reality in Public: Effects of Virtual Display Layouts on Productivity, Feeling of Safety, and Social Acceptability
本研究针对公共场景使用混合现实(MR)头显工作的需求,对比四种虚拟显示器布局对工作效率、安全感与社会可接受性的影响,通过图书馆田野实验发现布局显著影响工作效率,为MR布局设计提供参考。
2024-10-07 cs.HC
Evaluation of Eye Tracking Signal Quality for Virtual Reality Applications: A Case Study in the Meta Quest Pro
该研究基于78名参与者的眼动数据,全面分析Meta Quest Pro头显的眼动追踪信号质量,考察理想指标及环境、设备位移的影响,为VR眼动相关应用的性能优化提供参考。
2024-03-11 cs.HC
EyeLiveMetrics: Real-time Analysis of Online Reading with Eye Tracking
GESIS - Leibniz Institute for the Social Sciences(GESIS-社会科学莱布尼茨研究所)
EyeLiveMetrics 是一种浏览器插件,通过实时映射眼动数据到文本,实现在线阅读行为的即时分析与测量。
2026-01-05 cs.HC
Eyes Can't Always Tell: Fusing Eye Tracking and User Priors for User Modeling under AI Advice Conditions
National Institute of Informatics(国立情报学研究所);Yale School of Medicine(耶鲁大学医学院);University of Amsterdam(阿姆斯特丹大学);Centrum Wiskunde & Informatica(数学与计算机科学中心);Utrecht University(乌得勒支大学)
通过眼动追踪实验(N=54),发现AI建议改变眼动信号与认知状态的关系,融合用户先验可提升跨被试泛化,支持条件感知和个性化的自适应AI建模。
2026-06-26 cs.HC
Augmenting Customer Journey Maps with quantitative empirical data: a case on EEG and eye tracking
本文介绍了脑电图(EEG)和眼动追踪在服务设计中探索客户体验的应用。预计这些工具将允许设计人员从经验数据中生成客户旅程,从而产生新的可视化方法,从而改进服务设计交付。
2012-09-14 cs.HC
Exploring the Uncoordinated Privacy Protections of Eye Tracking and VR Motion Data for Unauthorized User Identification
本研究探讨了VR中眼动追踪与身体运动数据间不协调的隐私保护如何导致未经授权的用户识别,强调需全面覆盖两者的隐私保护措施。
2025-03-06 cs.HC
Eye Tracking Data Collection Protocol for VR for Remotely Located Subjects using Blockchain and Smart Contracts
虚拟现实环境中的眼动追踪数据汇集通常在实验室环境中进行,这通常限制了参与者的数量或消耗至少几个月的研究时间。此外,在实验室环境下,由于在不舒适的环境中记录,受试者可能表现不自然。在这项工作中,我们提出了一个概念验证的眼动追踪数据汇集协议及其实现,以收集来自远程受试者的眼动追踪数据,特别是使用以太坊区块链和智能合约的虚拟现实。利用所提出的协议,数据收集器可以从具有异质社会人口统计特征的大量人类受试者收集高质量的眼动追踪数据。数据的质量和数量可以有助于数据驱动的人机交互和人工智能中的各种任务。
2021-07-14 cs.HC
Transit drivers' reflections on the benefits and harms of eye tracking technology
本文首次通过亲身体验加数据回放反思的混合方法调查公交司机对雇主强制使用眼动追踪技术的看法,揭示其潜在用途及司机的恐惧与担忧。
2024-12-06 cs.HC
Measuring eye-tracking accuracy and its impact on usability in apple vision pro
本研究针对Apple Vision Pro眼动追踪参数公开不足的问题,通过MR与VR场景测试评估其眼动精度,结合SUS量表探究精度与可用性的关联,发现精度达1°左右但与可用性无显著统计相关,明确其并非VR/AR用户体验的唯一决定因素。
2024-08-14 cs.HC
Visual Multi-Metric Grouping of Eye-Tracking Data
我们提出了一个算法和视觉分组的参与者和眼动追踪指标来自记录的眼动追踪数据。我们的方法利用两个完善的可视化概念。首先,使用平行坐标来提供所使用的度量、它们的交互和相似性的概述,这有助于选择描述眼动追踪数据的特性的合适度量。此外,平行坐标图使分析者能够测试创建度量子集的组合的效果,从而产生新导出的眼动追踪度量。第二,相似性矩阵可视化被用来可视化地表示仿射组合的指标,利用算法分组的主题,导致不同的视觉组的类似行为。为了保持矩阵可视化的图表简单易懂,我们将眼动追踪数据可视化编码到参与者相似性矩阵的单元格中。算法分组是基于度量的仿射组合的聚类来执行的,这也是相似性矩阵的相似性值计算的基础。为了说明我们的可视化的有用性,我们将其应用到一个眼动追踪数据集,涉及多达40名参与者的地铁地图的阅读行为。最后,我们讨论的局限性和可扩展性问题的方法集中在视觉和感知的问题。
2019-10-09 cs.HC
ESPiM: Eye-Strain Probation Model, An Eye-Tracking Analysis Measure for Digital Displays
本文提出基于眼动追踪的计算模型ESPiM,用于测量数字显示器上的眼疲劳并比较界面设计、显示设备和交互技术,通过两项用户研究验证了其有效性,发现游戏频率和工作作息与眼疲劳模式显著相关。
2023-11-30 cs.HC
PET: An Eye-tracking Dataset for Animal-centric PASCAL Object Classes
我们提出了Pascal动物类眼动追踪数据库。我们的数据库包括来自VOC 2012图像集的鸟、猫、牛、狗、马和羊{trainval}集的四十个用户的眼动记录。与最近的眼动追踪数据库(如\cite{kiwon_cvpr13_gaze,PapadopoulosCKF14})不同,PET的一个突出方面是它包含自由观看和视觉搜索任务条件下记录的眼动。虽然在两种条件之间观察到在总体注视行为和扫描模式方面的一些差异,但是对于两种条件,在目标对象上观察到非常相似的注视次数。作为一个实用程序,我们展示了如何围绕固定位置的特征池,使增强(动物)对象分类的准确性。
2016-04-06 cs.HC
Evaluating Eye Tracking Signal Quality with Real-time Gaze Interaction Simulation
提出一种基于离线数据的实时注视交互模拟方法,比较三种眼动分类算法,发现卡尔曼滤波算法在信号质量上更优,强调算法选择对系统可靠性的关键作用。
2024-11-06 cs.HC
Evaluating the Data Quality of Eye Tracking Signals from a Virtual Reality System: Case Study using SMI's Eye-Tracking HTC Vive
我们评估了SMI基于HTC Vive(ET-HMD)的系留眼动追踪盔装显示器在随机扫视任务期间的数据质量。我们测量了空间精度、空间精度、时间精度、线性度和串扰。我们提出了使用的非参数的空间精度测量的基础上的中位数绝对偏差(MAD)。我们的线性分析考虑了最佳拟合线的斜率和调整后的R平方。我们是第一个测试二次分量串扰的。我们在随机扫视任务之前添加了一个校准任务,并评估了2种使用用户提供的校准的方法。为此,我们使用了独特的分组方法来选择要包括在重新校准分析中的样本。我们比较了ET-HMD和EyeLink 1000(SR-Research,Ottawa,Ontario,CA)之间的质量指标。我们发现ET-HMD的空间精度和线性拟合明显优于我们的EyeLink,但两种设备的空间精度和线性斜率相似。我们还发现,虽然EyeLink没有显著的串扰,但ET-HMD通常表现出二次串扰。傅立叶分析表明,双目信号是单目信号的低通滤波版本。这种滤波导致双目信号对于研究诸如扫视动态的高频分量是无用的。
2019-12-04 cs.HC
Eye movement velocity and gaze data generator for evaluation, robustness testing and assess of eye tracking software and visualization tools
眼球运动包含了关于人类感知、意图和认知状态的信息。我们提出了一种新的眼动模拟器,i)概率性地模拟扫视运动的伽马分布,考虑不同的峰值速度和ii)模型与S形函数平滑的追求开始。此外,它能够使用显着图或真实固定目标为静态和动态场景生成速度和二维凝视序列。我们的方法也能够模拟任何采样率,即使有波动。对公开的注释数据的模拟进行评估。该模拟器可以在EyeTrace中使用或在http://ti.unituebingen下载。de/Projekte.1801.0.html。
2018-09-10 cs.HC
PrivacEye: Privacy-Preserving Head-Mounted Eye Tracking Using Egocentric Scene Image and Eye Movement Features
诸如增强现实显示器之类的眼镜设备越来越多地集成了眼动追踪,但是将用户的注视映射到视觉场景所需的第一人称相机可能对用户和旁观者的隐私构成重大威胁。我们提出了PrivacEye,一种检测隐私敏感的日常情况的方法,并使用机械快门自动启用和禁用眼动仪的第一人称相机。为了在隐私敏感的情况下关闭快门,该方法使用第一人称视频的深度表示,并结合对用户眼球运动进行编码的丰富特征。为了在没有视觉输入的情况下打开快门,PrivacEye仅检测用户眼球运动的变化,以衡量当前情况的“隐私级别”的变化。我们评估我们的方法在第一人称视频数据集记录在日常生活中的情况下的17名参与者,由自己的隐私敏感性注释,并表明我们的方法是有效的,在这个具有挑战性的设置保护隐私。
2019-05-24 cs.HC
Improving Aviation Safety using Synthetic Vision System integrated with Eye-tracking Devices
通过对飞行员眼球运动数据的采集,可以对飞行员在未来飞行中的操作进行监控,从而发现潜在的事故。本文设计了一种与眼动追踪装置相结合的SVS系统,实现了以下功能:1)提出了一种新的方法,能够从飞行员的眼球运动中学习,并预加载或渲染不同分辨率的地形数据,通过理解飞行员感兴趣的区域来提高地形显示的质量。2)通过分析来自SVS的飞行信息和来自眼动追踪设备的眼球运动,可以检测危险操作的警告机制,以防止误操作或人为因素事故。用户研究和实验表明,所提出的SVS-Eyetracking系统的工作效率,能够避免潜在的风险,在飞行模拟疲劳。
2018-03-07 cs.HC
Real-Time Gaze Tracking with Event-Driven Eye Segmentation
视线跟踪正日益成为增强和虚拟现实中的一个重要组成部分。现代视线跟踪算法是重量级的;它们在移动处理器上最多以5 Hz运行,尽管近眼相机舒适地以实时速率($>$ 30 Hz)运行。本文提出了一种实时的【形】眼动追踪算法,平均以30 Hz的频率在移动处理器上运行,实现\ang{0.1} - \ang{0.5}凝视精度,同时只需要30 K参数,比最先进的眼动追踪算法小一到两个数量级。该算法的核心是Auto~ROI模式,该模式连续地预测近眼图像的感兴趣区域(ROI),并且仅明智地处理ROI以进行注视估计。为此,我们引入了一种新的,轻量级的ROI预测算法,通过模拟事件摄像机。我们将讨论如何在不需要特殊硬件的情况下,通过软件模拟事件来实现准确的ROI预测。我们论文的代码可以在https://github.com/horizon-research/edgaze上找到。
2022-01-19 cs.HC
Visualization Psychology for Eye Tracking Evaluation
本文提出将心理学和认知科学理论融入可视化眼动追踪实验的设计与评估,并通过两个场景展示认知模型的应用价值。
2023-12-03 cs.HC
What We See and What We Get from Visualization: Eye Tracking Beyond Gaze Distributions and Scanpaths
硬件和软件的技术进步使我们能够在日常情况下长时间记录凝视数据。在众多的研究机会中,这项技术使可视化研究人员能够利用可视化技术瞥见性能指标背后以及人们的感知和认知过程。大多数用于可视化研究的眼动追踪研究仅限于对注视分布和汇总统计数据的分析,因此仅涵盖可以从注视数据中导出的一小部分见解。我们认为,结合心理学和认知科学的理论和方法,将有利于眼动追踪可视化实验的设计和评价。这份立场文件概述了我们在可视化中使用眼动追踪的经验,并说明了可视化心理学跨学科研究领域可能带来的好处,以更好地理解人们如何解释可视化。
2020-09-30 cs.HC
Eye-2-I: Eye-tracking for just-in-time implicit user profiling
对于许多应用,例如定向广告和内容推荐,了解用户的特征和兴趣是先决条件。用户分析是实现这一目的的有用方法。然而,目前的方法,即自我报告、网络活动监测和社交媒体挖掘,要么是侵入性的,要么需要长时间的数据。近年来,越来越多的认知科学证据表明,各种用户的个人资料与眼动追踪数据显著相关。我们提出了一种新的即时隐式分析方法Eye-2-I,它可以在用户观看视频时从眼动追踪数据中学习用户的兴趣、人口统计和个性特征。虽然通过密切监视用户的眼睛行为看起来很显眼,但由于其独特的特性,我们的方法是不引人注目和保护隐私的,包括(1)快速-在第一个视频拍摄时即可获得配置文件,通常几秒钟,以及(2)独立-不依赖于历史数据或功能模块。[Bug作为一个概念验证,我们的方法进行了评估,在用户研究与51名受试者。在9分钟的眼动追踪数据中,它在用户简档的37个属性上实现了0.89的平均准确度。]
2016-04-14 cs.HC
Towards Attention-Aware Large Language Models: Integrating Real-Time Eye-Tracking and EEG for Adaptive AI Responses
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本项目提出一种注意力感知的大语言模型,通过整合实时脑电图和眼动追踪数据动态识别五种注意力状态,并据此自适应调整AI响应,以提升用户参与度并降低认知负荷。
2025-11-09 cs.HC
Webcam Eye Tracking: Study Conduction and Acceptance of Remote Tests with Gaze Analysis
网络摄像头眼动追踪用于在用户研究的背景下收集凝视数据是方便的-它可以用于参与者不需要特殊硬件的远程测试。该方法具有很强的局限性,特别是关于测试人员在数据记录期间的无运动性质和所获得的凝视数据的质量。我们对52名参与者的研究表明,可用的眼动追踪数据可以通过远程设置的商用网络摄像头获得。然而,必须考虑高脱落率,这就是为什么我们建议150%的高超额招募。我们还表明,尽管有一定的局限性,研究参与者对这种方法的接受度很高。
2022-07-28 cs.HC
Privacy-Aware Eye Tracking Using Differential Privacy
随着眼动追踪越来越多地集成到虚拟和增强现实(VR/AR)盔装显示器中,保护用户隐私是眼动追踪社区中一个越来越重要但尚未充分探索的话题。我们报告了一项关于眼动追踪隐私方面的大规模在线调查(N=124),该调查提供了第一个全面的账户,包括与谁合作,为哪些服务,以及用户愿意在多大程度上分享他们的凝视数据。利用这些见解,我们设计了一个隐私感知的VR界面,使用差分隐私,我们评估了一个新的20个参与者的数据集的两个隐私敏感的任务:我们表明,我们的方法可以防止用户重新识别和保护性别信息,同时保持高性能的凝视为基础的文档类型分类。我们的研究结果突出了隐私的挑战,特别是凝视数据,并表明,差分隐私是一个潜在的手段来解决这些问题。因此,本文奠定了重要的基础,为未来的研究隐私意识的注视界面。
2019-04-29 cs.HC
Towards Effective Human Performance in XR Space Framework based on Real-time Eye Tracking Biofeedback
本文面向 XR Space Framework 设计实时眼动追踪模块,构建融合多模态数据的生物反馈回路,以支持自适应训练、筛查与远程操作应用。
2025-07-28 cs.HC
TobiiGlassesPySuite: An open-source suite for using the Tobii Pro Glasses 2 in eye-tracking studies
在本文中,我们提出了TobiiGlassesPySuite,一个开源套件,我们实现了使用Tobii Pro Glasses 2可穿戴眼动仪在定制的眼动追踪研究。我们提供独立于平台的解决方案来控制设备和管理记录。该软件由Python模块组成,集成到单个包中,并附有示例脚本和录音。所提出的解决方案旨在提供关于制造商的软件的附加方法,以允许用户利用更多的设备的能力和现有的软件。我们的套件可以从本文中指出的存储库下载,并根据GNU GPL v3.0许可证的条款使用。
2019-12-19 cs.HC
PeyeDF: an Eye-Tracking Application for Reading and Self-Indexing Research
PeyeDF是一款支持眼动追踪的便携式文档格式(PDF)阅读器,可作为免费和开源软件使用。它对研究阅读和学习现象的研究人员特别有用,因为它将PDF阅读相关的行为数据与凝视相关的数据相结合。它适用于短期和长期研究,并支持多个眼动追踪系统。我们利用它进行了一项实验,该实验表明,从过去收集的凝视和阅读数据中获得的特征可以预测未来发生的阅读理解。PeyeDF还使用DiMe个人数据存储系统提供了一种综合的数据汇集和索引方法。它的设计目的是在后台收集数据,而不会干扰阅读体验,表现得像一个现代的轻量级PDF阅读器。此外,它还支持注释、标记和协作工作。模块化设计使应用程序易于修改,以支持额外的眼动追踪协议和运行受控实验。我们讨论了该软件的实施和报告的实验结果,我们进行了它。
2019-04-27 cs.HC
Signal vs Noise in Eye-tracking Data: Biometric Implications and Identity Information Across Frequencies
本研究探究眼动数据中75Hz上下的信号与噪声的生物识别意义,发现二者均含身份特异性信息,该结论在长短周期评估中均成立,为隐私保护提供依据。
2024-04-17 cs.HC
REFLECTing SPERET: Measuring and Promoting Ethics and Privacy Reflexivity in Eye-Tracking Research
University of Stuttgart(斯图加特大学)
本文提出REFLECT和SPERET两种工具,用于衡量眼动研究中的伦理与隐私反思,揭示研究社区在隐私保护、方法学限制和伦理责任方面的现状,并推动更负责任的研究实践。
2025-11-24 cs.HC
Exploring Communication Dynamics: Eye-tracking Analysis in Pair Programming of Computer Science Education
本研究结合眼动追踪、访谈与问卷,分析19名学生、专家及混合参与者在结对编程中的沟通模式,揭示群体构成、任务难度与角色偏好对沟通和学习效果的影响。
2024-12-04 cs.HC
The Blank Stare: Retrieving Unique Eye Tracking Signatures Independent of Visual Stimuli
使用低成本便携式眼动追踪进行生物识别或验证:近年来,眼动追踪技术已在专业实验室之外提供,并开始集成到平板电脑和虚拟现实耳机中。这为在普通办公室和家庭环境中使用提供了新的机会,例如单独或与其他技术结合使用的生物识别(识别或验证)。本文揭示了两个根本不同的方法,已建议,分别基于空间和时间的签名。在部署不同的刺激范式进行记录的同时,它还提出了一种使用傅立叶变换来分析空间域签名的替代方法。经验数据记录从两个主题超过两个星期,相隔三个月,被发现支持以前的结果。此外,一些建议的签名的变化和稳定性进行了分析,在延长的时间范围内,略有不同的条件下。
2017-05-08 cs.HC
Comparing User Behavior in Real vs. Virtual Supermarket Shelves: An Eye-Tracking Study Using Tobii 3 Pro and Meta Quest Pro
该研究通过 Tobii 与 Meta Quest Pro 眼动追踪对比真实和虚拟超市货架,发现环境与产品类别会影响消费者注视货架高度及选择策略。
2025-10-19 cs.HC
Eye2Recall: Exploring the Design of Enhancing Reminiscence Activities via Eye Tracking-Based LLM-Powered Interaction Experience for Older Adults
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Hong Kong University of Science and Technology(香港科技大学);University of Edinburgh(爱丁堡大学);BNU-HKBU United International College(北京师范大学-香港浸会大学联合国际学院)
Eye2Recall通过结合眼动追踪和自然语言交互,设计了一种增强老年人回忆活动的系统,通过用户研究验证其有效性,旨在提升老年人的福祉和积极老龄化。
2026-02-03 cs.HC
Eye Tracking on Text Reading with Visual Enhancements
通过两项眼动实验比较纯文本与高亮、图标及词级可视化对阅读行为的影响,发现可视化技术有改善阅读的积极趋势,并为后续研究提供建议。
2024-04-08 cs.HC
Eye Tracking to Understand Impact of Aging on Mobile Phone Applications
智能手机和平板电脑的使用量随着多点触摸交互和强大的配置而迅速增加。随着人们年龄的增长,在手机上执行任务变得越来越复杂,从而增加了他们的认知工作量。在这种情况下,我们进行了一项眼动追踪研究,50名年龄在20至60岁及以上的参与者,居住在印度班加罗尔。本文主要研究移动用户界面交互的视觉特性。该研究旨在调查老化如何影响用户在执行复杂任务时在手机上的体验,并使用眼动追踪指标估计认知工作量。这项研究包括五个任务,在自然场景下使用眼动追踪眼镜在android手机上完成。分别记录受试者左右眼的注视率、扫视率、平均注视持续时间、最长注视持续时间和瞳孔散大的标准差等眼部参数。从我们的研究结果表明,老化有一个更大的影响性能使用手机,无论任何复杂的任务给他们。我们注意到,年龄在50至60岁之间的参与者在完成任务方面存在困难,并且表现出认知工作量增加。他们需要更长的注视时间来完成涉及复制粘贴操作的任务。此外,我们确定了设计的影响,并为设计师和制造商提供了设计建议。
2021-01-04 cs.HC
Eye-Tracking and Biometric Feedback in UX Research: Measuring User Engagement and Cognitive Load
本研究探讨眼动追踪和生物特征反馈在UX研究中的应用,通过测量注视行为和身体反应客观评估用户参与度与认知负荷,为传统定性方法提供补充,并分析2023-2025年的实验数据、方法论及伦理挑战,推动复杂数字环境下的UX设计。
2025-05-28 cs.HC
Assessing the Privacy Risk of Cross-Platform Identity Linkage using Eye Movement Biometrics
本研究实证评估了眼动生物特征模型在三种不同眼动追踪设备间关联用户身份的能力,发现最先进模型在一对设备间表现出高于随机水平的识别性能,揭示了跨平台身份关联的隐私风险。
2024-02-13 cs.HC
UEyes: An Eye-Tracking Dataset across User Interface Types
本研究构建了涵盖四种界面类型的大规模眼动追踪数据集UEyes,分析界面差异对用户注视行为的影响,并探讨相关因素与未来方向。
2024-02-07 cs.HC
VIVA Stimuli: A Web-Based Platform for Eye Tracking Stimuli
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出VIVA Stimuli平台,通过统一环境提供可配置的任务类型,支持多种眼动追踪技术,实现标准化刺激呈现,解决实验复现难题。
2026-04-28 cs.HC
The Detection of Saccadic Eye Movements and Per-Eye Comparisons using Virtual Reality Eye Tracking Devices
Western University(西安大略大学)
本研究利用VR头显眼动仪在60或90Hz频率下构建原型软件,以检测扫视眼动并分析双眼差异,为神经科学及神经退行性疾病筛查提供新颖工具。
2025-03-11 cs.CV cs.HC
A short review and primer on eye tracking in human computer interaction applications
心理生理学在人机交互中的应用是一个不断发展的领域,在未来的智能个性化系统中具有巨大的潜力。在这个新兴领域工作需要理解一系列生理信号和分析技术。眼动追踪是一种广泛使用的方法,用于利用注视位置跟踪用户注意力,而且还通过多个眼动和眼睑运动相关参数提供关于内部认知和上下文状态、意图以及交互设置中用户视觉注意力的轨迹的信息。本文综述了眼动追踪在人机交互中的应用。本文旨在为新手提供入门,使其能够快速熟悉最新的核心概念。我们特别强调日常的人机界面应用,以区别于心理生理学更常见的临床或体育用途。本文是从一个全面审查的整个领域的门诊心理生理学,包括12个类似的章节,加上应用指南和系统的审查摘录。因此,任何引用都应使用以下参考文献:B。Cowley,M. Filetti,K. Lukander,J. Torniainen,A.赫内柳斯湖阿霍宁岛巴拉尔岛Kosunen,T. Valtonen,M. Huotilainen,N.拉瓦哈湾雅库奇心理生理学入门:方法指南和广泛的评论,重点是人机交互。《人机交互的基础和趋势》,第9卷,第3-4期,第10页。150- 307,2016年。
2016-09-23 cs.HC
Understanding How Low Vision People Read Using Eye Tracking
虽然能够使用屏幕放大镜阅读,但低视力人群的阅读体验缓慢且不愉快。眼动追踪有可能通过识别细粒度的注视行为并提供更有针对性的增强来改善他们的体验。为了启发基于凝视的低视力技术,我们研究了合适的方法,通过商业眼动仪收集低视力用户的凝视数据,并根据他们的凝视行为深入探讨他们在阅读中面临的挑战。通过改进的校准界面,我们收集了20名低视力参与者和20名在计算机屏幕上执行阅读任务的视力控制者的凝视数据;低视力参与者还被要求使用不同的屏幕放大镜阅读。我们发现,通过可访问的校准界面和数据汇集方法,商业眼动仪可以从低视力和视力正常的人那里收集质量相当的注视数据。我们的研究确定了低视力人群在阅读过程中独特的凝视模式,在此基础上,我们提出了基于凝视的低视力技术的设计建议。
2023-03-28 cs.HC
Combining Automation and Expertise: A Semi-automated Approach to Correcting Eye Tracking Data in Reading Tasks
针对阅读任务中眼动追踪数据漂移校正的痛点,提出开源半自动化工具Fix8,结合用户与算法协作校正,经14人可用性研究验证比人工校正快44%且精度无损,还附带多种眼动数据处理功能。
2025-01-12 cs.HC
VisiTrail: A Cognitive Visualization Tool for Time-Series Analysis of Eye Tracking Data from Attention Game
本文提出VisiTrail认知可视化工具,通过时间序列分析、注视测量、对象点击序列跟踪和表现指标,揭示注意力游戏中眼动数据与任务表现的关系。
2025-08-28 cs.HC
A-DisETrac Advanced Analytic Dashboard for Distributed Eye Tracking
本研究提出分布式眼动追踪高级分析仪表板A-DisETrac,可并行监测多用户、实时计算多类眼动指标,经试点验证用户体验良好,还揭示了高级眼动指标与协作行为的关联。
2024-04-11 cs.HC
A privacy-preserving approach to streaming eye-tracking data
眼动追踪技术正越来越多地集成到混合现实设备中。虽然关键应用程序正在启用,但存在违反用户隐私期望的重大可能性。我们表明,有一个明显的风险,即使在自然的观看条件下,在虚拟现实的唯一用户识别。例如,这种身份识别将允许应用程序将用户的个人ID与他们的工作ID连接起来,而无需他们的同意。为了减轻这种风险,我们提出了一个框架,通过应用程序编程接口的设计,并通过软件实现的隐私机制,结合守门。我们的研究结果表明,这些机制可以降低识别率从高达85%低至30%。引入这些机制的影响是小于1.5 $^\circ$误差的凝视预测的凝视位置。因此,可以使注视数据流私密,同时仍然允许注视预测,例如,在中央凹渲染期间。我们的方法是第一个在混合现实用例中支持眼动追踪数据流的隐私设计。
2021-03-19 cs.HC
Slippage-robust Gaze Tracking for Near-eye Display
University of Science and Technology of China(中国科学技术大学);Carnegie Mellon University(卡内基梅隆大学)
近年来,头戴式近眼显示器已经成为虚拟现实和增强现实的关键硬件基础。因此,头戴式视线跟踪技术作为人机交互的重要组成部分已经受到关注。然而,头戴式设备(HMD)不可避免的滑动往往会导致较高的视线跟踪误差,并阻碍了HMD的实际使用。针对这一问题,提出了一种基于非球面眼球模型的滑动鲁棒视线跟踪近眼显示方法,精确计算眼球光轴和旋转中心。我们在具有滑动的数据集上测试了几种方法,实验结果表明,该方法显着优于以前的方法(几乎是次优方法的两倍)。
2022-11-01 cs.CV cs.HC
Exploiting EEG Signals for Eye Motion Tracking
人类眼动追踪设备可以帮助研究人类处理视觉信息的原理。凝视期间的注意力焦点移动可以用于人类的行为分析。在这项工作中,我们描述了我们的实验系统,我们设计的同步记录脑电图信号,事件的外部测试和凝视方向。作为外部测试,我们使用虚拟认知测试。我们研究了利用脑电信号进行眼动跟踪的可能性。我们的实验系统是设计一个自动眼动追踪系统的第一步,也可以作为教学学生的实验设备。
2022-01-04 cs.HC eess.SP
Factuality Checking in News Headlines with Eye Tracking
我们研究是否有可能推断,如果一个新闻标题是真的或假的,只使用人眼的运动时,阅读新闻标题。我们的研究有55名参与者,他们在阅读108条新闻标题(72条真实,36条虚假)时进行了眼动跟踪,结果显示,虚假标题比真实标题获得的视觉注意力要少得多。我们进一步建立了一个集成学习器,预测新闻标题的真实性,只使用眼动跟踪测量。我们的模型产生的平均AUC为0.688,并且在检测虚假标题方面比真实标题更好。通过模型分析,我们发现眼动跟踪25个用户阅读3-6个标题是足够的,我们的集成学习器。
2020-06-17 cs.HC cs.IR
EyeTrAES: Fine-grained, Low-Latency Eye Tracking via Adaptive Event Slicing
Indian Institute of Technology Kharagpur(印度理工学院Kharagpur分校);Singapore Management University(新加坡管理大学)
提出EyeTrAES,利用神经形态事件相机与自适应切片算法实现低延迟高保真瞳孔追踪,并基于微观瞳孔动力学特征实现高效用户认证。
2025-07-10 cs.CV cs.HC
Eye Tracking as a Source of Implicit Feedback in Recommender Systems: A Preliminary Analysis
本研究利用眼动追踪数据增强电影推荐的协同过滤模型,相比点击数据提升了性能,并验证了AOI时长与用户兴趣的一致性。
2023-05-12 cs.HC cs.IR
Bionic Tracking: Using Eye Tracking to Track Biological Cells in Virtual Reality
我们提出了仿生跟踪,一种新的方法来解决生物细胞跟踪问题的眼动追踪在虚拟现实使用商品硬件。使用凝视数据,特别是平滑追踪眼球运动,我们能够跟踪细胞的时间序列的三维体积数据集。跟踪细胞的问题在发育生物学中是普遍存在的,其中每天都要采集大量的体积显微镜数据集,通常包括数百或数千个跨越数小时或数天的时间点。然而,图像数据只是达到目的的一种手段,科学家们通常对细胞轨迹和细胞谱系树的重建感兴趣。在许多时间点上在拥挤的三维空间中可靠地跟踪细胞仍然是一个悬而未决的问题,并且许多当前的方法依赖于繁琐的手动注释和管理。在我们的仿生跟踪方法中,我们用虚拟现实头戴设备中的眼动追踪代替了通常的2D点击注释来跟踪细胞,用户只需在3D空间中用眼睛跟踪细胞即可跟踪它。我们详细介绍了我们方法的交互设计,并解释了用于连接不同时间点的基于图形的算法,同时考虑了遮挡和用户分心。我们使用两个不同的生物数据集的例子来演示我们的细胞跟踪方法。最后,我们报告了一个用户研究与七个细胞跟踪专家,展示了我们的方法比手动点和点击跟踪的好处。
2020-08-01 cs.GR cs.HC
EyeCoD: Eye Tracking System Acceleration via FlatCam-based Algorithm & Accelerator Co-Design
提出基于无透镜 FlatCam 的眼动追踪算法与加速器协同设计框架 EyeCoD,采用“先预测后聚焦”流水线减少冗余计算,并开发专用加速器优化工作负载与内存,实现系统最高 12.85 倍加速且保持精度。
2025-03-03 cs.AR cs.HC
Evaluating Situated Visualization in AR with Eye Tracking
增强现实(AR)技术提供了用于将可视化嵌入真实世界环境中的手段。这种技术允许在其空间域中对实时数据进行现场分析。然而,由于现有的技术必须适应这一背景,新的方法将被开发,其评价对研究人员提出了新的挑战。除了既定的性能指标外,事实证明,眼动追踪是定性和定量评估可视化的一种有价值的手段。我们讨论了眼动追踪的挑战和机遇,为评估位于可视化。我们设想将基于凝视的评估方法扩展到这一领域将为人们如何感知增强现实中的可视化并与之交互提供新的见解。
2022-09-05 cs.GR cs.HC