An Approach to Track Reading Progression Using Eye-Gaze Fixation Points
在本文中，我们考虑的问题，跟踪的眼睛注视的个人，而他们从事阅读。特别地，我们开发了使用市售的眼动追踪设备来精确地追踪个人正在阅读的行的方法。这样的方法将使未来的功能，如理解评估，兴趣水平检测，和用户辅助应用，如免提导航和自动滚动。现有的商业眼睛跟踪器每隔几毫秒提供眼睛注视注视的估计位置。然而，发现该估计数据是非常嘈杂的。因此，商业眼动仪无法在阅读时准确跟踪线条。在本文中，我们提出了几个统计模型来桥接商业凝视跟踪器输出和眼睛凝视模式，而阅读。然后，我们采用隐马尔可夫模型来参数化这些统计模型，并准确地检测正在读取的行。所提出的方法被证明是产生超过20%的线检测精度的提高。
2019-02-08 cs.HC
A Study on the Use of Eye Tracking to Adapt Gameplay and Procedural Content Generation in First-Person Shooter Games
本文研究了眼动追踪在第一人称射击游戏中的应用，并将其作为一种机制：（1）根据玩家的注意力部署来控制玩家化身的注意力，（2）相应地指导游戏过程和游戏的程序内容生成。与其中眼睛跟踪器直接替代控制输入设备（诸如游戏手柄）的使用相比，这导致眼动追踪的更自然的使用。这项研究是在一个定制的无尽的跑步者FPS，僵尸跑步者，使用负担得起的眼动仪进行的。评估会议表明，与不使用眼动追踪相比，拟议使用的眼动追踪为玩家提供了更具挑战性和身临其境的体验。然而，我们发现眼动仪校准问题与玩家的整体体验之间存在很强的相关性。这意味着眼动追踪技术仍需不断发展，但也意味着一旦技术足够成熟，玩家有望从眼动追踪中获益匪浅。
2018-05-21 cs.HC
Using Eye Tracker To Evaluate Cockpit Design -- A Flight Simulation Study
本文研究了眼动追踪在运输机设计评估中的应用。使用CSIR国家航空航天实验室的运输机飞行模拟器，对包括起飞、巡航和着陆飞行方案在内的完整飞行剖面进行了有人驾驶模拟。三名飞行员和工程师进行了31次模拟实验，同时记录了眼睛参数和飞行数据。在高工作负荷条件下，如能见度下降和失速时，重复进行了模拟。飞行员的视觉扫描行为和工作负荷水平进行了分析，使用眼睛的参数，同时与所需的飞行路径的统计偏差进行比较，疲劳的条件也通过长时间的模拟和签名，从眼睛参数进行了评估。研究结果发现，从眼睛参数获得的统计推断与从飞行路径偏差获得的统计推断之间存在相关性。本文还演示了一个评估者控制台，帮助设计者或评估者更好地了解飞行员的注意力资源分配。
2021-06-09 cs.HC
3D Gaze Estimation from 2D Pupil Positions on Monocular Head-Mounted Eye Trackers
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
3D凝视信息对于以场景为中心的注意力分析是重要的，但是在真实世界环境中3D凝视的准确估计和分析仍然具有挑战性。我们提出了一种新的单目头戴式眼动仪的3D视线估计方法。与以前的工作相比，我们的方法不旨在推断3D眼球姿态，而是直接将2D瞳孔位置映射到场景相机坐标空间中的3D注视方向。我们首先详细讨论了3D凝视估计任务，并总结了不同的方法，包括我们自己的方法。然后，我们使用模拟和真实数据评估不同的3D凝视估计方法的性能。通过实验验证，我们证明了我们的方法在减少视差误差的有效性，我们确定的3D校准程序的设计的研究挑战。
2016-01-19 cs.CV cs.HC
A Cost-Effective Eye-Tracker for Early Detection of Mild Cognitive Impairment
University of Genoa（热那亚大学）；Vega Research Laboratories s.r.l.（维加研究实验室有限公司）
本文提出一种基于机器学习、标准摄像头和双计算机构成的低成本眼动追踪系统，通过视觉配对比较协议并结合心率变异性应激估计，实现轻度认知障碍的早期检测。
2024-07-25 cs.AI cs.HC
A Mechanistic Transform Model for Synthesizing Eye Movement Data with Improved Realism
本研究提出一种眼动信号合成降级的机制变换模型，通过空间与时间精度降级机制、百分位匹配技术提升信号真实度，实验验证其分类准确率指标较基准提升35.7%，并提出通用的真实度评估流程。
2023-06-14 cs.HC
Eye Gaze Controlled Interfaces for Head Mounted and Multi-Functional Displays in Military Aviation Environment
眼睛注视控制的界面允许我们直接操作一个图形用户界面，只需看着它。这项技术在军事航空中有很大的潜力，特别是在飞行员的手被占用的情况下操作不同的显示器与飞行器。本文报道了在典型飞行任务中对飞机内视线控制界面精度的分析研究。我们报告说，飞行员可以在平均不到2秒的时间内完成有代表性的指向和选择任务。此外，我们评估了在各种G条件下的视线跟踪玻璃的准确性，并分析了其故障模式。我们观察到眼动仪的准确度在+3G的视角下小于5度，尽管在负1G和正5G时准确度较低。我们观察到眼动仪在较高的外部照明下可能无法跟踪。我们还推断，眼动仪用于军事航空需要有更大的垂直视野比目前可用的系统。我们使用此分析来开发用于多功能显示器和盔装显示器系统的眼睛注视跟踪器。我们得到了显着减少指向和选择时间，使用我们提出的HMDS系统相比，传统的TDS。
2020-05-27 cs.HC eess.IV
An Assessment of the Eye Tracking Signal Quality Captured in the HoloLens 2
我们对HoloLens 2s集成眼动仪的眼动追踪信号质量进行了分析。从随机扫视任务期间捕获的眼动数据中测量信号质量，所述眼动数据来自从30名健康成年人收集的新的眼动数据集。我们在空间精度、空间精度、时间精度、线性度和串扰方面表征了设备的眼动追踪信号质量。最值得注意的是，我们对空间准确性的评估显示，我们数据集中的眼动数据似乎未经校准。使用我们的数据集任务的子集重新校准数据会产生明显更好的眼动追踪信号质量。
2022-05-24 cs.HC
Bridging the Gap: Gaze Events as Interpretable Concepts to Explain Deep Neural Sequence Models
University of Potsdam（波茨坦大学）；Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；University of Zurich（苏黎世大学）
本文针对眼动生物识别深度序列模型，利用注视与眼跳事件作为可解释概念，定量揭示眼跳、尤其峰值速度附近样本对模型预测的关键影响。
2023-04-12 cs.HC cs.LG
A cost effective eye movement tracker based wheel chair control algorithm for people with paraplegia
National Institute of Technology Karnataka（卡纳塔克国家理工学院）
脊髓损伤通常会导致四肢瘫痪，限制患者的活动能力。轮椅可能是一个很好的建议，为病人，但他们中的大多数人要么手动操作或与电动机的帮助下操作的操纵杆。然而，这需要使用手，使其不适合四肢瘫痪的患者。另一方面，即使是脑损伤的人也能保持对眼球运动的控制。监测眼睛的运动可以是为轮椅生成控制信号的有用工具。本文是一种方法，试图通过控制一个模仿轮椅的机器人，将从眼睛获得的信号转换为有意义的信号。整个系统具有成本效益，并使用简单的图像处理和模式识别来控制机器人。开发了一个android应用程序，可用于患者的援助，在实际情况下更精细地控制轮椅。
2022-07-21 cs.AI cs.HC cs.RO
Eyes on the Mission: Mixed Methods Assessment of Eye-Tracker-Enabled Interactive Decision Support in a Simulated Unmanned Aerial Vehicle System
Wm Michael Barnes Department of Industrial and Systems Engineering, Texas A&M University（德克萨斯农工大学威廉·迈克尔·巴恩斯工业与系统工程系）
本研究通过混合方法评估了基于眼动追踪的自适应注意力引导决策支持工具在模拟无人驾驶航空系统中的有效性，发现其能显著提升指挥官绩效并获得积极反馈。
2026-01-25 cs.CC cs.ET cs.HC
Improving Intention Detection in Single-Trial Classification through Fusion of EEG and Eye-tracker Data
意图解码是免提人机交互（HCI）中必不可少的过程。传统的眼动跟踪系统使用单一模型的注视持续时间可能会发出命令，忽略用户的真实期望。本文提出了一种眼-脑混合脑机接口（brain-computer interface，BCI）交互系统，通过融合多模态眼轨迹和ERP（一种来自EEG的测量值）特征来进行意图检测。眼轨迹和脑电图数据记录从64名健康的参与者，因为他们进行了40分钟的定制自由搜索任务的固定目标图标中的25个图标。提取相应的眼动注视时间和ERP。采用5种已验证的LDA分类器（包括RLDA、SWLDA、BLDA、SKLDA和STDA）和广泛使用的CNN方法，从离线和伪在线分析两个方面验证特征融合的有效性，并通过调整训练集和系统响应时间来评估最佳方法。我们的研究表明，在主动搜索任务的单次尝试分类中，多通道眼轨迹和ERP特征的输入获得了更好的意图检测性能。与单模型ERP特征相比，该策略还能在不同分类器之间获得一致的分类准确率。此外，通过与其他分类方法的比较，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间的在线模拟中融合特征时表现出了更好的性能。综上所述，本研究揭示了一种新颖有效的基于眼-脑混合BCI的意图分类方法，并进一步支持了免提HCI在现实生活中更精确、更稳定的应用。
2021-12-05 cs.HC eess.SP
Eye Gaze Controlled Robotic Arm for Persons with SSMI
Indian Institute of Science（印度科学学院）；Indian Institute of Technology, Madras（马德拉斯印度理工学院）；Indian Institute of Information Technology, Kalyani（卡利亚尼印度信息技术学院）
背景：严重言语和运动障碍（SSMI）的人经常使用一种称为眼睛指向的技术与外界交流。他们的父母，看护人或老师在他们面前拿着一块印刷板，通过手动分析他们的眼睛注视，他们的意图被解释。这种技术往往容易出错，耗时，并依赖于一个单一的照顾者。目的：我们的目标是通过使用市售平板电脑、计算机或笔记本电脑，以电子方式自动化眼动追踪过程，而不需要任何专用硬件进行眼动追踪。眼睛注视跟踪器用于开发基于视频透视的AR（增强现实）显示器，该显示器控制具有眼睛注视的机器人设备并且被部署用于织物打印任务。方法学：我们进行了一个以用户为中心的设计过程，并分别评估了基于网络摄像头的凝视跟踪器和基于视频透视的人机交互，涉及用户与SSMI。我们还报告了一个用户研究操纵机器人手臂与基于网络摄像头的眼睛注视跟踪器。结果如下：使用我们定制的眼睛注视控制界面，身体健全的用户可以在不到2秒的中位数内选择屏幕的九个区域之一，而SSMI用户可以在4秒的中位数内完成。使用眼睛注视控制的人机AR显示器，具有SSMI的用户可以在小于15秒的平均持续时间内进行代表性的拾取和放下任务，并且使用COTS眼睛跟踪器在60秒内到达随机指定的目标，并且使用基于网络摄像头的眼睛注视跟踪器在平均2分钟内到达随机指定的目标。
2020-05-25 cs.CV cs.HC eess.IV
Webcam-based Eye Gaze Tracking under Natural Head Movement
Faculty of Science（理学院）
这篇手稿调查并提出了一个视觉凝视跟踪器，解决这个问题，只使用一个普通的网络摄像头，没有任何意义上的先验知识（场景设置，相机的内在和/或外在参数）。我们提出的跟踪器是基于观察，我们的愿望，授予自然的头部运动的自由，用户需要3D建模的场景设置。虽然，使用一个低分辨率的网络摄像头限制我们的尺寸（没有深度可以恢复），我们提出了一些方法来应对这个缺点，并在用户面前的场景建模。我们解决这个三维的问题，认识到它可以被视为一系列的二维特殊情况。然后，我们提出了一个程序，将用户的头部的每个动作作为一个特殊的二维情况下，从而减少了问题的复杂性回到两个维度。此外，所提出的跟踪器是免校准的，并且抛弃了所有先前提到的跟踪器的这个繁琐的部分。实验结果表明，该跟踪器在一定的限制条件下取得了较好的跟踪效果，当用户头部尽可能保持静止（不使用下巴托）时，跟踪器在x和y方向的平均误差分别为（56.95，70.82）像素。此外，我们可以报告，所提出的跟踪器提交的平均误差（87.18，103.86）像素的x和y方向，分别在自然的头部运动。
2018-03-29 cs.CV cs.HC
MLGaze: Machine Learning-Based Analysis of Gaze Error Patterns in Consumer Eye Tracking Systems
École Normale Supérieure de Lyon（里昂高等师范学院）
分析眼动仪的注视精度特性是一项关键任务，因为其注视数据经常受到各种消费者眼动仪应用中的非理想操作条件的影响。在这项研究中，商业眼动跟踪设备产生的注视错误模式在机器学习算法（如分类器和回归模型）的帮助下进行了研究。凝视数据是在多种条件下从一组参与者中收集的，这些条件通常会影响在桌面和手持平台上操作的眼动仪。这些条件（这里称为误差源）包括用户距离、头部姿势和眼睛跟踪器姿势变化，并且所收集的注视数据被用于训练分类器和回归模型。可以看出，虽然通过目视检查或数据统计几乎不可能区分不同误差源对注视数据特征的影响，但机器学习模型成功地识别了不同误差源的影响并预测了由于这些条件而导致的注视误差水平的变化。本研究的目的是调查机器学习方法对注视错误模式的检测和预测的有效性，这将使我们能够深入了解眼动仪在不受约束的操作条件下的数据质量和可靠性。本研究中采用的所有机器学习方法的编码资源都包含在一个名为MLGaze的开放存储库中，以允许研究人员使用来自他们自己的眼动仪的数据复制本文中提出的原理。
2020-05-07 cs.CV cs.HC cs.LG
A Study on the Extraction and Analysis of a Large Set of Eye Movement Features during Reading
Texas State University（德克萨斯州立大学）
本工作提出了一个研究的101类眼动特征的提取和分析，从三种类型的眼动事件：固定，扫视，和后扫视振荡。在阅读任务中记录眼动。对于记录中具有多个实例的特征类别，我们通过计算这些实例分布的描述性统计量来提取相应的特征子类型。为特征集的提取提供了一个统一的详细描述和数学公式的框架。使用来自298名受试者的正常人群的眼动记录的大型数据库进行特征值的分析。我们展示了实验人群的特征值的集中趋势和总体变异性，更重要的是，我们量化了每个单独特征的重测信度（重复性）。所描述的方法和分析可以在探索眼睛运动的领域中提供有价值的工具，例如在行为研究、注意力和认知研究、医学研究、生物特征识别和人机交互中。
2017-03-27 cs.CV cs.HC q-bio.QM
Towards an Embodied Semantic Fovea: Semantic 3D scene reconstruction from ego-centric eye-tracker videos
Imperial College London（帝国理工学院）
描述物理环境对于完全理解人类在不受约束的日常任务中的行为至关重要。这在以自我为中心的任务中尤其重要，在这些任务中，获得三维信息既有限制性又有挑战性，而目前的2D视频分析方法证明是不够的。在这里，我们展示了一个概念验证系统，它提供了实时的3D映射和语义标记的本地环境从以自我为中心的RGB-D视频流与3D凝视点估计头戴式眼动追踪眼镜。我们增加现有的工作，语义同时定位与地图构建（语义SLAM）与收集的凝视向量。然后，我们的系统可以从多个角度以合理的精度在3D中找到和跟踪用户视野内外的对象。我们通过从NYUv 2数据集的图像中生成语义图来验证我们的概念，同时从数据集图像的记录凝视数据中估计凝视位置和凝视类。
2018-07-27 cs.CV cs.HC cs.RO
Evaluating Sensitivity Parameters in Smartphone-Based Gaze Estimation: A Comparative Study of Appearance-Based and Infrared Eye Trackers
School of Computer, Data and Mathematical Sciences, Western Sydney University, Penrith, New South Wales, Australia（计算机、数据与数学科学学院，西悉尼大学，彭里，新南威尔士州，澳大利亚）；The MARCS Institute for Brain, Behaviour and Development, Western Sydney University, Penrith, NSW, Australia（脑行为与发育研究所，西悉尼大学，彭里，新南威尔士州，澳大利亚）；School of Systems and Computing, University of New South Wales, Canberra, ACT, Australia（系统与计算学院，新南威尔士大学，堪培拉，澳大利亚）
本研究对比智能手机外观法与红外眼动追踪器，系统分析年龄、光照等灵敏度因素，发现深度学习模型精度接近但更易受环境与个体因素影响，为移动注视估计提供评估参考。
2025-06-21 cs.CV 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
Android Assistant EyeMate for Blind and Blind Tracker
目前，已经实现了许多盲人辅助系统，但是还没有这样的好系统来为盲人导航，并且还跟踪盲人的运动并在他/她迷路时营救他/她。本文介绍了一种嵌入式盲人辅助跟踪系统。在这个系统中，盲人通过与android应用程序接口的眼镜导航。盲人通过应用程序根据障碍物位置生成的孟加拉语/英语语音命令进行引导。使用语音命令，盲人可以建立语音呼叫到一个预定义的号码，而无需触摸电话，只需按下耳机按钮。盲人辅助应用程序使用GPS获取纬度和经度，然后将它们发送到服务器。盲人的运动是通过另一个Android应用程序，指出在谷歌地图的当前位置跟踪。我们在实验中从混凝土和瓷砖地板等几个表面测量距离，其中出错率为5%。
2016-09-06 cs.CY cs.HC
GazeBase: A Large-Scale, Multi-Stimulus, Longitudinal Eye Movement Dataset
这份手稿介绍了GazeBase，这是一个大规模的纵向数据集，包含从322名大学年龄的受试者中捕获的12，334个单眼眼动记录。受试者在每轮记录期间在两个连续的会话中完成一组七个任务，包括1）注视任务，2）水平扫视任务，3）随机倾斜扫视任务，4）阅读任务，5/6）自由观看电影视频任务，以及7）凝视驱动的游戏任务。在37个月的时间里，共进行了9轮记录，随后每轮的受试者都是从前一轮中招募的。所有数据均使用EyeLink 1,000眼动仪以1，000 Hz采样率采集，并在每次任务前执行校准和验证方案，以确保数据质量。由于其大量的受试者和纵向性质，GazeBase非常适合探索眼动生物特征的研究假设，以及其他新兴的应用机器学习技术进行眼动信号分析。
2020-09-17 cs.HC
Advanced Gaze Analytics Dashboard
本文提出一种眼动分析仪表板，利用现成眼动仪实时可视化环境-焦点注意、认知负荷和注视转换等高级指标，并在两个公开数据集上验证其多源数据支持能力。
2024-09-10 cs.HC
pymovements: A Python Package for Eye Movement Data Processing
本文介绍 Python 软件包 pymovements，为眼动追踪数据提供解析、速度转换、事件检测、属性计算、可视化及公开数据集处理功能，并强调严格测试对可复现研究的意义。
2023-04-11 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
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
Image Features Influence Reaction Time: A Learned Probabilistic Perceptual Model for Saccade Latency
我们的目标是问和回答一个基本的问题“我们有多快的反应后，观察显示的视觉目标？“为此，我们提出了心理物理学研究，描述了人类扫视行为和空间视觉敏锐度之间的显着脱节。基于我们的研究结果，我们开发了一个感知模型来预测时间凝视行为，特别是扫视延迟，作为显示图像的统计数据的函数。具体来说，我们实现了一个神经启发的概率模型，模仿导致感知决策的信心的积累。我们使用眼动跟踪VR显示器通过一系列客观测量和用户研究来验证我们的模型。结果表明，我们的模型预测与现实世界的人类行为在统计上是一致的。此外，我们建立了许多亚阈值图像修改通常引入图形管道可能会显着改变人类的反应时间，即使差异是视觉上无法检测到的。最后，我们表明，我们的模型可以作为一个指标来预测和改变交互式计算机图形应用程序中的用户的反应延迟，从而可能会提高视情况渲染，虚拟体验的设计，和玩家在电子竞技中的表现。我们用两个例子来说明这一点：在两个不同的球队颜色的视频游戏中估计竞争的公平性，并调整显示器的观看距离，以尽量减少玩家的反应时间。
2022-05-05 cs.GR cs.HC
User Identification with LFI-Based Eye Movement Data Using Time and Frequency Domain Features
提出从基于 LFI 的高频眼动数据中提取时域与频域特征并构建多类分类模型，在无需视觉或注视数据的情况下实现 93.14% 用户识别准确率。
2025-05-12 cs.HC
Event Based, Near Eye Gaze Tracking Beyond 10,000Hz
University of California Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
现代视线跟踪系统中的摄像机受到基本带宽和功率的限制，实际上将数据采集速度限制在300 Hz。这阻碍了移动眼动跟踪器的使用，例如，低延迟预测渲染，或研究快速和微妙的眼睛运动，如使用头戴式设备在野外微跳视。在这里，我们提出了一种基于混合帧事件的近眼凝视跟踪系统，其更新速率超过10，000 Hz，在相同条件下评估时，其精度与高端桌面安装的商业跟踪器相匹配。我们的系统建立在新兴的事件相机，同时获得定期采样帧和自适应采样的事件。我们开发了一种在线的2D瞳孔拟合方法，每一个或几个事件更新一个参数模型。此外，我们提出了一个多项式回归估计的注视点的参数瞳孔模型在实时的。使用第一个基于事件的凝视数据集，可在https://github.com/aangelopoulos/event_based_gaze_tracking，我们证明，我们的系统实现了0.45度的精度-1.75度的视野从45度到98度。有了这项技术，我们希望能够为虚拟和增强现实实现新一代超低延迟的视情况而定的渲染和显示技术。
2022-08-08 cs.CV cs.HC
DysLexML: Screening Tool for Dyslexia Using Machine Learning
University of Crete（克里特大学）；Foundation for Research and Technology-Hellas（希腊研究与技术基金会）；Optotech Ltd.（奥普托泰克有限公司）；Emmetropia Eye Institute（埃梅特罗皮亚眼科研究所）
文本阅读过程中的眼动可以提供有关阅读障碍的见解。通过眼动仪，我们可以测量眼睛在何时、何地以及如何根据他们阅读的单词移动。机器学习（ML）算法可以解码这些信息并提供差分分析。这项工作开发了DysLexML，这是一种用于发展性阅读障碍的筛查工具，它应用各种ML算法来分析儿童无声阅读期间通过眼动跟踪记录的注视点。它使用在一项系统的实地研究中收集的测量数据对它的表现进行了比较评估，该研究涉及69名以希腊语为母语的儿童，其中32人被希腊官方政府机构诊断为学习和阅读困难。我们研究了一个大的特征集的基础上的统计特性的注视和扫视运动，并确定了突出的预测能力，进行降维。具体来说，DysLexML使用线性SVM实现了最佳性能，准确率为97%，具有较小的特征集，即扫视长度，短向前移动的数量和多固定单词的数量。此外，我们分析了噪声对注视位置的影响，并表明DysLexML在存在噪声的情况下是准确和鲁棒的。这些令人鼓舞的结果为在控制较少的大规模环境中开发筛查工具奠定了基础，使用廉价的眼动追踪器，有可能达到更大的人群进行早期干预。
2019-03-14 cs.CY cs.HC cs.LG
Practical Saccade Prediction for Head-Mounted Displays: Towards a Comprehensive Model
眼动追踪技术是虚拟和增强现实头戴式耳机等新型显示器不可或缺的组成部分。凝视信息的应用范围从利用眼睛模式的新交互技术到凝视相关的数字内容创建。然而，在许多这些应用中，系统延迟仍然是一个重要的问题，因为它破坏了当前和测量的注视位置之间的同步。因此，它可能导致不想要的视觉伪影和用户体验的降级。在这项工作中，我们专注于中央凹渲染应用程序中的图像的质量降低对周边的计算节省。在中心凹渲染中，延迟的存在导致对渲染帧的延迟更新，从而使质量下降对用户可见。为了解决这个问题，并打击系统的延迟，最近的工作提出了使用扫视着陆位置预测，从延迟的眼睛跟踪样本外推的凝视信息。虽然已经证明了这种策略的好处，但解决方案的范围从简单有效的解决方案（对扫视眼球运动做出几个假设）到更复杂和昂贵的解决方案（使用机器学习技术）不等。然而，目前还不清楚预测在多大程度上可以从考虑其他因素中受益。本文提出了一系列的实验调查的重要性，不同的因素，在常见的虚拟和增强现实应用程序的扫视预测。特别是，我们调查的扫视方向在3D空间和平滑追求眼球运动（SPEM）的影响，以及它们的影响如何比较用户之间的变化。我们还提出了一个简单而有效的校正方法，适应现有的扫视预测方法来处理这些因素，而不执行广泛的数据汇集。
2022-05-04 cs.GR cs.HC
Eye Tracking for Tele-robotic Surgery: A Comparative Evaluation of Head-worn Solutions
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Medical Institute（约翰斯·霍普金斯医学院）；Vanderbilt University（范德堡大学）
比较Tobii Pro 3 Glasses与Pupil Labs Core在遥操作手术中的眼动追踪性能，发现两者在瞳孔直径和注视稳定性上表现相当，校准未过期时注视估计误差均为4cm。
2023-10-18 cs.HC cs.RO
Towards Hardware-Agnostic Gaze-Trackers
Microsoft Research（微软研究院）
凝视跟踪是一种与计算机交互的新颖方式，它允许新的场景，例如使运动神经元残疾的人能够控制他们的计算机或医生在不触摸屏幕或键盘的情况下与患者信息交互。此外，在交互式游戏、用户体验研究、人类注意力分析和行为研究中存在注视跟踪的新兴应用。凝视的准确估计可以涉及考虑头部姿势、头部位置、眼睛旋转、距对象的距离以及操作条件，诸如照明、遮挡、背景噪声和用户的各种生物学方面。市售的注视跟踪器利用通常由红外光源和相机组成的专用传感器组件。在视线跟踪作为无障碍技术的普遍普及中存在几个挑战，特别是其可负担性，可靠性和易用性。在本文中，我们试图通过开发一个硬件不可知的凝视跟踪器来解决这些挑战。我们提出了一种深度神经网络架构，作为一种基于外观的方法，用于约束凝视跟踪，该方法利用在所有现代计算设备中无处不在的普通RGB相机上捕获的面部图像。我们的系统在GazeCapture数据集上实现了1.8073cm的误差，无需任何校准或设备特定的微调。这项研究表明，有一天，由于深度神经网络的预测能力，任何计算机，平板电脑或手机都可以通过眼睛进行控制。
2020-10-11 cs.AI cs.CV cs.HC
Enhancing Eye Movement Biometrics for User Authentication via Continuous Gaze Offset Score Fusion
Texas State University San Marcos（德克萨斯州立大学桑马科斯分校）
本文研究连续注视偏移与现有生物特征融合对提升用户认证性能的影响，通过两个公开数据集验证线性和非线性融合方法的有效性。
2026-05-07 cs.CV cs.HC
Pupil: An Open Source Platform for Pervasive Eye Tracking and Mobile Gaze-based Interaction
Pupil Labs UG（Pupil Labs公司）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
商用头戴式眼动仪为工业和研究领域的客户提供了有用的功能，但价格昂贵，并且依赖于封闭源硬件和软件。这将移动眼动追踪的应用领域和使用限制于专家用户，并抑制了用户驱动的开发、定制和扩展。在本文中，我们介绍了瞳孔-一个可访问的，负担得起的，可扩展的开源平台，用于移动眼动追踪和基于凝视的交互。Pupil包括1）具有高分辨率摄像头的轻型头戴式耳机，2）用于移动眼动追踪的开源软件框架，以及3）用于回放和可视化视频和凝视数据的图形用户界面（GUI）。Pupil具有高分辨率场景和眼睛摄像头，用于单眼和双眼凝视估计。该软件和GUI是独立于平台的，并包括用于实时瞳孔检测和跟踪、校准和精确凝视估计的最先进算法。性能评估的结果表明，Pupil可以提供0.6度视角的平均注视估计精度（0.08度精度），处理流水线的延迟仅为0.045秒。
2014-04-30 cs.CV cs.HC
GazeSwipe: Enhancing Mobile Touchscreen Reachability through Seamless Gaze and Finger-Swipe Integration
GazeSwipe结合凝视与手指滑动，无需校准和额外硬件，利用前置摄像头提升大屏手机单手操作可达性，实验证明高成功率且受用户青睐。
2025-03-27 cs.HC
Assessing Levels of Attention using Low Cost Eye Tracking
嵌入下一代智能手机或VR显示器的移动眼动仪的出现，不仅可以追踪我们看到的物体，还可以追踪特定情况下的注意力水平。为了探索我们是否可以量化用户与笔记本电脑交互的参与度，我们在一项为期2周的深入研究中应用了移动眼动追踪，观察了近10.000个观察结果，以评估瞳孔大小的变化，这些变化与警觉性，方向感和冲突解决的注意力方面有关。视觉呈现冲突的线索和目标，我们假设，它是可行的，以衡量分配的努力时，应对混乱的刺激。虽然这样的实验通常在实验室中进行，但我们能够区分持续的警觉性和复杂的决策，即使是在“野外”使用低成本的眼动追踪。从个人行为适应的量化自我角度来看，瞳孔大小与任务相关反应时间和出错率之间的相关性可以长期提供用于修改智能手机内容和交互的基础，以适应用户感知的注意力水平。
2016-02-16 cs.HC q-bio.NC
Complexity of eye fixation duration time series in reading of Persian texts: A multifractal detrended fluctuation analysis
越来越多的证据表明，认知过程可能具有分形结构作为复杂性的标志。这是一个正在进行的研究课题，研究类的复杂性，以及它如何可能不同的认知变量的功能。在这里，我们探索在阅读不同的波斯语文本时产生的眼动轨迹。使用眼动仪记录阅读波斯语文本过程中的眼动轨迹特征。我们发现，注视持续时间，作为眼动的主要组成部分，反映了认知加工，表现出多重分形行为。这表明需要多个指数来捕捉解码符号以获得意义所涉及的神经和认知过程。我们测试多重分形行为是否作为两种不同字体的函数而变化，读者对文本的熟悉程度，无声或大声阅读，以及目标导向与非目标导向阅读。我们发现，虽然平均注视持续时间的影响，这些因素中的一些，在时间序列的眼睛注视持续时间的多重分形图案没有显着变化。我们的研究结果表明，多重分形动力学可能是内在的阅读过程。
2017-07-10 cs.HC physics.data-an q-bio.NC
A Versatile Dataset of Mouse and Eye Movements on Search Engine Results Pages
University of Luxembourg（卢森堡大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文贡献了一个综合数据集，利用眼动仪构建客观视觉注意力真值，包含47名参与者在Google SERPs上的2,776个交易查询的鼠标和眼动数据，并提供了基线分类实验以启发未来研究。
2025-05-12 cs.CV cs.HC cs.IR
Effectiveness of a time to fixate for fitness to drive evaluation in neurological patients
本研究提出基于YOLO目标检测器的方法，从神经疾病患者的眼动数据中自动计算注视时间（TTF），验证了其在驾驶适格性评估中的区分效果，为相关评估及多领域应用提供了方法支撑。
2023-07-25 cs.HC eess.IV q-bio.NC
EveLoad: Cognitive Workload Recognition from Event-Based Eye Movements
Leiden Institute of Advanced Computer Science (LIACS), Leiden University（莱顿大学莱顿高级计算机科学研究所（LIACS））
提出首个基于事件相机的眼动数据集EveLoad，通过N-back引导注视范式收集20名受试者的六等级认知负荷数据，并建立基准，利用时空事件编码框架实现96.36%的个体识别准确率。
2026-06-25 cs.HC cs.LG
VAAD: Visual Attention Analysis Dashboard applied to e-Learning
School of Engineering, Universidad Autonoma de Madrid（马德里自治大学工程学院）
本文提出多模态学习分析工具VAAD，通过可视化和分析眼动数据并结合预测模块，从描述性与预测性两个角度揭示在线学习行为模式。
2024-09-02 cs.CV cs.HC cs.LG
Automated Visual Attention Detection using Mobile Eye Tracking in Behavioral Classroom Studies
提出一种基于移动眼动与迁移学习人脸识别的自动化流水线，以最少人工标注识别教师视觉关注的学生，在U形和小型教室中准确率分别约0.7和0.9，可辅助教学改进。
2025-09-25 cs.AI cs.CV cs.HC
MIDAS: Deep learning human action intention prediction from natural eye movement patterns
Imperial College London（帝国理工学院）；Data Science Institute（数据科学研究所）
长期以来，眼动一直被研究为进入人类大脑的注意力机制的窗口，并作为新颖风格的人机界面。然而，并不是我们所注视的一切都是我们想要与之交互的东西;这被称为注视界面的迈达斯触摸问题。为了克服Midas Touch问题，目前的界面倾向于不依赖于自然凝视线索，而是使用停留时间或凝视手势。在这里，我们提出了一个完全数据驱动的方法来解码人类的意图对象操作任务的基础上，完全自然的凝视线索。我们运行数据汇集实验，其中16名参与者被赋予操作和检查任务，在他们面前的桌子上的各种对象上执行。受试者的眼球运动是使用可穿戴的眼动仪记录的，该眼动仪允许参与者自由地移动他们的头部并注视场景。我们使用我们的语义中心凹，一个卷积神经网络模型来获得场景中的对象及其与每帧注视轨迹的关系。然后，我们评估数据，并研究几种方法来模拟意图预测的分类任务。我们的评估表明，意图预测是不是一个天真的结果的数据，而是依赖于非线性的时间处理的凝视线索。我们将任务建模为时间序列分类问题，并设计了一个双向长短期记忆（LSTM）网络架构来解码意图。我们的研究结果表明，我们可以解码人类的运动意图纯粹从自然的凝视线索和对象的相对位置，与$91.9\%$的准确性。我们的工作证明了自然凝视作为人机交互的零UI界面的可行性，即，用户将仅需要自然地行动，并且不需要与界面本身交互或偏离他们的自然眼睛运动模式。
2022-01-22 cs.CV cs.HC cs.LG
