Benchmark-Daten zu Augenbewegungen für die Klassifikation von Smooth Pursuit

Warum es wichtig ist, Augen zu verfolgen

Jedes Mal, wenn Sie einen Satz lesen, ein Fußballspiel verfolgen oder ein Leuchtkäferchen in der Dunkelheit beobachten, führen Ihre Augen einen komplexen Tanz aus schnellen Sprüngen und sanften Gleitbewegungen aus. Diese winzigen Bewegungen verraten, worauf wir unsere Aufmerksamkeit richten und wie unser Gehirn arbeitet, und sie werden zunehmend genutzt, um Erkrankungen wie Hirnverletzungen und Demenz zu untersuchen. Computer, die Eye-Tracking-Daten analysieren, tun sich jedoch weiterhin schwer damit, zwei wichtige Arten von Augenbewegungen auseinanderzuhalten: das starre Fixieren eines starren Objekts und das gleichmäßige Folgen eines sich bewegenden Objekts. Dieses Paper stellt einen sorgfältig gestalteten Datensatz vor, der Forschenden helfen soll, bessere Algorithmen zum Unterscheiden dieser Bewegungen zu trainieren und zu testen.

Die Herausforderung beim Lesen von Augenbewegungen

Eye-Tracker zeichnen die Blickrichtung tausendfach pro Sekunde auf, doch aus diesen Zahlen sinnvolle Ereignisse zu machen, ist nicht einfach. Es gibt schnelle Sprünge (Sakkaden), ruhiges Fixieren eines Punkts (Fixationen) und das gleichmäßige Folgen eines bewegten Objekts (smooth pursuits). Fixationen und Smooth Pursuits sehen in den Rohdaten oft erstaunlich ähnlich aus, weil sich das Auge in beiden Fällen langsam von einem Punkt zum nächsten bewegt. Menschliche Expertinnen und Experten sind sich häufig uneinig, was was ist, und viele Computerverfahren verwechseln diese Bewegungsarten ebenfalls. Das ist besonders problematisch, weil die Leistung bei Smooth Pursuits ein wichtiger Hinweis bei der Diagnose und dem Verständnis von Erkrankungen wie Schizophrenie, traumatischen Hirnverletzungen und neurodegenerativen Krankheiten ist.

Entwurf sauberer, kontrollierter Augenbewegungen

Um dieses Problem anzugehen, bauten die Autorinnen und Autoren ein hochkontrolliertes Experiment anstelle von lauten Realwelt-Szenen auf. Zehn Studierende saßen mit stabilisiertem Kopf im Kinnrest und sahen auf einen Bildschirm, während ein einzelner kleiner grauer Kreis auf schwarzem Hintergrund unterschiedliche Bewegungen ausführte. Die Forschenden definierten drei einfache „Verhaltensweisen“ für diesen Kreis: ein sich gleichmäßig über den Bildschirm bewegender Kreis, ein springender Kreis, der zwischen festen Punkten hüpft, und ein hin- und hergleitender Kreis, der sanft gleitet und dann zum Startpunkt zurückspringt. Jeder Durchgang war so gestaltet, dass nur eine Art langsamer Bewegung (entweder Fixation oder Smooth Pursuit) auftreten konnte, zusammen mit schnellen Sprüngen. Dieses clevere Design sorgt dafür, dass lange, langsame Abschnitte beinahe sicher entweder reines Starren oder reines Folgen sind, ohne beide Bewegungsarten zu mischen.

Sorgfältige Messung und hochwertige Daten

Das Team verwendete einen Hochgeschwindigkeits-Eye-Tracker, der die Position des rechten Auges 1.000 Mal pro Sekunde aufzeichnete, während der Bildschirm mit 144 Hz aktualisiert wurde. Die Ziele bewegten sich in acht geraden Richtungen (oben, unten, links, rechts und die vier Diagonalen) und in drei Geschwindigkeiten, die langsames, mittleres und schnelles Folgen repräsentierten. Jede Person absolvierte 144 kurze Versuchsreihen, was etwa 24 Minuten Daten pro Teilnehmendem und insgesamt fast vier Stunden ergibt. Die Forschenden kalibrierten den Eye-Tracker wiederholt, überprüften, wie gut der aufgezeichnete Blick mit den Zielen übereinstimmte, und überwachten, wie häufig Daten durch Blinzeln oder Trackingverlust fehlten. Abgesehen von einer klar identifizierten Gruppe falsch ausgerichteter Durchgänge bei einer Person zeigten diese Kontrollen, dass Blick- und Zielpositionen gut übereinstimmten und dass Fixationen stabil und präzise waren.

Von Rohspuren zu nützlichen Labels

Anstatt Menschen zu bitten, jeden Moment der Daten von Hand zu etikettieren, nutzten die Autorinnen und Autoren die Struktur ihres Experiments zur automatischen Beschriftung. Zuerst bereinigten sie die Rohdateien, entfernten Blinks und wandelten Bildschirmpositionen in Sehwinkel um, die besser widerspiegeln, wie sich das Auge bewegt. Für jeden Durchgang berechneten sie dann, wie schnell sich die Augenposition zeitlich veränderte, und erstellten einen maßgeschneiderten Geschwindigkeits-Schwellenwert. Bewegungen, die langsamer waren als dieser Schwellenwert, wurden als „langsame“ Ereignisse (Fixationen oder Pursuits, je nach Versuchsbedingung) behandelt, schnellere Spitzen als Sprünge. Sehr kurze Ereignisse, kürzer als etwa ein Hundertstel Sekunde, wurden umetikettiert, um zu vermeiden, dass winzige Störungen als bedeutsame Augenbewegungen gezählt werden. So entstanden die vom Team genannten „plausiblen Benchmark-Labels“ für Fixationen, Sakkaden und Smooth Pursuits, begründet sowohl im Versuchsdesign als auch in der gemessenen Augenbewegungsgeschwindigkeit.

Werkzeuge für die Forschungsgemeinschaft

Um den Datensatz breit nutzbar zu machen, stellten die Autorinnen und Autoren alle Dateien auf einer offenen Online-Plattform bereit und veröffentlichten begleitende Software in Python. Forschende können die Rohaufzeichnungen, bereinigte Versionen, Informationen zu jeder Person und die exakten Zielpfade herunterladen. Das Begleitpaket enthält fertige Funktionen zum Herunterladen, Vorverarbeiten und Etikettieren der Daten sowie Plot-Tools zur Visualisierung von Durchgängen. Da auch der Experimentcode verfügbar ist, können andere Labore dieselbe Aufgabe reproduzieren und den Datensatz erweitern oder neue Wege erforschen, Informationen darüber, wo sich das Ziel befindet, in ihre Algorithmen einzubinden.

Was das für die Zukunft des Eye-Trackings bedeutet

Für eine allgemeine Leserschaft lautet die Kernbotschaft, dass diese Arbeit ein sauberes Prüfgelände bietet, um Computern beizubringen, verschiedene Arten von Augenbewegungen zu erkennen, insbesondere das subtile Verhalten des gleichmäßigen Verfolgens. Indem die am leichtesten zu verwechselnden Bewegungen daran gehindert werden, im selben Durchgang zu überlappen, und indem man sich auf klare Geschwindigkeitsunterschiede statt auf fehleranfällige menschliche Urteile stützt, liefern die Autorinnen und Autoren einen soliden Referenzsatz, auf dem andere aufbauen können. Mit der Zeit könnten bessere Algorithmen, die an solchen Daten trainiert wurden, das Eye-Tracking zu einem verlässlicheren Instrument in Psychologie, Neurowissenschaften und medizinischer Diagnostik machen und Klinikern sowie Forschenden deutlicher zeigen, wie unsere Augen die Funktionsweise des Gehirns widerspiegeln.

Zitation: Korthals, L., Visser, I. & Kucharský, Š. Eye movement benchmark data for smooth-pursuit classification. Sci Data 13, 375 (2026). https://doi.org/10.1038/s41597-026-06963-4

Schlüsselwörter: Eye-Tracking, smooth pursuit, Sakkaden, Benchmark-Datensatz, Blickklassifikation