Datos de referencia de movimiento ocular para la clasificación de seguimiento suave

Por qué importa seguir con la mirada

Cada vez que lees una frase, ves un partido de fútbol o sigues una luciérnaga en la oscuridad, tus ojos realizan una danza compleja de saltos rápidos y deslizamientos suaves. Estos pequeños movimientos revelan a qué prestamos atención y cómo funciona nuestro cerebro, y se utilizan cada vez más para estudiar afecciones como lesiones cerebrales y demencia. Pero los programas que analizan datos de seguimiento ocular aún tienen dificultades para distinguir dos tipos clave de movimiento ocular: mirar fijamente un objeto inmóvil y seguir suavemente algo que se desplaza. Este artículo presenta un conjunto de datos cuidadosamente diseñado para ayudar a los investigadores a entrenar y evaluar mejores métodos computacionales para diferenciar estos movimientos.

El desafío de leer movimientos oculares

Los rastreadores oculares registran hacia dónde miramos miles de veces por segundo, pero convertir esas secuencias de números en eventos significativos es complejo. Hay saltos rápidos (sacadas), miradas estables a un punto (fijaciones) y el seguimiento suave de un objeto en movimiento (seguimientos suaves). Las fijaciones y los seguimientos suaves se parecen sorprendentemente en los datos sin procesar porque en ambos casos el ojo se desplaza lentamente de un punto a otro. Los expertos humanos a menudo discrepan sobre cuál es cuál, y muchos algoritmos computacionales también los confunden. Esto es especialmente problemático porque el rendimiento en seguimientos suaves es una pista importante para diagnosticar y comprender trastornos como la esquizofrenia, las lesiones cerebrales traumáticas y las enfermedades neurodegenerativas.

Diseñando movimientos oculares limpios y controlados

Para abordar este problema, los autores diseñaron un experimento altamente controlado en lugar de depender de escenas del mundo real ruidosas. Diez estudiantes universitarios se sentaron con la cabeza estabilizada en una mentonera, mirando una pantalla mientras un único pequeño círculo gris se movía de distintas maneras sobre un fondo negro. Los investigadores crearon tres “comportamientos” simples para ese círculo: un círculo en movimiento que se deslizaba de forma continua por la pantalla, un círculo que saltaba entre posiciones fijas y un círculo de vaivén que se deslizaba suavemente y luego saltaba de nuevo al inicio. Cada ensayo se diseñó de modo que solo pudiera ocurrir un tipo de movimiento lento (fijación o seguimiento suave), junto con saltos rápidos. Esta disposición inteligente hace que los periodos largos y lentos sean casi con toda seguridad o bien pura fijación o bien puro seguimiento, sin mezcla de ambos.

Medición cuidadosa y datos de alta calidad

El equipo utilizó un rastreador ocular de alta velocidad que registró la posición del ojo derecho 1.000 veces por segundo mientras la pantalla se actualizaba 144 veces por segundo. Los objetivos se movieron en ocho direcciones rectas (arriba, abajo, izquierda, derecha y las cuatro diagonales) y a tres velocidades que representaban seguimiento lento, medio y rápido. Cada participante completó 144 ensayos cortos, sumando alrededor de 24 minutos de datos por persona y casi cuatro horas en total. Los investigadores calibraron el rastreador repetidamente, comprobaron qué tan bien coincidían la mirada registrada y los objetivos, y monitorizaron la frecuencia de datos faltantes por parpadeos o pérdida de seguimiento. Aparte de un conjunto claramente identificado de ensayos desalineados en un participante, estas comprobaciones mostraron que las posiciones del ojo y del objetivo se alineaban bien y que las fijaciones eran estables y precisas.

De las trazas sin procesar a etiquetas útiles

En lugar de pedir a humanos que etiquetaran cada instante de datos a mano, los autores emplearon la estructura de su experimento para guiar el etiquetado automático. Primero limpiaron los archivos sin procesar, eliminaron los parpadeos y convirtieron las posiciones en pantalla a ángulos visuales que reflejan mejor cómo se mueve el ojo. Luego, para cada ensayo, calcularon la velocidad de cambio de la posición ocular a lo largo del tiempo y construyeron un umbral de velocidad personalizado. Los movimientos más lentos que ese umbral se trataron como eventos “lentos” (fijaciones o seguimientos, según el tipo de ensayo), y los estallidos más rápidos se consideraron saltos. Los eventos muy cortos, más breves que aproximadamente una centésima de segundo, se reclasificaron para evitar contar pequeñas anomalías como movimientos oculares relevantes. Esto produjo lo que los autores llaman “etiquetas de referencia plausibles” para fijaciones, sacadas y seguimientos suaves, fundamentadas tanto en el diseño experimental como en la velocidad medida del ojo.

Herramientas para la comunidad investigadora

Para que el conjunto de datos sea ampliamente utilizable, los autores colocaron todos los archivos en una plataforma en línea abierta y publicaron software complementario en Python. Los investigadores pueden descargar las grabaciones sin procesar, las versiones limpias, información sobre cada participante y las trayectorias exactas de los objetivos. El paquete complementario incluye funciones listas para descargar, preprocesar y etiquetar los datos, así como herramientas de visualización para representar los ensayos. Dado que el código del experimento también está disponible, otros laboratorios pueden recrear la misma tarea y ampliar el conjunto de datos, o explorar nuevas formas de incorporar información sobre dónde debería estar el objetivo en sus algoritmos.

Qué significa esto para el futuro del seguimiento ocular

Para un lector no especialista, el mensaje clave es que este trabajo proporciona un terreno de prueba limpio para enseñar a las máquinas a reconocer distintos tipos de movimientos oculares, en particular el acto sutil de seguir suavemente un movimiento. Al prevenir que los movimientos más fácilmente confundibles se solapen en el mismo ensayo y al basarse en diferencias de velocidad claras en lugar de juicios humanos falibles, los autores ofrecen un conjunto de referencia sólido sobre el que otros pueden construir. Con el tiempo, algoritmos mejores entrenados con estos datos podrían convertir el seguimiento ocular en una herramienta más fiable en psicología, neurociencia y diagnóstico médico, ayudando a clínicos e investigadores a comprender más claramente cómo nuestros ojos reflejan el funcionamiento del cerebro.

Cita: 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

Palabras clave: seguimiento ocular, seguimiento suave, sacadas, conjunto de datos de referencia, clasificación de la mirada