Données de référence de mouvements oculaires pour la classification des poursuites lisses

Pourquoi suivre le regard importe

Chaque fois que vous lisez une phrase, regardez un match de football ou suivez une luciole dans l’obscurité, vos yeux exécutent une chorégraphie complexe de sauts rapides et de glissements lents. Ces micro-mouvements révèlent ce à quoi nous prêtons attention et comment fonctionne notre cerveau, et ils sont de plus en plus utilisés pour étudier des états comme les lésions cérébrales ou la démence. Mais les ordinateurs qui analysent les données de suivi oculaire peinent encore à distinguer deux types clés de mouvements : la fixation sur un objet immobile et la poursuite fluide d’un objet en mouvement. Cet article présente un jeu de données soigneusement conçu pour aider les chercheurs à entraîner et tester de meilleures méthodes informatiques afin de différencier ces mouvements.

Le défi d’interpréter les mouvements oculaires

Les traceurs oculaires enregistrent la direction du regard des milliers de fois par seconde, mais convertir ces flux numériques en événements signifiants est délicat. Il y a des sauts rapides (saccades), des regards stables sur un point (fixations) et la poursuite lisse d’un objet en mouvement (poursuites lisses). Dans les données brutes, fixations et poursuites lisses se ressemblent étonnamment parce que, dans les deux cas, l’œil se déplace lentement d’un point à un autre. Les experts humains se disputent souvent sur leur attribution, et de nombreux algorithmes informatiques les confondent également. Cela pose problème car la performance en poursuite lisse est un indice important pour diagnostiquer et comprendre des troubles comme la schizophrénie, les traumatismes crâniens et les maladies neurodégénératives.

Concevoir des mouvements oculaires propres et contrôlés

Pour relever ce défi, les auteurs ont mis en place une expérience très contrôlée plutôt que de s’appuyer sur des scènes du monde réel souvent bruitées. Dix étudiants universitaires se sont assis la tête stabilisée sur un mentonnier, regardant un écran pendant qu’un petit cercle gris se déplaçait de différentes manières sur un fond noir. Les chercheurs ont créé trois « comportements » simples pour ce cercle : un cercle en mouvement qui glissait régulièrement à travers l’écran, un cercle qui sautait entre des positions fixes, et un cercle qui allait et venait en glissant puis revenait en sautant à son point de départ. Chaque essai était conçu de sorte qu’un seul type de mouvement lent (soit fixation, soit poursuite) puisse se produire, accompagné de sauts rapides. Cette configuration astucieuse garantit que de longues séquences lentes sont presque certainement soit de la fixation pure soit de la poursuite pure, sans mélange des deux.

Mesures soignées et données de haute qualité

L’équipe a utilisé un traceur oculaire haute vitesse qui enregistrait la position de l’œil droit 1000 fois par seconde tandis que l’écran se rafraîchissait à 144 Hz. Les cibles se déplaçaient selon huit directions droites (haut, bas, gauche, droite et les quatre diagonales) et à trois vitesses représentant des poursuites lentes, moyennes et rapides. Chaque participant a réalisé 144 essais courts, totalisant environ 24 minutes de données par personne et près de quatre heures au total. Les chercheurs ont recalibré régulièrement le traceur, vérifié la concordance entre le regard enregistré et les cibles, et contrôlé la fréquence des pertes de données dues aux clignements ou à la perte de suivi. À l’exception d’un ensemble clairement identifié d’essais mal alignés pour un participant, ces vérifications ont montré que les positions de l’œil et de la cible étaient bien corrélées et que les fixations étaient stables et précises.

Des traces brutes aux étiquettes utilisables

Plutôt que de demander à des humains d’étiqueter chaque instant de données manuellement, les auteurs ont utilisé la structure de leur expérience pour guider l’étiquetage automatique. D’abord, ils ont nettoyé les fichiers bruts, supprimé les clignements et converti les positions à l’écran en angles visuels qui reflètent mieux le mouvement oculaire. Puis, pour chaque essai, ils ont calculé la vitesse du déplacement du regard au fil du temps et établi un seuil de vitesse personnalisé. Les mouvements plus lents que ce seuil ont été considérés comme des événements « lents » (fixations ou poursuites, selon le type d’essai), et les poussées plus rapides comme des sauts. Les événements très courts, inférieurs à environ un centième de seconde, ont été réétiquetés afin d’éviter de compter de petites anomalies comme des mouvements oculaires significatifs. Cela a produit ce que les auteurs appellent des « étiquettes de référence plausibles » pour les fixations, les saccades et les poursuites lisses, ancrées à la fois dans la conception expérimentale et dans la vitesse mesurée de l’œil.

Des outils pour la communauté scientifique

Pour rendre le jeu de données largement utilisable, les auteurs ont placé tous les fichiers sur une plateforme en ligne ouverte et publié un logiciel compagnon en Python. Les chercheurs peuvent télécharger les enregistrements bruts, les versions nettoyées, les informations sur chaque participant et les trajectoires exactes des cibles. Le package compagnon inclut des fonctions prêtes à l’emploi pour télécharger, prétraiter et étiqueter les données, ainsi que des outils de visualisation pour afficher les essais. Comme le code expérimental est aussi accessible, d’autres laboratoires peuvent recréer la même tâche et étendre le jeu de données, ou explorer de nouvelles manières d’intégrer l’information sur la position attendue de la cible dans leurs algorithmes.

Ce que cela signifie pour le suivi oculaire à venir

Pour un lecteur non spécialiste, le message principal est que ce travail fournit un terrain d’essai propre pour apprendre aux ordinateurs à reconnaître différents types de mouvements oculaires, en particulier l’acte subtil de suivre un mouvement de façon lisse. En empêchant que les mouvements les plus facilement confondus se chevauchent dans un même essai, et en s’appuyant sur des différences claires de vitesse plutôt que sur des jugements humains faillibles, les auteurs offrent un ensemble de référence solide sur lequel d’autres peuvent s’appuyer. À terme, des algorithmes améliorés entraînés sur de telles données pourraient rendre le suivi oculaire plus fiable en psychologie, neurosciences et diagnostics médicaux, aidant cliniciens et chercheurs à mieux comprendre comment nos yeux reflètent le fonctionnement du cerveau.

Citation: 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

Mots-clés: suivi oculaire, poursuite lisse, saccades, jeu de données de référence, classification du regard