Dati di benchmark sui movimenti oculari per la classificazione del pursuit liscio

Perché seguire gli occhi è importante

Ogni volta che leggi una frase, guardi una partita di calcio o segui una lucciola nel buio, i tuoi occhi compiono una complessa danza di rapidi balzi e scivolamenti fluidi. Questi piccoli movimenti rivelano a cosa prestiamo attenzione e come funziona il nostro cervello, e sono sempre più usati per studiare condizioni come traumi cranici e demenza. Tuttavia, i sistemi che analizzano i dati di eye-tracking faticano ancora a distinguere due tipi chiave di movimento oculare: fissare stabilmente un oggetto fermo e seguire con fluidità un oggetto in movimento. Questo articolo presenta un dataset accuratamente progettato per aiutare i ricercatori a addestrare e testare metodi migliori per discriminare questi movimenti.

La sfida nell'interpretare i movimenti oculari

Gli eye-tracker registrano dove puntano i nostri occhi migliaia di volte al secondo, ma trasformare quei flussi di numeri in eventi significativi è complicato. Ci sono salti veloci (saccadi), sguardi fissi su un punto (fissazioni) e l’inseguimento fluido di un oggetto in movimento (pursuit liscio). Le fissazioni e i pursuit liscio appaiono sorprendentemente simili nei dati grezzi perché in entrambi i casi l’occhio si muove lentamente da un punto all’altro. Anche gli esperti umani spesso non sono d’accordo su quale sia l’etichetta corretta, e molti algoritmi automatici le confondono. Questo è particolarmente problematico perché la performance nel pursuit liscio è un indizio importante nella diagnosi e nello studio di disturbi come la schizofrenia, il trauma cranico e le malattie neurodegenerative.

Progettare movimenti oculari puliti e controllati

Per affrontare il problema, gli autori hanno costruito un esperimento altamente controllato anziché affidarsi a scene del mondo reale rumorose. Dieci studenti universitari hanno tenuto la testa stabilizzata con un mentoniera, guardando uno schermo mentre un piccolo cerchio grigio si muoveva in modi diversi su uno sfondo nero. I ricercatori hanno creato tre semplici “comportamenti” per il cerchio: un cerchio in movimento che scivolava costantemente sullo schermo, un cerchio che saltava tra posizioni fisse e un cerchio che andava avanti e indietro scorrendo dolcemente e poi tornando con un salto all’inizio. Ogni prova è stata progettata in modo che potesse verificarsi un solo tipo di movimento lento (o fissazione o pursuit), insieme a salti rapidi. Questa disposizione intelligente significa che lunghi tratti lenti sono quasi certamente o puro fissare o puro seguire, senza mescolanze.

Misurazioni accurate e dati di alta qualità

Il gruppo ha utilizzato un eye-tracker ad alta velocità che registrava la posizione dell’occhio destro 1.000 volte al secondo mentre lo schermo aggiornava a 144 Hz. I bersagli si muovevano lungo otto direzioni rette (alto, basso, sinistra, destra e le quattro diagonali) e a tre velocità corrispondenti a inseguimenti lenti, medi e veloci. Ciascun partecipante ha completato 144 brevi prove, per circa 24 minuti di dati a persona e quasi quattro ore complessive. I ricercatori hanno calibrato ripetutamente l’eye-tracker, controllato quanto la posizione registrata dello sguardo corrispondesse ai bersagli e monitorato la frequenza dei dati mancanti dovuta a ammiccamenti o perdita del tracking. A parte un insieme ben identificato di prove disallineate per un partecipante, questi controlli hanno mostrato che le posizioni dell’occhio e del bersaglio erano ben allineate e che le fissazioni erano stabili e precise.

Dalle tracce grezze alle etichette utili

Invece di chiedere agli esseri umani di etichettare ogni istante di dati manualmente, gli autori hanno usato la struttura dell’esperimento per guidare l’etichettatura automatica. Per prima cosa hanno pulito i file grezzi, rimosso gli ammiccamenti e convertito le posizioni sullo schermo in angoli visivi che riflettono meglio come si muove l’occhio. Poi, per ogni prova, hanno calcolato la velocità di cambiamento della posizione oculare nel tempo e costruito una soglia di velocità personalizzata. Movimenti più lenti di questa soglia sono stati trattati come eventi “lenti” (fissazioni o pursuit, a seconda del tipo di prova), mentre raffiche più veloci sono state considerate salti. Eventi molto brevi, inferiori a circa un centesimo di secondo, sono stati rietichettati per evitare di contare piccoli glitch come movimenti oculari significativi. Questo ha prodotto quelle che gli autori chiamano “etichette di benchmark plausibili” per fissazioni, saccadi e pursuit lisci, fondate sia sul disegno sperimentale sia sulla velocità misurata dell’occhio.

Strumenti per la comunità di ricerca

Per rendere il dataset ampiamente utilizzabile, gli autori hanno pubblicato tutti i file su una piattaforma online aperta e rilasciato software complementare in Python. I ricercatori possono scaricare le registrazioni grezze, le versioni pulite, le informazioni su ciascun partecipante e i percorsi esatti dei bersagli. Il pacchetto companion include funzioni pronte all’uso per scaricare, preprocessare ed etichettare i dati, oltre a strumenti di plotting per visualizzare le prove. Poiché il codice sperimentale è anch’esso disponibile, altri laboratori possono ricreare lo stesso compito ed estendere il dataset, oppure esplorare nuovi modi di incorporare informazioni su dove dovrebbe trovarsi il bersaglio nei loro algoritmi.

Cosa significa per il futuro dell’eye-tracking

Per un lettore non specialista, il messaggio chiave è che questo lavoro fornisce un campo di prova pulito per insegnare ai computer a riconoscere diversi tipi di movimenti oculari, in particolare il sottile atto di seguire un moto in modo fluido. Evitando che i movimenti più facilmente confondibili si sovrappongano nella stessa prova e affidandosi a chiare differenze di velocità invece che a giudizi umani fallibili, gli autori offrono un solido set di riferimento su cui altri possono costruire. Con il tempo, algoritmi migliori addestrati su dati di questo tipo potrebbero rendere l’eye-tracking uno strumento più affidabile in psicologia, neuroscienze e diagnostica medica, aiutando clinici e ricercatori a comprendere meglio come i nostri occhi riflettano il funzionamento del cervello.

Citazione: 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

Parole chiave: tracciamento oculare, pursuit liscio, saccadi, dataset di benchmark, classificazione dello sguardo