Данные эталона движения глаз для классификации плавного слежения

Почему важно следить за глазами

Каждый раз, когда вы читаете предложение, смотрите футбольный матч или следите за светлячком в темноте, ваши глаза выполняют сложный танец быстрых скачков и плавных скольжений. Эти крошечные движения показывают, чему мы уделяем внимание и как работает наш мозг, и их всё чаще используют для изучения состояний, таких как травмы головы и деменция. Тем не менее компьютерам, анализирующим данные трекинга глаз, по-прежнему сложно отличить два ключевых типа движений: неподвижное пристальное смотрение на объект и плавное следование за движущимся объектом. В этой статье представлен тщательно разработанный набор данных, который помогает исследователям обучать и тестировать лучшие алгоритмы для различения этих движений.

Сложность интерпретации движений глаз

Трекеры глаз фиксируют направление взгляда тысячи раз в секунду, но превращать эти потоки чисел в осмысленные события сложно. Есть быстрые скачки (саккады), устойчивое смотрение в одну точку (фиксации) и плавное следование за движущимся объектом (плавные слежения). Фиксации и плавные слежения на сырых данных выглядят удивительно похоже, потому что в обоих случаях глаз медленно смещается с одной точки на другую. Человеческие эксперты часто расходятся во мнениях о том, что к чему относится, и многие алгоритмы тоже путают эти категории. Это особенно важно, потому что характеристики плавного слежения служат важной подсказкой при диагностике и изучении расстройств, таких как шизофрения, травматические повреждения мозга и нейродегенеративные заболевания.

Проектирование чистых, контролируемых движений глаз

Чтобы решить эту проблему, авторы построили строго контролируемый эксперимент, вместо того чтобы полагаться на шумные сцены реального мира. Десять студентов университета сидели с зафиксированными головами в подбородочном упоре и наблюдали за экраном, на котором небольшой серый кружок двигался по-разному на чёрном фоне. Исследователи задали для кружка три простых «поведения»: движущийся кружок, который скользил плавно по экрану; прыгающий кружок, перескакивающий между фиксированными точками; и кружок, который скользил туда‑обратно, затем мгновенно возвращался к началу. Каждый прогон был устроен так, чтобы в нём мог происходить только один вид медленного движения (либо фиксация, либо плавное слежение), вместе с быстрыми скачками. Такая продуманная схема означает, что длинные медленные отрезки почти наверняка представляют либо чистое пристальное смотрение, либо чистое слежение, без их смешения.

Тщательные измерения и данные высокого качества

Команда использовала высокоскоростной трекер глаз, который записывал положение правого глаза 1000 раз в секунду, а экран обновлялся с частотой 144 Гц. Цели двигались по восьми направлениям (вверх, вниз, влево, вправо и по четырём диагоналям) и с тремя скоростями, представляющими медленное, среднее и быстрое слежение. Каждый участник выполнил 144 коротких прогона, что в сумме составило около 24 минут данных на человека и почти четыре часа в целом. Исследователи неоднократно калибровали трекер глаз, проверяли, насколько записанный взгляд совпадает с целями, и отслеживали частоту пропусков данных из‑за морганий или потери трекинга. За исключением явно выявленного набора некорректно выставленных прогонов у одного участника, эти проверки показали хорошее согласование между положением глаза и целью, а также стабильные и точные фиксации.

От сырых следов к полезным меткам

Вместо того чтобы поручать людям помечать каждый момент данных вручную, авторы использовали структуру эксперимента для автоматической разметки. Сначала они очистили сырые файлы, удалили моргания и перевели координаты на экране в визуальные углы, которые лучше отражают движение глаза. Затем для каждого прогона рассчитали скорость изменения положения глаза и построили индивидуальный порог скорости. Движения медленнее этого порога считались «медленными» событиями (фиксации или слежения, в зависимости от типа прогона), а более быстрые всплески — скачками. Очень короткие события, короче примерно одной сотой секунды, были переназначены, чтобы не считать крошечные артефакты за значимые движения глаз. Это дало то, что авторы называют «правдоподобными эталонными метками» для фиксаций, саккад и плавных слежений, основанными как на дизайне эксперимента, так и на измеренной скорости глаза.

Инструменты для научного сообщества

Чтобы сделать набор данных широко доступным, авторы разместили все файлы на открытой онлайн‑платформе и выпустили сопутствующее программное обеспечение на Python. Исследователи могут скачать сырые записи, очищенные версии, информацию о каждом участнике и точные траектории целей. Пакет включает готовые функции для загрузки, предобработки и разметки данных, а также инструменты для визуализации прогонов. Поскольку код эксперимента также доступен, другие лаборатории могут воспроизвести ту же задачу и расширить набор данных или исследовать новые способы включения информации о положении цели в свои алгоритмы.

Что это значит для будущего трекинга глаз

Для неспециалиста главный вывод в том, что эта работа предоставляет чистую тестовую площадку для обучения компьютеров распознавать разные типы движений глаз, особенно тонкое действие плавного слежения за движением. Предотвращая наложение наиболее легко путаемых движений в одном прогоне и полагаясь на ясные различия в скоростях вместо ненадёжных человеческих суждений, авторы предлагают прочный эталон, на который другие могут опираться. Со временем улучшенные алгоритмы, обученные на таких данных, могут сделать трекинг глаз более надёжным инструментом в психологии, нейронауке и медицинской диагностике, помогая клиницистам и исследователям яснее видеть, как глаза отражают работу мозга.

Цитирование: 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

Ключевые слова: отслеживание взгляда, плавное слежение, саккады, эталонный набор данных, классификация взгляда