Referensdata för ögonrörelser för klassificering av smooth pursuit

Varför det spelar roll att följa ögon

Varje gång du läser en mening, tittar på en fotbollsmatch eller följer en eldfluga i mörkret utför dina ögon en komplex dans av snabba hopp och mjuka glidningar. Dessa små rörelser avslöjar vad vi uppmärksammar och hur våra hjärnor fungerar, och de används i allt större utsträckning för att studera tillstånd som hjärnskador och demens. Men datorer som analyserar ögonspårningsdata har fortfarande svårt att skilja mellan två viktiga typer av ögonrörelser: stadigt stirrande på ett stilla föremål och att mjukt följa något som rör sig. Denna artikel presenterar ett noggrant utformat dataset för att hjälpa forskare träna och testa bättre datorbaserade metoder för att skilja dessa rörelser åt.

Utmaningen med att tolka ögonrörelser

Ögonspårare registrerar vart våra ögon pekar tusentals gånger per sekund, men att omvandla dessa strömmar av siffror till meningsfulla händelser är svårt. Det finns snabba hopp (sakkader), stadiga blickar på en punkt (fixationer) och mjukt följande av ett rörligt objekt (smooth pursuit). Fixationer och smooth pursuits liknar varandra förvånansvärt mycket i rådata eftersom ögat i båda fallen rör sig långsamt från en punkt till en annan. Människliga experter är ofta oense om vad som är vad, och många datoralgoritmer förväxlar dem också. Det är särskilt problematiskt eftersom prestanda i smooth pursuit är en viktig ledtråd vid diagnostik och förståelse av störningar som schizofreni, traumatisk hjärnskada och neurodegenerativa sjukdomar.

Att utforma rena, kontrollerade ögonrörelser

För att tackla detta problem byggde författarna ett mycket kontrollerat experiment istället för att förlita sig på brusiga verkliga scener. Tio universitetsstudenter satt med huvudet stabiliserat i en hakstöd och tittade på en skärm medan en enda liten grå cirkel rörde sig på olika sätt mot en svart bakgrund. Forskarna skapade tre enkla ”beteenden” för cirkeln: en rörlig cirkel som gled stadigt över skärmen, en hoppande cirkel som hoppade mellan fasta punkter, och en fram-och-tillbaka-cirkel som gled smidigt och sedan hoppade tillbaka till start. Varje försök utformades så att endast en typ av långsam rörelse (antingen fixation eller smooth pursuit) kunde förekomma, tillsammans med snabba hopp. Denna smarta uppläggning innebär att långa, långsamma sekvenser nästan säkert är antingen ren stirrning eller ren följning, utan att de två blandas.

Noggrann mätning och högkvalitativa data

Teamet använde en högfrekvent ögonspårare som registrerade positionen för höger öga 1 000 gånger per sekund medan datorskärmen uppdaterades 144 gånger per sekund. Måltavlorna rörde sig längs åtta raka riktningar (upp, ner, vänster, höger och de fyra diagonalerna) och i tre hastigheter som motsvarar långsamt, medel och snabbt följande. Varje deltagare genomförde 144 korta försök, vilket gav cirka 24 minuters data per person och nästan fyra timmars data totalt. Forskarna kalibrerade ögonspåraren upprepade gånger, kontrollerade hur väl den registrerade blicken matchade målen och övervakade hur ofta data saknades på grund av blinkningar eller förlust av spårning. Förutom en tydligt identifierad uppsättning felinriktade försök för en deltagare visade dessa kontroller att ögon- och målpunkter stämde väl överens och att fixationerna var stabila och precisa.

Från råa spår till användbara etiketter

I stället för att be människor märka varje ögonblick för hand använde författarna experimentets struktur för att styra automatisk märkning. Först rengjorde de råfilerna, tog bort blinkningar och omvandlade skärmpositioner till visuella vinklar som bättre speglar hur ögat rör sig. Därefter beräknade de för varje försök hur snabbt ögonpositionen förändrades över tid och byggde en anpassad gränshastighet. Rörelser långsammare än denna gräns behandlades som ”långsamma” händelser (fixationer eller pursuits, beroende på försöksyp), och snabbare utbrott behandlades som hopp. Mycket korta händelser, kortare än ungefär en hundradels sekund, märktes om för att undvika att räkna små glitchar som meningsfulla ögonrörelser. Detta producerade vad författarna kallar ”plausibla referensetiketter” för fixationer, sakkader och smooth pursuits, förankrade både i experimentdesignen och i den uppmätta ögonhastigheten.

Verktyg för forskarsamhället

För att göra datasetet allmänt användbart lade författarna upp alla filer på en öppen onlineplattform och släppte medföljande programvara i Python. Forskare kan ladda ner råa inspelningar, rengjorda versioner, information om varje deltagare och de exakta målrörelserna. Paketet innehåller färdiga funktioner för att ladda ner, förbehandla och märka data, samt verktyg för att plotta och visualisera försök. Eftersom experimentkoden också är tillgänglig kan andra laboratorier återskapa samma uppgift och utöka datasetet, eller utforska nya sätt att inkorporera information om var målet borde vara i sina algoritmer.

Vad detta betyder för framtidens ögonspårning

För en lekmannaläsare är huvudbudskapet att detta arbete tillhandahåller en ren testmiljö för att lära datorer känna igen olika typer av ögonrörelser, särskilt den subtila handlingen att mjukt följa rörelse. Genom att hindra de lättast förväxlade rörelserna från att överlappa i samma försök, och genom att förlita sig på tydliga skillnader i hastighet i stället för bristfälliga mänskliga bedömningar, erbjuder författarna en robust referenssats som andra kan bygga vidare på. Med tiden kan bättre algoritmer tränade på sådan data göra ögonspårning till ett mer tillförlitligt verktyg inom psykologi, neurovetenskap och medicinsk diagnostik, och hjälpa kliniker och forskare att tydligare se hur våra ögon speglar hjärnans funktioner.

Citering: 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

Nyckelord: ögonspårning, smooth pursuit, sakkader, referensdataset, blickklassificering