Yumuşak takip sınıflandırması için göz hareketi kıyaslama verisi

Neden Göz Takibi Önemlidir

Her cümleyi okuduğunuzda, bir futbol maçını izlerken ya da karanlıkta bir ateşböceğini takip ederken gözleriniz hızlı sıçramalar ve düzgün kayışlardan oluşan karmaşık bir dans yapar. Bu küçük hareketler neye dikkat ettiğimizi ve beynimizin nasıl çalıştığını ortaya koyar ve giderek beyin yaralanmaları ile demans gibi durumları incelemek için kullanılır. Ancak göz izleme verilerini analiz eden bilgisayarlar hâlâ iki temel göz hareketini ayırt etmekte zorlanıyor: hareketsiz bir nesneye sabit bakış ve hareket eden bir nesneyi düzgünce takip etme. Bu makale, araştırmacıların bu hareketleri ayırt eden daha iyi bilgisayar yöntemleri eğitip test etmelerine yardımcı olacak, özenle tasarlanmış bir veri seti sunuyor.

Göz Hareketlerini Okumanın Zorluğu

Göz izleyiciler gözlerimizin nereye baktığını saniyede binlerce kez kaydeder, fakat bu sayı akışlarını anlamlı olaylara dönüştürmek zordur. Hızlı sıçramalar (sakkadlar), bir noktaya sabit bakışlar (fiksasyonlar) ve hareket eden bir nesneyi düzgün takip etme (yumuşak takip) vardır. Ham veride fiksasyonlar ile yumuşak takipler şaşırtıcı derecede benzer görünür çünkü her iki durumda da göz bir noktadan diğerine yavaşça hareket eder. İnsan uzmanlar sıklıkla hangi hareketin hangisi olduğu konusunda anlaşamaz ve birçok bilgisayar algoritması da karıştırır. Bu özellikle sorunludur; çünkü yumuşak takip performansı şizofreni, travmatik beyin hasarı ve nörodejeneratif hastalıklar gibi bozuklukların teşhis ve anlaşılmasında önemli bir ipucudur.

Temiz, Kontrollü Göz Hareketleri Tasarlamak

Bu sorunu ele almak için yazarlar gürültülü gerçek dünya sahnelerine güvenmek yerine yüksek kontrollü bir deney kurdular. On üniversite öğrencisi çene dayanağıyla başları sabitlenmiş halde bir ekrana baktı; ekranda siyah arka planda küçük gri bir daire farklı şekillerde hareket etti. Araştırmacılar bu daire için üç basit “davranış” oluşturdu: ekranda düzgünce kayan bir hareketli daire, sabit noktalar arasında zıplayan bir daire ve düzgün kaydıktan sonra tekrar başa sıçrayan ileri-geri hareket eden bir daire. Her deneme yalnızca bir tür yavaş hareketin (ya fiksasyon ya da yumuşak takip) meydana gelmesine izin verecek şekilde tasarlandı ve buna hızlı sıçramalar eşlik etti. Bu akıllıca düzenleme sayesinde uzun, yavaş bölümler neredeyse kesinlikle ya saf sabit bakış ya da saf takip oluyor; ikisinin karışık olduğu durumlar neredeyse ortadan kalkıyor.

Dikkatli Ölçüm ve Yüksek Kaliteli Veri

Ekip, sağ gözün konumunu saniyede 1.000 kez kaydeden yüksek hızlı bir göz izleyici kullandı; bilgisayar ekranı ise saniyede 144 kez yenileniyordu. Hedefler sekiz düz yönde (yukarı, aşağı, sol, sağ ve dört köşegen) ve yavaş, orta ve hızlı takip hızlarını temsil eden üç hızda hareket etti. Her katılımcı 144 kısa denemeyi tamamladı; bu da kişi başına yaklaşık 24 dakika ve toplamda yaklaşık dört saat veri anlamına geliyor. Araştırmacılar göz izleyiciyi tekrar tekrar kalibre etti, kaydedilen bakışın hedefle ne kadar örtüştüğünü kontrol etti ve göz kırpmalar veya izleme kaybı nedeniyle verilerin ne sıklıkta eksik olduğunu izledi. Bir katılımcıya ait açıkça tanımlanmış hizalanmamış denemeler dışında bu kontroller göz ve hedef pozisyonlarının iyi örtüştüğünü ve fiksasyonların kararlı ve hassas olduğunu gösterdi.

Ham İzlerden Yararlı Etiketlere

Yazarlar verinin her anını elle etiketletmek yerine deney yapısının otomatik etiketleme için kılavuz olmasını kullandılar. Önce ham dosyaları temizlediler, göz kırpmalarını çıkardılar ve ekran üzerindeki pozisyonları gözün nasıl hareket ettiğini daha iyi yansıtan görsel açılara dönüştürdüler. Ardından her deneme için göz pozisyonunun zamanla ne kadar hızlı değiştiğini hesapladılar ve özel bir eşik hızı belirlediler. Bu eşik hızın altındaki hareketler deneme türüne bağlı olarak “yavaş” olaylar (fiksasyonlar veya takipler) olarak, daha hızlı patlamalar ise sıçramalar olarak ele alındı. Saniyenin yaklaşık yüzde biri kadar daha kısa çok kısa olaylar anlamlı göz hareketleri yerine küçük bozulmalar sayılmasın diye yeniden etiketlendi. Bu süreç, yazarların deneye ve ölçülen göz hızına dayanan fiksasyon, sakkad ve yumuşak takip için ‘makul kıyaslama etiketleri’ olarak adlandırdığı çıktıyı üretti.

Araştırma Topluluğu için Araçlar

Veri setini geniş kullanım için erişilebilir kılmak amacıyla yazarlar tüm dosyaları açık bir çevrim içi platforma koydu ve Python’da yardımcı yazılım yayımladı. Araştırmacılar ham kayıtları, temizlenmiş sürümleri, her katılımcı hakkında bilgileri ve tam hedef yollarını indirebilir. Yardımcı paket, verileri indirmek, önişlemek ve etiketlemek için hazır fonksiyonlar ile denemeleri görselleştirmek için çizim araçları içeriyor. Deney kodu da erişilebilir olduğundan diğer laboratuvarlar aynı görevi yeniden oluşturabilir, veri setini genişletebilir veya hedefin nerede olması gerektiğine dair bilgiyi algoritmalarına dahil etmenin yeni yollarını keşfedebilirler.

Geleceğin Göz İzleme Çalışmaları İçin Ne Anlamı Var

Genel okuyucu için ana mesaj şu: bu çalışma bilgisayarların farklı göz hareketlerini, özellikle hareketi düzgünce izleme eylemini tanımasını öğretmek için temiz bir test zemini sağlıyor. En çok karıştırılan hareketlerin aynı denemede çakışmasını engelleyerek ve güvenilmez insan yargıları yerine belirgin hız farklarına dayanarak yazarlar başkalarının üzerine inşa edebileceği sağlam bir referans seti sunuyor. Zaman içinde bu tür verilerle eğitilen daha iyi algoritmalar, göz izlemenin psikoloji, sinirbilim ve tıbbi teşhislerde daha güvenilir bir araç haline gelmesini sağlayabilir; klinisyenlerin ve araştırmacıların gözlerimizin beynin işleyişini nasıl yansıttığını daha net görmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: göz izleme, yumuşak takip, sakkadlar, kıyaslama veri seti, bakış sınıflandırması