[論文レビュー] An Approach to Track Reading Progression Using Eye-Gaze Fixation Points

Stephen Bottos, Balakumar Balasingam|arXiv (Cornell University)|Feb 8, 2019

Gaze Tracking and Assistive Technology参考文献 25被引用数 6

ひとこと要約

本稿では、商業用アイトラッカーから得られるノイズの多い眼球注視固定データを用いて、読書中の行検出を向上させるための隠れマルコフモデル（HMM）ベースの手法を提案する。注視パターンを統計的にモデル化し、時間的依存性を活用することで、83.1%の行検出精度を達成し、ベースラインの離散化手法と比較して22.5%の改善を実現した。

ABSTRACT

In this paper, we consider the problem of tracking the eye-gaze of individuals while they engage in reading. Particularly, we develop ways to accurately track the line being read by an individual using commercially available eye tracking devices. Such an approach will enable futuristic functionalities such as comprehension evaluation, interest level detection, and user-assisting applications like hands-free navigation and automatic scrolling. Existing commercial eye trackers provide an estimated location of the eye-gaze fixations every few milliseconds. However, this estimated data is found to be very noisy. As such, commercial eye-trackers are unable to accurately track lines while reading. In this paper we propose several statistical models to bridge the commercial gaze tracker outputs and eye-gaze patterns while reading. We then employ hidden Markov models to parametrize these statistical models and to accurately detect the line being read. The proposed approach is shown to yield an improvement of over 20% in line detection accuracy.

研究の動機と目的

• 商業用アイトラッキングデバイスからのノイズの多い眼球注視固定データを用いて、読書進行を正確に追跡する課題に対処すること。
• 生のノイズの多いアイトラッカー出力と実際の読書行進行の間のギャップを埋める統計的モデルを開発すること。
• 単純な空間的離散化を超えて、行検出の正確性を向上させること。
• 理解度評価、関心度検出、読書インターフェースにおけるハンズフリー操作などの実用的応用を可能にすること。
• HMMが読書中の眼球運動の時間的パターンをモデル化する有効性を示すこと。

提案手法

• 著者らは、読んでいる行の隠れ状態をモデル化するため、隠れマルコフモデル（HMM）を用いる。各々の行を隠れ状態として扱う。
• 眼球注視固定点は、縦方向位置に基づく離散化関数を用いて、離散的な行状態にマッピングされる。
• Gazepoint GP3アイトラッカーのノイズレベルに一致するように、シミュレーテッドデータを用いてHMMを訓練し、現実的な注視行動をモデル化する。
• 観測された眼球注視固定点から、読んでいる行の最も確実な系列を推定するために、ビタビアルゴリズムが適用される。
• サンプリング時間はモデル設計の一部に考慮されたが、簡素化を図るため、最終的なHMMは固定の60 Hzのサンプリングレートを採用している。
• 実世界のデータはGazepoint GP3アイトラッカーを用いて収集され、評価にはキャリブレーションと25ページのテキスト（1ページ25行）が使用された。

実験結果

リサーチクエスチョン

• RQ1 統計的モデルは、読書中の行検出精度を向上させるために、眼球注視固定データのノイズを効果的に低減できるか？
• RQ2 単純な空間的離散化と比較して、隠れマルコフモデル（HMM）を用いることで、読書中の注視行の検出にどのような差が生じるか？
• RQ3 注視固定点系列における時間的依存性をモデル化することで、読書進行追跡の精度はどの程度向上するか？
• RQ4 シミュレーテッドデータで訓練されたHMMは、商業用デバイスからの実世界のアイトラッキングデータに効果的に一般化できるか？
• RQ5 実際の注視データにおける相関のあるノイズが、行検出性能に与える影響は何か？

主な発見

• 提案されたHMMベースの行検出システムは、平均83.1%の行検出精度を達成し、ベースラインの離散化手法と比較して22.5%の改善を示した。
• 離散化関数単体の平均誤差は39.5%であったが、HMMにより16.9%に低下した。
• 実際のアイトラッキングデータでは、x方向およびy方向の両方で時間的相関のあるノイズが観察されたが、初期のシミュレーションではこれを完全に捉えきれなかった。
• HMMモデルは、注視固定点系列における時間的依存性を効果的に活用し、ノイズに対する耐性を高めた。
• 本研究では、HMMが商業用デバイスからのノイズの多い入力でさえも、読書中の眼球運動パターンを効果的にモデル化できることを確認した。
• 将来的には、HMMフレームワークにサンプリング時間の調整を組み込むことで、リアルタイムの注視ダイナミクスをよりよくモデル化できると期待される。