[论文解读] Eye movement velocity and gaze data generator for evaluation, robustness testing and assess of eye tracking software and visualization tools

Wolfgang Fuhl, Enkelejda Kasneci|arXiv (Cornell University)|Aug 27, 2018

Gaze Tracking and Assistive Technology参考文献 19被引用 36

一句话总结

本文提出了一种新颖的眼动仿真器，通过分别使用伽马分布和S型分布模拟扫视和追踪运动，生成逼真的速度轮廓和注视序列。该仿真器支持可变且波动的采样率，可集成显著性图或真实注视目标，并通过在公开数据集上的精确仿真与误差评估，实现对眼动追踪软件的稳健评估。

ABSTRACT

Eye movements hold information about human perception, intention, and cognitive state. We propose a novel eye movement simulator that i) probabilistically simulates saccade movements as gamma distributions considering different peak velocities and ii) models smooth pursuit onsets with the sigmoid function. Additionally, it is capable of producing velocity and two-dimensional gaze sequences for static and dynamic scenes using saliency maps or real fixation targets. Our approach is also capable of simulating any sampling rate, even with uctuations. The simulation is evaluated against publicly available annotated data. The simulator can be used in EyeTrace or downloaded at http://ti.unituebingen. de/Projekte.1801.0.html.

研究动机与目标

• 为评估眼动追踪软件和可视化技术，解决缺乏稳健、可适应的眼动仿真工具的问题。
• 克服现有仿真器假设恒定采样率且缺乏真实噪声建模的局限性。
• 通过显著性图或真实注视目标，实现对静态图像和动态场景的注视数据生成。
• 支持在不同采样条件和噪声分布下对眼动追踪算法的鲁棒性测试。
• 提供一种灵活、开源的工具，用于生成模拟眼动数据，以反映现实世界中的变异性和测量误差。

提出的方法

• 通过用户定义的峰值速度和持续时间范围，使用伽马分布的速度轮廓模拟扫视。
• 通过S型函数建模平滑追踪，以表示渐进的启动和速度变化。
• 通过将模拟的眼动映射到显著性图或真实注视目标，生成注视位置。
• 支持静态和动态采样率，包括真实眼动仪中常见的波动帧率。
• 通过均匀分布和正态分布引入噪声建模，以模拟测量误差和抖动。
• 支持使用相同的参数化框架，将真实眼动数据（注视、扫视、平滑追踪）重新映射到新刺激上。

实验结果

研究问题

• RQ1 在可变且波动的采样率下，如何实现眼动数据的逼真仿真？
• RQ2 扫视和平滑追踪的速度轮廓在形状和动力学上，与真实眼动追踪数据的匹配程度如何？
• RQ3 该仿真器在使用显著性图或真实注视目标时，生成静态和动态视觉刺激下合理注视序列的有效性如何？
• RQ4 在使用平方速度误差评估公开真实眼动追踪数据集时，该仿真器的准确性如何？
• RQ5 该仿真器是否可用于在多样化且逼真的条件下，稳健地测试和评估眼动追踪软件与可视化工具？

主要发现

• 该仿真器在真实数据集上实现了较低的平方速度误差，其中在I-BDT数据集（30 Hz采样率）中扫视的误差最低，归因于噪声减少和更平滑的速度计算。
• 扫视仿真中的高误差主要归因于样本间速度计算的人工伪影以及真实数据中的测量不准确性，而非仿真模型本身的缺陷。
• 在低采样率数据集（如I-BDT）中，平滑追踪仿真的误差较高，因为30 Hz下平滑追踪的启动过程捕捉不佳，凸显了仿真器对细微动态的建模能力。
• 通过与真实数据的视觉对比（图9）确认，该仿真器成功再现了真实眼动速度轮廓的形状和时间特性，表明其具有高度保真度。
• 该框架支持对静态和动态场景的灵活数据生成，通过目标重映射实现真实眼动数据在新刺激上的复用。
• 噪声模型（均匀分布和正态分布）以及可变采样率的引入，增强了仿真真实性，并支持对眼动追踪流水线的稳健测试。