[论文解读] Introduction to Eye Tracking: A Hands-On Tutorial for Students and Practitioners

Enkelejda Kasneci, Hong Gao+7 more|arXiv (Cornell University)|Apr 23, 2024

Online and Blended Learning被引用 4

一句话总结

本实践教程为无背景的学生和从业者提供了眼动追踪的全面入门，涵盖眼动解剖学、追踪系统、校准、数据采集与分析——包括注视点与扫视检测、扫描路径比较及瞳孔测量——同时强调知情同意和数据隐私等伦理实践。教程包含基于Python的实际示例，并提供GitLab代码库以支持真实场景的实现。

ABSTRACT

Eye-tracking technology is widely used in various application areas such as psychology, neuroscience, marketing, and human-computer interaction, as it is a valuable tool for understanding how people process information and interact with their environment. This tutorial provides a comprehensive introduction to eye tracking, from the basics of eye anatomy and physiology to the principles and applications of different eye-tracking systems. The guide is designed to provide a hands-on learning experience for everyone interested in working with eye-tracking technology. Therefore, we include practical case studies to teach students and professionals how to effectively set up and operate an eye-tracking system. The tutorial covers a variety of eye-tracking systems, calibration techniques, data collection, and analysis methods, including fixations, saccades, pupil diameter, and visual scan path analysis. In addition, we emphasize the importance of considering ethical aspects when conducting eye-tracking research and experiments, especially informed consent and participant privacy. We aim to give the reader a solid understanding of basic eye-tracking principles and the practical skills needed to conduct their experiments. Python-based code snippets and illustrative examples are included in the tutorials and can be downloaded at: https://gitlab.lrz.de/hctl/Eye-Tracking-Tutorial.

研究动机与目标

• 为无眼动追踪背景的学生和从业者提供结构化且易于理解的入门途径。
• 弥合理论性眼动生理学知识与眼动追踪系统实际实现之间的鸿沟。
• 标准化眼动追踪研究中的最佳实践，涵盖校准、数据采集及伦理考量。
• 提供基于代码的可复现教程，使用Python进行数据处理与可视化。
• 为研究人员提供有效分析注视点、扫视、扫描路径及瞳孔反应的工具。

提出的方法

• 以眼动解剖学与生理学为基础，阐释眼动模式与追踪原理。
• 涵盖远程式与可穿戴式眼动追踪系统，包括硬件类型与设置注意事项。
• 详述屏幕型与可穿戴系统校准技术，包括滑移补偿方法。
• 概述完整的数据显示处理流程：原始数据清理、数据分段与特征提取（注视点、扫视、眨眼）。
• 解释基于标准指标与阈值的注视点与扫视检测算法。
• 介绍多种扫描路径比较方法：字符串对齐法（如ScanMatch）、几何法、概率法及深度学习方法。

实验结果

研究问题

• RQ1 初学者如何有效设置并校准眼动追踪系统，以确保可靠的数据采集？
• RQ2 在眼动追踪数据中，检测与分析注视点、扫视与眨眼的关键指标与方法有哪些？
• RQ3 如何使用前沿技术提取、比较并可视化视觉扫描路径？
• RQ4 在开展眼动追踪用户研究时，必须考虑哪些伦理问题，特别是知情同意与数据隐私？
• RQ5 如何处理与可视化眼动追踪数据，以支持人机交互与认知研究中的有意义解读？

主要发现

• 本教程提供了从眼动解剖学到数据分析的完整端到端工作流程，使从业者能够自信地开展眼动追踪实验。
• 提供实用的Python代码片段及GitLab代码库（https://gitlab.lrz.de/hctl/Eye-Tracking-Tutorial），支持可复现的数据处理与可视化。
• 伦理最佳实践——如知情同意、风险评估与数据匿名化——至关重要，必须贯穿眼动追踪研究的每个阶段。
• 多种扫描路径比较方法，包括ScanMatch与基于深度学习的方法，可实现对视觉注意力模式的稳健分析。
• 瞳孔测量分析在实验环境中可行且具有信息价值，可用于研究认知负荷与情绪反应。
• 本教程成功融合了技术深度与伦理责任，适用于学术研究与实际应用两种场景。