注视稳定性可作为疲劳与专注程度的间接指标
别名: 注视稳定性 · 眼动疲劳指标 · gaze stability metric · ocular fatigue indicator
概念解释
眼睛在维持注视时并非绝对静止，而是伴随微扫视、漂移、震颤等微小的不自主运动，这些运动的幅度、频率以及配套的眨眼行为、扫视速度，会随生理状态发生规律性变化——疲劳、困倦、专注力下降时，这些指标通常会出现可观测的偏移。因此注视稳定性（fixation stability，常量化为注视点的分散程度、微扫视发生率等指标）被当作一种间接反映疲劳与专注程度的行为学指标，用在需要持续监测用户状态、又不便靠直接询问获取的场景，比如驾驶警觉监测、长时间学习类应用。
机制
这里要说明的是把注视行为特征转换成量化观测量、用作指标为什么可行，而不是重新解释这些微小眼动本身为什么存在。疲劳和专注力下降通常伴随中枢觉醒水平的降低，觉醒水平变化会同时影响眼动控制系统的稳定性，包括注视点漂移幅度增大、眨眼频率与持续时长改变、扫视峰值速度下降等一系列可观测的运动学特征。这些特征本身不是疲劳的直接原因，而是同一套觉醒调节系统的下游共同表现——眼动数据只是恰好可以被相对容易地连续记录下来的一个观测窗口。
怎么研究
常见做法是用眼动仪持续记录被试在长时任务（长时间驾驶模拟、持续阅读、连续操作界面）中的注视点坐标序列，提取指标包括注视点分散度（同一注视期内坐标的标准差或包络面积）、微扫视发生率、眨眼频率与持续时长、扫视峰值速度，将这些指标随任务时长的变化曲线，与独立测得的疲劳/困倦评分（主观困倦量表、脑电觉醒指标）做相关分析，验证眼动指标能否预测或跟踪疲劳状态的变化。常见自变量是任务持续时长、任务难度、光照与休息安排；常见因变量是注视点分散度、微扫视/眨眼频率、扫视峰值速度，以及它们与独立疲劳评分的相关系数。
边界
这套指标的预测力是相关性的、群体层面统计出来的规律，不是对单个个体某一时刻状态的确定性判断——同一项指标的变化在不同个体身上幅度差异很大，且容易被其他因素（当前任务本身要求的注视模式、环境光照、是否佩戴眼镜、头动伪迹）污染，单独依靠某一项眼动指标做出"此刻用户疲劳/专注"的确定性判断，误判率不可忽视。支撑这套指标的研究多数来自受控实验室任务或驾驶模拟场景，迁移到多样化的真实界面使用场景时，指标与疲劳的对应关系需要重新验证，不能直接搬用实验室阈值。
怎么落地
- 如果产品需要用注视稳定性类指标间接评估用户的疲劳或专注程度（长时间学习类应用、驾驶警觉监测），应该组合多项指标（分散度、眨眼、扫视速度等）而不是依赖单一指标，并且先针对目标场景和目标用户群体做校准，而不是直接套用文献里某个实验室场景下报告的具体数值阈值。
- 对误判代价较高的场景（触发警报、强制打断用户操作），应把异常判定阈值设置得保守，并考虑用短时间窗口内多个指标同时异常作为触发条件，降低单一噪声指标造成的误报。
- 验证办法：在目标产品的真实使用场景中，同步采集眼动指标与独立的疲劳/专注度参照（主观报告、任务表现下降），计算指标的实际检出率与误报率，确认这套间接测量在具体场景下是否达到可用的准确度，而不是假设文献结论可以直接迁移。