脑波增强型眼动追踪器：高频SSVEP提升基于摄像头的眼动追踪精度

文献标题

Brainwave-Augmented Eye Tracker: High-Frequency SSVEPs Improves Camera-Based Eye Tracking Accuracy

文献信息

• 主题领域: 人机交互中的眼动追踪与脑机接口结合技术
• 关键词: HCI, BCI, 眼动追踪, 注视检测, SSVEP, EEG, 精准度提升

研究背景与问题

• 问题与挑战:
  • 使用相机的眼动追踪技术存在系统误差，特别是在屏幕边缘区域，准确度和精度较低。
  • 在特定应用中（如目标注视或区域兴趣研究），这种误差限制了眼动追踪系统的作用。
  • 现有解决方法（如鱼眼镜头放大、手动调整、语音命令等）虽然有所帮助，但影响用户体验或界面使用效率，自然直观性不足。
• 重要性:
  • 提升眼动追踪的准确度对于交互界面优化、用户体验提升、目标识别的精度要求至关重要。
  • 高精准度的眼动数据对于科学研究和实际应用都有广泛影响。
• 研究动机与相关工作:
  • 作者提出解决眼动追踪技术局限的方法，通过结合脑电波（EEG）分析与高频隐形闪烁视觉刺激（SSVEP），借助神经机制提升系统性能。
  • 过去的研究已经探索了眼动追踪与EEG的结合，但多局限于低频SSVEP或特定接口功能，尚未专注于提升整体精准度。

解决方案

• 提出方法:
  • 将高频隐形视觉闪烁（频率 ≥40Hz）嵌入用户注视的电脑屏幕区域，以触发与注意力相关的脑电响应（SSVEP）。
  • 利用贝叶斯解码模型，将眼动数据与EEG数据的优势结合，推测用户注视的目标区域。
  • 系统通过屏幕分割技术，将整个屏幕划分为小区域，每个区域以不同的频率编码，用户注视时自动记录相应脑电响应。
• 创新点:
  • 首次使用EEG数据提升相机基眼动追踪系统的准确度；
  • 高频闪烁设计在物理层面上减少视觉干扰，保留屏幕内容的原貌；
  • 使用贝叶斯概率模型将两种数据融合，支持短时间段高效计算。
• 实施步骤与关键技术:
  1. 将屏幕分割为六边形区域，每一区域采用高频员编码标识。
  2. 使用EEG系统采集被试注视特定区域时的脑电反应，同时用眼动设备记录注视位置。
  3. 在实验中分别收集用于模型训练的数据和测试数据，提取眼动数据精度、脑电数据分类效能。
  4. 利用采集的概率分布输入至贝叶斯模型，最终输出精确的注视目标估计。

研究成果

• 具体成果:
  • 实验结果显示，结合EEG后，眼动追踪系统的分类准确度平均提升11个单位，性能在屏幕边缘区域提升尤为显著，最高可达45个单位。
  • 对屏幕上不同位置、目标大小和间距的全面测试表明，混合系统在所有场景下均优于单独使用眼动或EEG。
• 比较优势:
  • 与纯相机眼动追踪相比，显著减小了屏幕边缘区域的系统误差，提升了分类准确度。
  • EEG数据用于弥补眼动数据在短时间段内的精度不足，系统在短时长注视段也能保持稳健推断。
• 实验或评估结果:
  • 随着屏幕区域的变化，混合系统表现更优（屏幕中心改进较小，边缘改进较大）。
  • 在实验中验证了不同时间段（0.5秒至5秒）对系统性能的影响，发现系统对于短时间段（如0.5秒）的眼动数据稳定性高。
• 局限性与未来方向:
  • 视觉闪烁在某些情况下可能仍可被用户感知，需进一步优化刺激频率与显示技术。
  • 当前研究局限于预定义的屏幕分割方案，更复杂的场景下需进一步测试（如非规则的目标区域）。
  • EEG信号反应时间限制了系统速度，未来需优化增加实时性。
  • 提议探索其他注意力机制（如特征性注意力，基于颜色、运动）与现有系统结合。

该论文展示了将EEG与眼动追踪结合提升系统性能的成功实例，并提出了未来研究的核心方向。