综述：视觉工具包第二部分：评估眼动信号的特征和指标综述

《Frontiers in Physiology》：Vision toolkit part 2. features and metrics for assessing oculomotor signal: a review

眼动分析在认知科学、临床诊断和交互设计等领域至关重要，但其数据分割和量化方法仍面临挑战。本文系统综述了眼动事件（注视、眼跳、平稳追踪）的分割算法，包括阈值方法和机器学习方法（如隐马尔可夫模型、随机森林分类器），并分析了相关生理特征（如注视稳定性、眼跳加速度）和信号处理技术（频谱分析、拓扑数据分析）。研究指出当前方法存在参数敏感性高、噪声敏感、标准化不足等问题，呼吁建立统一评估框架和开放数据集。未来需结合移动眼动设备与多模态数据，推动眼动分析在真实场景中的应用。

　　眼动分析是研究视觉感知、认知过程、神经诊断以及人机交互等领域的重要工具，能够提供关于人类视觉注意力分配和行为模式的深刻见解。然而，眼动数据的可靠量化仍面临诸多挑战，这些挑战源于对固定、扫视和平滑追踪等基本眼动事件的界定不够清晰，以及个体间和情境间的差异性。本文系统地回顾了眼动数据分割方法及其在眼动分析中的应用，并探讨了潜在的信号处理方法，如频谱、随机和拓扑方法，以揭示眼动模式中的周期性特征和结构复杂性。

眼动分析的历史可以追溯到20世纪初，Dodge和Cline（1901）在早期对眼动现象的研究奠定了基础。随着技术的进步，眼动测量、存储和分析变得更加高效，使得眼动研究得以快速发展。眼动技术的普及不仅促进了神经科学、心理学、市场营销和医学等领域的研究，还推动了对眼动与认知、行为和感知之间的关系的深入探索。例如，眼动分析已被用于研究语言处理、阅读和问题解决等认知过程，并在神经退行性疾病和神经系统的诊断中展现出潜在的应用价值。

然而，眼动研究也面临一些结构性挑战，如术语定义的不一致和缺乏标准化分析方法。这种术语上的不一致可能导致不同研究间结果的可比性下降，影响眼动行为研究的统一性和可重复性。此外，随着眼动技术的普及，研究者越来越多地在自然情境中收集眼动数据，这使得传统的眼动分类方法在实际应用中面临更多困难。例如，自然情境下的眼动模式可能更加复杂，眼动事件之间可能存在重叠，使得分类任务更加困难。

为了提高眼动分析的可重复性和跨学科的可比性，本文提出了一种统一的方法论框架。该框架旨在改进不同研究社区之间的互操作性，并增强对不同实验条件下的眼动模式进行比较的能力。本文回顾了眼动数据分割方法，包括二分法和三分法，分别用于区分固定和扫视，以及固定、扫视和平滑追踪。这些方法各有优劣，其中二分法主要依赖阈值算法和学习算法，而三分法则结合了阈值和深度学习技术。在实际应用中，这些分割算法面临着参数敏感性、噪声和移动眼动追踪器中的头部运动伪影等挑战，因此需要建立标准化的基准。

眼动分析不仅关注分割方法，还关注如何从分割后的事件中提取有意义的特征。这些特征通常包括时间、空间和运动学属性。例如，固定持续时间、扫视幅度和方向性，以及平滑追踪的运动轨迹和速度等，都是眼动分析中的关键指标。这些指标可以提供关于认知和临床研究的重要信息，如阅读理解、神经疾病诊断和感觉运动发展等。然而，由于不同研究中使用的定义和方法存在差异，这些指标的标准化和统一化仍然是一个挑战。

近年来，一些新兴的信号处理方法被引入眼动分析，以揭示眼动数据中的周期性和结构复杂性。这些方法包括频谱分析、随机分析和拓扑分析。频谱分析通过研究眼动信号的频率内容，揭示其周期性特征，这有助于理解眼动模式中的内在动态。随机分析则关注眼动数据的随机性和统计特性，通过计算均方位移（MSD）等指标，可以分析眼动轨迹中的随机模式。拓扑分析则通过研究眼动轨迹中的连接性、环形结构和空洞，揭示其结构特征，为眼动模式提供新的视角。

眼动研究的未来发展方向包括建立统一的定义和概念框架，以及开发更鲁棒、跨设备的分析方法。随着技术的进步，特别是虚拟现实（VR）平台和移动眼动追踪器的普及，眼动研究正在向更自然、更复杂的情境扩展。这些技术的发展不仅提高了眼动数据的采集能力，还带来了新的挑战，如数据质量、可重复性和隐私保护等问题。因此，未来的研究需要在这些方面进行更多的探索和创新，以推动眼动分析的进一步发展和应用。