パターン認識技術を使用した眼球運動挙動の自動識別

この論文では、眼の角度変位の時系列からのサッカード、マイクロサッカード、瞬き、固定など、眼球運動挙動の異なるパターンを識別するための方法論的スキームが提示されています。提案された方法論の最初のステップには、アーティファクトの除去と眼の角速度の推定の信号の抑止が含まれます。次に、スライド、固定長の時間窓を使用して、各角度変位と速度信号から14の1次統計的特徴の特徴ベクトルが形成されます。得られた特徴ベクトルは、カスケードで接続された3つの人工ニューラルネットワーク分類器のトレーニングとテストに使用されます。3つの分類器は、それぞれ瞬きと非ブリンク、固定、非固定、サッケードとマイクロサッケードを区別します。提案された方法論は、1392人の被験者からのデータセットでテストされ、それぞれが3つの眼球運動固定条件を実行しました。専門家による眼球運動の手動識別に関して、3つの分類器の平均全体の精度は95.9％でした。提案された方法論的スキームは、比較に使用されたよく知られている速度しきい値アルゴリズムよりも優れた結果を提供しました。本研究の結果は、さまざまな眼球運動を特定するタスクにおけるパターン認識技術の利用が正確で堅牢な結果をもたらす可能性があることを示しています。

In this paper, a methodological scheme for identifying distinct patterns of oculomotor behavior such as saccades, microsaccades, blinks and fixations from time series of eye's angular displacement is presented. The first step of the proposed methodology involves signal detrending for artifacts removal and estimation of eye's angular velocity. Then, feature vectors from fourteen first-order statistical features are formed from each angular displacement and velocity signal using sliding, fixed-length time windows. The obtained feature vectors are used for training and testing three artificial neural network classifiers, connected in cascade. The three classifiers discriminate between blinks and non-blinks, fixations and non-fixations and saccades and microsaccades, respectively. The proposed methodology was tested on a dataset from 1392 subjects, each performing three oculomotor fixation conditions. The average overall accuracy of the three classifiers, with respect to the manual identification of eye movements by experts, was 95.9%. The proposed methodological scheme provided better results than the well-known Velocity Threshold algorithm, which was used for comparison. The findings of the present study indicate that the utilization of pattern recognition techniques in the task of identifying the various eye movements may provide accurate and robust results.