🌀 nonlinear sciences

Identification of fixations and saccades in eye-tracking data using adaptive threshold-based method

Este artículo presenta un método adaptativo basado en una aproximación markoviana para optimizar los umbrales de detección de fijaciones y sacadas en datos de seguimiento ocular, demostrando que, aunque los métodos basados en velocidad ofrecen la mayor precisión inicial, la adaptación dinámica de los umbrales es crucial para mantener la robustez ante el ruido y mejorar el rendimiento general en diversas tareas cognitivas.

Autores originales: Charles Orioma, Josef Krivan, Rujeena Mathema, Pedro Lencastre, Pedro G. Lind, Alexander Szorkovszky, Shailendra Bhandari

Publicado 2026-04-06

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Charles Orioma, Josef Krivan, Rujeena Mathema, Pedro Lencastre, Pedro G. Lind, Alexander Szorkovszky, Shailendra Bhandari

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tus ojos son como un faro en una noche tormentosa. A veces, el faro se queda quieto iluminando un punto específico (eso es una fixación, cuando lees una palabra o miras un rostro). Otras veces, el faro gira rápidamente para buscar algo nuevo (eso es un saccada, el movimiento rápido entre puntos).

El problema es que los ojos humanos no son perfectos; a veces tiemblan, a veces parpadean y, si usamos una cámara para grabarlos, a veces la imagen se ve "ruidosa" o borrosa, como si hubiera estática en la televisión.

Los científicos de este artículo se preguntaron: ¿Cómo podemos enseñar a una computadora a distinguir cuándo el faro está quieto y cuándo se mueve rápido, incluso cuando la imagen está llena de "estática"?

Aquí te explico su solución con una analogía sencilla:

1. El problema de la "Regla Fija"

Antes, los investigadores usaban una regla rígida. Decían: "Si el ojo se mueve más rápido que X, es un movimiento rápido. Si es más lento, es quieto".

El problema: Es como intentar usar la misma regla para medir el tiempo de un corredor olímpico y el de una tortuga. Si hay "ruido" (como un temblor de mano o un error de la cámara), la regla se confunde. De repente, un temblor pequeño parece un movimiento rápido gigante, y la computadora empieza a ver movimientos donde no los hay.

2. La solución: El "Termómetro Inteligente" (Método Adaptativo)

Los autores crearon un nuevo método que no usa una regla fija, sino un termómetro inteligente que se ajusta solo.

Imagina que estás en una fiesta ruidosa y quieres escuchar a tu amigo hablar.

Método antiguo: Pones el volumen de tu audífono al máximo fijo. Si la fiesta se vuelve más ruidosa, dejas de escuchar a tu amigo y solo oyes ruido.
Método nuevo (el de este papel): Tu audífono tiene un sensor que escucha el ruido de fondo. Si la fiesta se vuelve más ruidosa, el audífono baja automáticamente el umbral de lo que considera "ruido" para seguir escuchando a tu amigo claramente.

En el mundo de los ojos, este "termómetro inteligente" se llama K-ratio. Es una fórmula matemática que busca el punto exacto donde el ojo deja de estar "quieto" y empieza a "moverse", ajustándose a la situación específica de cada persona y cada tarea.

3. Las tres herramientas que probaron

Probaron tres formas diferentes de medir estos movimientos, como si fueran tres tipos de detectores de movimiento:

El Detector de Velocidad (I-VT): Mira qué tan rápido se mueve el ojo.
- Resultado: Es el mejor en condiciones normales (como un corredor olímpico en pista limpia). Pero si hay mucha "estática" (ruido), se confunde mucho y deja de funcionar bien.
El Detector de Dirección (I-AVT): Mira la velocidad y si el ojo sigue una línea recta.
- Resultado: Funciona bien, pero a veces ignora movimientos cortos importantes.
El Detector de "Mancha" (I-DT): Mira si los puntos donde el ojo se detiene forman un grupo pequeño (una mancha) en el espacio.
- Resultado: Este es el campeón de la resistencia. Incluso cuando la imagen está muy borrosa o llena de ruido, este método sigue diciendo: "Bueno, aquí hay un grupo de puntos, así que el ojo está quieto".
- La trampa: A veces es demasiado conservador. Si hay un movimiento rápido muy corto, este detector lo ignora y dice "no, sigue quieto". Es como un guardia de seguridad que, ante la duda, decide que nadie se mueve para evitar falsas alarmas.

4. La gran conclusión (El mensaje para todos)

El estudio nos enseña tres cosas importantes:

No hay una "talla única": No puedes usar la misma regla para todos los ojos ni para todas las tareas. Lo que funciona para leer un libro (ojos quietos) no funciona igual para buscar un objeto escondido en una imagen (ojos moviéndose rápido).
La adaptabilidad es clave: Si tus datos tienen mucho "ruido" (como en un experimento con niños, personas mayores o en movimiento), debes usar un método que se adapte (como el detector de "mancha" o I-DT con el termómetro inteligente).
El equilibrio: A veces, para evitar errores, tienes que sacrificar un poco de precisión. El método adaptativo nos permite elegir: ¿Queremos detectar todos los movimientos rápidos (aunque haya errores) o queremos estar seguros de que lo que llamamos "quieto" es realmente quieto?

En resumen:
Los autores crearon una "brújula" que se recalibra sola. Ya no necesitamos adivinar qué regla usar; la computadora puede mirar los datos, sentir el "ruido" y ajustar sus propios criterios para decirnos con mayor certeza cuándo estamos mirando y cuándo estamos buscando. Esto es vital para diagnosticar enfermedades, mejorar la realidad virtual o entender cómo aprendemos.

Título: Identificación de fijaciones y sacadas en datos de seguimiento ocular mediante métodos basados en umbrales adaptativos

1. El Problema

La distinción precisa entre fijaciones (miradas estables) y sacadas (movimientos oculares rápidos) es fundamental para el análisis de datos de seguimiento ocular (eye-tracking) en campos como la neurociencia, la psicología y la interacción humano-computadora.

Limitaciones actuales: Los algoritmos tradicionales (como I-VT e I-DT) utilizan umbrales fijos (ej. velocidad constante o dispersión espacial) para clasificar estos eventos.
Deficiencias: Estos umbrales fijos ignoran la variabilidad inter-tarea e inter-individual en la dinámica oculomotora. Además, son extremadamente sensibles al ruido (artefactos de medición, parpadeos), lo que puede sesgar las estadísticas resultantes y degradar drásticamente la precisión, especialmente en condiciones de datos ruidosos.

2. Metodología

Los autores proponen y evalúan un método adaptativo basado en una aproximación markoviana de la dinámica de la mirada, utilizando un nuevo métrica estadística llamada K-ratio.

Algoritmos Evaluados: Se aplicó el método adaptativo a tres algoritmos de umbralización comunes:
1. I-VT: Identificación por umbral de velocidad.
2. I-AVT: Identificación por umbral de velocidad angular (variante ponderada por ángulo).
3. I-DT: Identificación por umbral de dispersión (espacial).
Métrica K-ratio: Se define como la relación entre el número empírico de transiciones fijación-sacada observadas y el número de transiciones esperadas si los datos alternaran aleatoriamente entre estados.
- Objetivo: Minimizar el K-ratio. Un valor bajo indica que las etiquetas tienden a agruparse (coherencia temporal), minimizando transiciones espurias causadas por ruido.
Datos y Experimentos:
- Participantes: 15 adultos con datos de alta calidad.
- Tareas: "Free-viewing" (campo de píxeles aleatorios) y "Búsqueda visual" (tarea de "¿Dónde está Wally?").
- Equipamiento: EyeLink Portable Duo a 1000 Hz.
- Evaluación de Robustez: Se inyectó ruido gaussiano controlado ( $\sigma = 0$ a $50$ píxeles) en las trayectorias para probar la degradación del rendimiento.
- Referencia: Se utilizaron las etiquetas del analizador predeterminado de EyeLink como referencia (aunque no como verdad absoluta fisiológica).

3. Contribuciones Clave

Método de Umbralización Adaptativa: Introducción de una técnica parsimoniosa que ajusta los umbrales dinámicamente minimizando las transiciones de estado innecesarias, sin requerir modelos complejos de distribución de velocidad (como los modelos ocultos de Markov).
Análisis de Robustez al Ruido: Una evaluación exhaustiva que demuestra cómo los algoritmos tradicionales fallan bajo ruido y cómo la optimización adaptativa mitiga este problema.
Guía Práctica: Proporciona directrices basadas en evidencia para seleccionar y ajustar algoritmos según la calidad de los datos y las prioridades analíticas (ej. priorizar la detección de fijaciones vs. sacadas).

4. Resultados Principales

Rendimiento en Datos Limpios (Sin Ruido):
- El algoritmo I-VT (Velocidad) logró la mayor precisión base (90-93%) y el mejor equilibrio general entre la detección de fijaciones y sacadas en ambas tareas.
- I-AVT y I-DT mostraron una tendencia a subdetectar sacadas, con I-DT generando segmentos de fijación excesivamente largos.
Impacto del Ruido (Con Umbrales Fijos):
- Los métodos basados en velocidad (I-VT, I-AVT) se degradaron rápidamente. Con niveles altos de ruido ( $\sigma \ge 20$ px), la precisión cayó por debajo del 20%, clasificando erróneamente casi todo como sacadas debido a la inflación de las estimaciones de velocidad.
Efecto de la Optimización Adaptativa (K-ratio):
- La re-optimización de umbrales en cada nivel de ruido mejoró sustancialmente el rendimiento de todos los algoritmos.
- I-DT Adaptativo: Mostró la mayor robustez al ruido, manteniendo una precisión superior al 81% incluso con ruido extremo ( $\sigma = 50$ px).
- Compensación (Trade-off): La alta precisión de I-DT adaptativo se logró a expensas de la detección de sacadas. El algoritmo se volvió conservador, absorbiendo sacadas cortas o ruidosas dentro de las fijaciones. Esto resultó en una alta precisión (precision) pero un bajo recall para las sacadas.
Consistencia Inter-participante: Los umbrales óptimos derivados del K-ratio mostraron una consistencia significativa entre participantes, validando la utilidad de la personalización de umbrales.

5. Significado e Implicaciones

Validación de la Adaptabilidad: El estudio demuestra que los umbrales fijos son insuficientes para datos del mundo real o ruidosos. La adaptación basada en la minimización de transiciones (K-ratio) es una solución efectiva y computacionalmente eficiente.
Selección de Algoritmos:
- Para datos de alta calidad, I-VT sigue siendo la opción recomendada por su equilibrio general.
- Para datos ruidosos o donde la estabilidad de las fijaciones es crítica (ej. lectura, escenas estáticas), I-DT adaptativo es superior, aunque se debe tener cuidado de no perder información sobre sacadas cortas.
- I-AVT no mostró ventajas significativas en este contexto debido a su alta sensibilidad al ruido.
Futuro: El trabajo subraya la necesidad de protocolos de análisis estandarizados y sugiere que la combinación de este método de ajuste con técnicas avanzadas de denoising podría extender la utilidad de los algoritmos clásicos en entornos móviles o clínicos.

En conclusión, el artículo ofrece una herramienta metodológica robusta para mejorar la clasificación de eventos oculares, destacando que la elección del algoritmo y la configuración de sus parámetros deben depender intrínsecamente de la calidad de los datos y del objetivo específico del estudio.