🌀 nonlinear sciences

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

Cet article propose et évalue une méthode adaptative basée sur une approximation markovienne pour optimiser les seuils de détection des fixations et des saccades oculaires, démontrant que cette approche améliore considérablement la robustesse au bruit par rapport aux méthodes à seuils fixes tout en offrant des directives pratiques pour le choix des algorithmes selon la qualité des données.

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

Publié 2026-04-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🧐 Le Grand Jeu de l'Œil : Comment trier le bruit du signal ?

Imaginez que vos yeux sont des caméras ultra-perfectionnées qui filment votre vie à toute vitesse. Mais comme toute caméra, elles ne sont pas parfaites : elles tremblent un peu, il y a du "bruit" (des interférences), et parfois, l'image saute.

Les chercheurs de cet article s'intéressent à deux mouvements principaux de nos yeux :

La Fixation : C'est quand l'œil se pose sur un objet pour le regarder (comme un photographe qui appuie sur le déclencheur).
Le Saccade : C'est le mouvement rapide et fulgurant pour passer d'un objet à un autre (comme la caméra qui pivote brusquement).

Le problème ?
Dans les données brutes, il est très difficile de dire exactement où commence la fixation et où finit le mouvement rapide. Les scientifiques utilisent souvent des règles fixes (des "seuils") pour faire la différence. Par exemple : "Si l'œil bouge moins de 30 degrés par seconde, c'est une fixation."

Le souci avec ces règles fixes :
C'est comme essayer de trier des pommes et des poires avec une balance réglée pour un seul type de fruit. Si vous changez de tâche (regarder un paysage vs chercher un objet caché) ou si la caméra tremble un peu (du bruit), la balance se trompe. Elle peut classer une pomme comme une poire, ou pire, tout mélanger.

🚀 La Solution : Une Balance "Intelligente" et Adaptative

Les auteurs de l'article ont proposé une nouvelle méthode. Au lieu d'utiliser une règle fixe, ils ont créé un système adaptatif.

L'analogie du Chef de Cuisine 🍳

Imaginez que vous êtes un chef qui doit séparer les œufs (fixations) des blancs d'œufs (saccades) dans un bol.

L'ancienne méthode (Seuils fixes) : Vous utilisez un tamis de taille fixe. Si le trou est trop grand, les œufs entiers tombent dans le blanc. Si le trou est trop petit, les blancs restent coincés. Ça ne marche bien que si les œufs sont tous de la même taille et que le bol ne bouge pas.
La nouvelle méthode (Seuils adaptatifs) : Vous avez un tamis magique qui change de taille en temps réel selon la taille des œufs que vous avez devant vous et selon si le sol tremble (le bruit).

Comment ça marche ? (Le concept du "K-ratio")

Les chercheurs ont inventé une mesure appelée le K-ratio. C'est un peu comme un détecteur de chaos.

Ils regardent les données et se demandent : "Est-ce que mes yeux changent d'état (de fixation à mouvement) de manière aléatoire et chaotique, ou est-ce que ça suit un rythme logique ?"
Si le système est trop sensible, il voit des changements partout (trop de bruit).
Si le système est trop lent, il ne voit rien.
Le K-ratio trouve le point idéal (le "sweet spot") où le système est le plus logique et le moins chaotique. C'est comme ajuster le volume d'une radio pour entendre la musique clairement sans le grésillement.

🎯 Ce qu'ils ont découvert (Les Résultats)

Ils ont testé cette méthode sur deux types de jeux :

Regarder des pixels au hasard (comme regarder un ciel étoilé sans but).
Chercher "Wally" (un jeu où il faut trouver un personnage caché dans une foule).

Voici les leçons principales :

La vitesse est la meilleure amie (dans le calme) :
Quand les données sont propres (pas de tremblement), mesurer la vitesse de l'œil fonctionne très bien. C'est la méthode la plus précise pour distinguer les mouvements rapides des pauses.
Le bruit est un monstre :
Dès qu'il y a un peu de "bruit" (tremblements, erreurs de mesure), les méthodes classiques s'effondrent. C'est comme essayer de lire un livre pendant un tremblement de terre : vous ne voyez plus rien. La précision peut chuter de 90% à moins de 20% !
L'adaptation sauve la mise :
Grâce à leur méthode adaptative (qui ajuste le seuil en fonction du bruit), les algorithmes résistent beaucoup mieux.
- Le gagnant inattendu : La méthode basée sur la dispersion spatiale (regarder si les points sont groupés dans un petit espace) est la plus robuste face au bruit extrême. Même avec un tremblement énorme, elle arrive encore à dire : "Hé, l'œil est resté ici !" avec plus de 80% de succès.
Le compromis (Le prix à payer) :
Pour résister au bruit, la méthode adaptative devient un peu "paranoïaque". Elle a tendance à dire : "Je suis pas sûr que ce soit un mouvement rapide, alors je vais dire que c'est une fixation."
- Résultat : Elle rate parfois de petits mouvements rapides (saccades) pour ne pas se tromper sur les pauses (fixations). C'est un choix stratégique : mieux vaut rater un petit mouvement que de tout mélanger à cause du bruit.

💡 En résumé pour la vie de tous les jours

Imaginez que vous essayez de comprendre si quelqu'un vous parle ou s'il chante, mais qu'il y a beaucoup de bruit dans la rue.

L'ancienne méthode : Vous mettez des écouteurs avec un volume fixe. Si le bruit augmente, vous n'entendez plus rien.
La nouvelle méthode : Vous avez un assistant intelligent qui ajuste le volume de vos écouteurs en temps réel pour isoler la voix, même si la rue devient bruyante. Parfois, il pourrait confondre un chuchotement avec le vent, mais il réussira à vous faire comprendre la phrase principale.

La conclusion des chercheurs :
Il n'existe pas de "règle magique" unique pour tous les yeux et toutes les situations. Pour bien analyser les mouvements des yeux, il faut utiliser des outils qui s'adaptent à la qualité de la vidéo et à la tâche que la personne est en train de faire. Leur méthode "K-ratio" est une clé simple et efficace pour ajuster ces outils automatiquement.

Titre de l'article

Identification des fixations et des saccades dans les données de suivi oculaire par des méthodes à seuil adaptatif.

1. Problématique

La distinction entre les fixations (regards stables) et les saccades (mouvements rapides) est fondamentale pour l'analyse des données de suivi oculaire (eye-tracking), car ces événements servent de proxy pour étudier la cognition, l'attention et les fonctions neurologiques.

Cependant, plusieurs défis persistent :

Variabilité : Les dynamiques oculomotrices varient considérablement d'une tâche à l'autre et d'un individu à l'autre.
Limites des méthodes actuelles : La plupart des algorithmes d'identification (comme I-VT pour la vitesse ou I-DT pour la dispersion) reposent sur des seuils fixes (ad hoc). Ces seuils ne s'adaptent pas aux variations inter-individuelles ni aux conditions de bruit expérimental.
Sensibilité au bruit : Les algorithmes traditionnels dégradent rapidement leurs performances en présence de bruit de mesure, conduisant à des statistiques biaisées et à une identification erronée des événements (par exemple, confondre du bruit avec des micro-saccades).

2. Méthodologie

Les auteurs proposent une approche novatrice basée sur une approximation markovienne de la dynamique du regard, introduisant une métrique d'optimisation appelée K-ratio.

A. Données et Expérimentation

Participants : 15 adultes avec des données de haute qualité.
Tâches : Deux paradigmes expérimentaux :
1. Vision libre (Random Pixel) : Observation de champs de pixels non structurés.
2. Recherche visuelle (Waldo) : Localisation de cibles dans des scènes complexes.
Matériel : Suivi oculaire EyeLink Portable Duo à 1000 Hz.
Bruit simulé : Ajout de bruit gaussien ( $\epsilon \sim N(0, \sigma^2)$ ) aux trajectoires pour tester la robustesse des algorithmes, avec des niveaux de bruit ( $\sigma$ ) allant de 0 à 50 pixels.

B. Algorithmes Évalués

Trois algorithmes basés sur des seuils ont été testés, avec des versions adaptatives :

I-VT (Velocity-Threshold Identification) : Identifie les saccades basées sur la vitesse instantanée.
I-AVT (Angular Velocity-Threshold Identification) : Variante pondérée par l'angle, combinant vitesse scalaire et persistance directionnelle.
I-DT (Dispersion-Threshold Identification) : Identifie les fixations basées sur la dispersion spatiale des points de regard dans une fenêtre temporelle glissante.

C. La Méthode Adaptative : Le K-ratio

Au lieu d'utiliser des seuils fixes, les auteurs optimisent les seuils pour chaque participant et tâche en minimisant le K-ratio.

Définition : Le K-ratio compare le nombre empirique de transitions Fixation $\to$ Saccade observées dans les données à la probabilité de transition attendue si les états étaient indépendants (alternance aléatoire).
Principe : Un K-ratio faible indique que les états (fixations/saccades) tendent à se regrouper (cohérence temporelle), ce qui est physiologiquement souhaitable.
Optimisation : Le seuil optimal est celui qui minimise le K-ratio, favorisant ainsi une segmentation où les états restent stables dans le temps et réduisant les transitions artificielles dues au bruit.

3. Contributions Clés

Introduction du K-ratio : Une métrique simple et parcimonieuse pour l'optimisation adaptative des seuils, ne nécessitant pas de modélisation complexe des distributions de vitesse (contrairement aux modèles de Markov cachés).
Analyse comparative rigoureuse : Évaluation systématique de I-VT, I-AVT et I-DT sur deux types de tâches, avec une référence aux étiquettes de l'analyseur EyeLink (bien que celui-ci soit aussi basé sur des seuils).
Étude de robustesse au bruit : Une analyse détaillée montrant comment la performance se dégrade avec le bruit et comment l'optimisation adaptative atténue cette dégradation.
Validation inter-individuelle : Démonstration que les seuils optimaux varient significativement d'un participant à l'autre, justifiant l'approche adaptative plutôt que l'utilisation de seuils universels.

4. Résultats Principaux

A. Performance sans bruit (Conditions idéales)

I-VT obtient la meilleure précision globale et le meilleur équilibre entre la détection des fixations et des saccades (F1-score pour les saccades : ~0.51-0.54).
I-AVT tend à sous-détecter les saccades, produisant de longues séquences de fixations.
I-DT présente un biais fort vers les fixations, absorbant souvent les saccades courtes dans des épisodes de fixation étendus.

B. Robustesse au bruit

Dégradation des seuils fixes : Avec des seuils fixes optimisés sur des données propres, la précision chute drastiquement (en dessous de 20 %) lorsque le bruit atteint des niveaux élevés ( $\sigma \ge 5$ px).
Efficacité de l'adaptation : L'optimisation des seuils via le K-ratio à chaque niveau de bruit améliore considérablement la robustesse.
- I-DT adaptatif montre la meilleure résistance au bruit, maintenant une précision globale supérieure à 81 % même à des niveaux extrêmes ( $\sigma = 50$ px).
- Compromis Précision-Rappel : Cette robustesse de I-DT s'accompagne d'un compromis : la détection des saccades devient très conservatrice (faible rappel), car l'algorithme absorbe les mouvements courts dans les fixations pour éviter le bruit.
- I-VT et I-AVT restent plus sensibles à la précision de l'enregistrement, bien que l'adaptation atténue partiellement la dégradation.

C. Variabilité Inter-individuelle

Les seuils optimaux varient significativement entre les participants (ICC modéré à élevé pour les seuils, très élevé pour le K-ratio minimum). Cela confirme qu'un seuil unique ne peut pas convenir à tous les sujets.

5. Signification et Conclusion

Cet article fournit des directives pratiques pour le choix et le réglage des algorithmes de classification du suivi oculaire :

Choix de l'algorithme :
- I-VT est recommandé comme valeur par défaut pour des données de haute qualité, offrant un bon équilibre global.
- I-DT adaptatif est préférable dans des environnements bruyants ou lorsque la détection robuste des fixations est prioritaire, au détriment de la détection fine des saccades.
- I-AVT n'apporte pas d'avantage significatif dans ce contexte spécifique.
Importance de l'adaptation : L'utilisation de seuils fixes est insuffisante face à la variabilité inter-individuelle et au bruit. La méthode basée sur le K-ratio offre une solution simple, transparente et efficace pour adapter les algorithmes classiques à de nouveaux ensembles de données.
Perspectives : Les auteurs soulignent la nécessité de protocoles d'analyse standardisés et suggèrent que le K-ratio pourrait être intégré dans des classificateurs basés sur l'apprentissage automatique ou combiné à des techniques de débruitage avancées.

En résumé, cette étude démontre que l'optimisation adaptative des seuils via le K-ratio améliore la fiabilité de l'identification des événements oculaires, en particulier dans des conditions réalistes et bruyantes, tout en mettant en lumière les compromis inhérents entre la détection des fixations et celle des saccades.