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

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 한계: 안구 추적 (Eye-tracking) 데이터에서 '고정점 (Fixation)'과 '안구 운동 (Saccade)'을 구분하는 것은 인지 과학 및 신경과학 연구의 핵심이지만, 기존 알고리즘은 주로 고정된 임계값 (Fixed Thresholds) 에 의존합니다. 예를 들어, 속도 임계값 (Velocity Threshold) 이나 공간적 분산 (Dispersion) 임계값을 사전에 설정합니다.
• 문제점: 이러한 고정 임계값 방식은 과제 간 (Inter-task) 및 개인 간 (Inter-individual) 안구 운동 역학의 변이성을 고려하지 못합니다. 또한, 데이터의 노이즈 (Noise) 에 매우 민감하여, 노이즈가 증가하면 분류 정확도가 급격히 떨어지고 통계적 편향 (Bias) 을 초래할 수 있습니다.
• 목표: 다양한 데이터 품질과 노이즈 조건에서도 견고하게 작동하며, 개인별 및 과제별 특성에 맞춰 임계값을 자동으로 최적화할 수 있는 적응형 (Adaptive) 방법론을 제안하고 평가하는 것입니다.

2. 방법론 (Methodology)

이 연구는 세 가지 기존 임계값 기반 알고리즘 (I-VT, I-AVT, I-DT) 에 적응형 임계값 최적화 기법을 적용했습니다.

A. 데이터셋

• 참가자: Oslo Metropolitan University 에서 수집된 15 명의 성인 참가자 데이터.
• 과제:
  1. Free-viewing (Random Pixel): 구조화되지 않은 픽셀 필드 관찰 (약 270 만 샘플).
  2. Visual Search (Waldo): 복잡한 장면에서 '월도' 찾기 (약 600 만 샘플).
• 장비: EyeLink Portable Duo (1000Hz 샘플링).
• 노이즈 시뮬레이션: 실제 데이터에 가우스 노이즈 ($\sigma = 0 \sim 50$ 픽셀) 를 인위적으로 추가하여 알고리즘의 견고성 (Robustness) 을 테스트했습니다.

B. 분류 알고리즘

1. I-VT (Velocity-Threshold Identification): 순간 속도 기반.
2. I-AVT (Angular Velocity-Threshold Identification): 방향 지속성을 고려한 유효 각속도 기반.
3. I-DT (Dispersion-Threshold Identification): 이동 시간 창 내의 공간적 분산 기반.

C. 핵심 제안: K-ratio 기반 적응형 임계값 최적화

• K-ratio 정의: 안구 궤적에서 관측된 '고정점 $\to$ 안구 운동' 전이의 실제 빈도 ($p_{empirical}$) 와, 데이터가 무작위로 교차한다고 가정했을 때의 기대 전이 빈도 ($p_{independent}$) 의 비율입니다.
  $$K\text{-ratio} = \frac{p_{empirical}^{F \to S}}{p_{independent}^{F \to S}}$$
• 원리: K-ratio 가 1 보다 작을수록 상태 (고정점/안구 운동) 가 시간적으로 응집되어 있음을 의미합니다. 연구진은 K-ratio 를 최소화하는 임계값을 선택하여, 불필요한 상태 전환 (Noise-induced transitions) 을 억제하고 상태 간 분리를 최적화하는 전략을 취했습니다.
• 장점: 복잡한 상태 공간 모델 (예: HMM) 이나 속도 분포 모델링 없이도, 임의의 임계값 기반 알고리즘에 적용 가능한 간결한 (Parsimonious) 방법론입니다.

3. 주요 결과 (Key Results)

A. 무노이즈 (Clean Data) 조건

• 성능: I-VT 알고리즘이 고정점과 안구 운동 분류 간 가장 균형 잡힌 성능을 보였습니다 (정확도 90-93%).
• 비교: I-AVT 는 고정점 탐지는 잘했으나 안구 운동을 과소 탐지했고, I-DT 는 고정점 편향 (Fixation Bias) 이 강해 짧은 안구 운동을 고정점으로 잘못 분류하는 경향이 있었습니다.

B. 노이즈 (Gaussian Noise) 조건

• 고정 임계값의 취약성: 노이즈가 증가할수록 ($\sigma \ge 2$ 픽셀) 고정 임계값을 사용한 알고리즘의 성능은 급격히 하락했습니다. 특히 I-VT 는 고노이즈 조건에서 정확도가 20% 미만으로 떨어졌습니다.
• 적응형 임계값의 효과: K-ratio 최소화를 통해 노이즈 수준마다 임계값을 재조정 (Re-optimization) 한 결과, 모든 알고리즘의 성능이 크게 개선되었습니다.
• I-DT 의 강점: 적응형 I-DT 는 극심한 노이즈 ($\sigma = 50$ 픽셀) 조건에서도 81% 이상의 정확도를 유지하며 가장 높은 노이즈 견고성을 보였습니다.
  • Trade-off: 이는 고정점 탐지 정밀도 (Precision) 를 희생하여 안구 운동 탐지 재현율 (Recall) 을 낮추는 방식 (Precision-Recall Trade-off) 으로 달성되었습니다. 즉, 불확실한 샘플을 고정점으로 분류하여 전체 정확도를 유지하는 경향이 있었습니다.

C. 개인별 및 과제별 차이

• 최적화된 임계값은 참가자마다 유의미한 차이를 보였으며 (ICC 분석), 과제 유형 (Free-viewing vs. Visual Search) 에 따라 최적 임계값이 달라졌습니다. 이는 '보편적인 고정 임계값'의 한계를 입증하고 개인별 적응의 필요성을 강조합니다.

4. 주요 기여 (Key Contributions)

1. 적응형 최적화 프레임워크 제안: 복잡한 모델링 없이 K-ratio 를 최소화하여 임계값을 자동으로 조정하는 간결하고 효과적인 방법론을 제시했습니다.
2. 노이즈 견고성 입증: 기존 알고리즘이 노이즈에 얼마나 취약한지 정량화하고, 적응형 임계값이 이를 어떻게 완화하는지 실증했습니다.
3. 실용적 가이드라인 제공: 데이터 품질 (노이즈 수준) 과 분석 목표 (고정점 정확도 vs. 안구 운동 감지) 에 따라 어떤 알고리즘과 임계값 설정을 선택해야 하는지에 대한 구체적인 지침을 제시했습니다.

5. 의의 및 결론 (Significance)

• 연구적 의의: 안구 추적 데이터 분석에서 '고정된 임계값'의 맹목적인 사용이 가져오는 편향을 해결하고, 데이터의 특성에 맞는 동적 접근의 중요성을 부각시켰습니다.
• 실무적 의의:
  • 고품질 데이터가 확보된 경우 I-VT가 기본값으로 적합합니다.
  • 노이즈가 많거나 이동 환경 (Mobile eye-tracking) 에서 데이터를 수집해야 하는 경우, 적응형 I-DT가 고정점 식별에 유리할 수 있습니다.
  • 미세한 안구 운동 (Microsaccades 등) 을 탐지해야 하는 경우, 적응형 임계값이 과도하게 상태를 통합할 수 있으므로 주의가 필요합니다.
• 미래 전망: 이 방법론은 노이즈 제거 기법이나 머신러닝 기반 분류기의 정규화 항 (Regularization term) 으로 확장 가능하며, 개인별 맞춤형 안구 운동 분석 프로토콜 표준화의 기초를 마련했습니다.

요약하자면, 이 논문은 K-ratio 최소화라는 통계적 지표를 통해 적응형 임계값을 도출함으로써, 노이즈와 개인차에 강인한 안구 운동 분류 시스템을 구축하는 방법을 제시한 중요한 연구입니다.