🌀 nonlinear sciences

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

Dit artikel introduceert en evalueert een adaptieve, op een Markov-benadering gebaseerde methode voor het detecteren van oogbewegingen die, in vergelijking met traditionele vaste drempels, de nauwkeurigheid aanzienlijk verbetert en robuustheid biedt tegen ruis, met name bij gebruik van dispersie-algoritmen.

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

Gepubliceerd 2026-04-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je ogen een onophoudelijke danser zijn. Soms staan ze stil om een mooi schilderij te bewonderen (dit noemen we een fixatie), en soms schieten ze razendsnel naar een ander punt om iets nieuws te ontdekken (dit noemen we een saccade).

Deze oogbewegingen vertellen ons veel over hoe ons brein werkt, of iemand een ziekte heeft, of zelfs wat een consument aantrekkelijk vindt in een winkel. Maar om deze dans te analyseren, moeten we eerst goed kunnen zien wanneer de danser stilstaat en wanneer hij springt.

Hier is wat dit onderzoek doet, vertaald in simpele taal:

1. Het Probleem: De "Vaste Regel" is vaak fout

Vroeger gebruikten wetenschappers een simpele, vaste regel om te beslissen of iemand stilzat of bewoog.

De analogie: Stel je voor dat je een snelheidsmeter hebt die altijd zegt: "Als je sneller dan 30 km/u rijdt, ben je aan het racen. Alles eronder is parkeren."
Het probleem: In het echte leven is het niet zo simpel. Soms rijdt iemand langzaam door een drukke stad (dat is nog steeds 'racen' in de context van de weg), en soms trilt je auto een beetje terwijl je stilstaat (dat lijkt op 'racen' door de trillingen).
De fout: De oude methoden gebruikten die vaste snelheid (30 km/u) voor iedereen en elke situatie. Als er ruis in de data zat (zoals trillende camera's of een slechte verbinding), werd alles verkeerd ingedeeld. Het was alsof je een trillende auto op een parkeerplaats per ongeluk als een Formule 1-auto bestempelde.

2. De Oplossing: Een Slimme, Aanpasbare Regelaar

De auteurs van dit paper hebben een nieuwe manier bedacht: adaptieve drempels.

De analogie: In plaats van een vaste snelheidsmeter, geven ze de regelaar een slimme assistent. Deze assistent kijkt naar de dans van de ogen en vraagt zich af: "Hoe vaak wisselt deze persoon nu precies van houding?"
De K-ratio: Ze hebben een meetlat bedacht (de 'K-ratio'). Stel je voor dat je een groep mensen ziet dansen. Als ze heel vaak en chaotisch van positie wisselen, is dat waarschijnlijk geen echte dans, maar ruis. De assistent zoekt naar de instelling waarbij de dansers het meest logisch bewegen: lange stukken stilstand, gevolgd door duidelijke sprongen. Hij past de snelheidsmeter dus continu aan, afhankelijk van hoe de dans er op dat moment uitziet.

3. Wat hebben ze ontdekt?

Ze hebben drie verschillende methoden getest (snelheid, hoek en spreiding) en gekeken hoe ze het deden in twee situaties:

Vrij kijken: Mensen kijken naar een willekeurig scherm (als een droom).
Zoekspel: Mensen zoeken "Wally" in een drukke foto (een zoektocht).

De resultaten:

De snelheidsmethode (I-VT) is de beste allrounder. Als de data schoon is (geen ruis), werkt deze methode het beste. Het is als een ervaren dansleraar die de meeste bewegingen perfect herkent.
Maar... ruis is een killer. Zodra er "ruis" in zit (zoals trillingen of slechte camera's), crasht de oude, vaste snelheidsmethode. Het wordt een chaos.
De slimme aanpassing redt de dag. Door de drempel aan te passen (de K-ratio te minimaliseren), blijven de methoden veel sterker. Zelfs bij extreme ruis (alsof je de danser door een trillende ruit bekijkt), blijft de methode die kijkt naar de spreiding van de ogen (I-DT) redelijk stabiel.
De prijs: Om die stabiliteit te behouden, worden de methoden soms wat "lui". Ze zien een korte sprongetje misschien niet meer als een sprong, maar tellen het mee als stilstand. Ze kiezen voor zekerheid bij het zien van stilstand, ten koste van het zien van korte sprongen.

4. De Conclusie voor de Praktijk

Dit onderzoek zegt eigenlijk: "Stop met het gebruik van één vaste regel voor iedereen."

Als je goede, schone data hebt, gebruik dan de snelheidsmethode.
Als je data wat rommelig is (bijvoorbeeld in een mobiele app of bij een onrustig kind), gebruik dan een slimme methode die zich aanpast aan de situatie.
Wees je bewust dat elke methode een keuze maakt: wil je elk klein sprongetje zien, of wil je zeker weten dat je de lange momenten van focus niet mist?

Kortom: Oogbewegingen zijn complex en variabel. De beste manier om ze te analyseren is niet met een starre liniaal, maar met een slimme, flexibele meetlat die meekijkt met de danser.

Probleemstelling

Bij het analyseren van oogbewegingsdata (eye-tracking) is het onderscheid tussen fixaties (stabiele blikpunten) en saccades (snelle oogbewegingen) fundamenteel voor cognitief onderzoek, klinische diagnostiek en mens-computerinteractie. Traditionele algoritmen, zoals I-VT (Velocity-Threshold Identification) en I-DT (Dispersion-Threshold Identification), maken gebruik van vaste drempelwaarden (bijv. een vaste snelheid in graden per seconde) om deze gebeurtenissen te classificeren.

De auteurs identificeren twee hoofdproblemen met deze benadering:

Gebrek aan aanpassing: Vaste drempels negeren de variabiliteit tussen verschillende taken (bijv. vrije kijk versus visuele zoekopdrachten) en tussen individuen.
Gevoeligheid voor ruis: Bij aanwezigheid van meetruis (bijv. door trackingfouten of knipperen) degradeert de prestatie van algoritmen met vaste drempels snel, wat leidt tot onnauwkeurige statistieken en bias in de resultaten.

Methodologie

De studie introduceert en evalueert een adaptieve methode voor het selecteren van drempelwaarden, gebaseerd op een Markoviaanse benadering van oogbewegingsdynamiek.

Data:
- Gebruikt data van 15 deelnemers verzameld met een EyeLink Portable Duo (1000 Hz).
- Twee taken: "Random Pixel" (vrije kijk, ongestructureerd) en "Waldo" (visuele zoekopdracht in complexe scènes).
- De data is verrijkt met synthetisch Gaussisch ruis (variërend van $\sigma = 0$ tot $50$ pixels) om de robuustheid van algoritmen te testen.
Geëvalueerde Algoritmen:
- I-VT: Classificeert op basis van momentane snelheid.
- I-AVT: Een variant van I-VT die rekening houdt met de hoek van de beweging (effectieve hoeksnelheid).
- I-DT: Classificeert op basis van ruimtelijke spreiding (dispersie) binnen een tijdsvenster.
De K-ratio (Kerninnovatie):
- De auteurs introduceren een nieuwe metriek, de K-ratio, om de optimale drempel te bepalen.
- De K-ratio vergelijkt het empirische aantal overgangen tussen fixatie en saccade met het aantal overgangen dat verwacht zou worden als de labels willekeurig zouden wisselen (onafhankelijk van de huidige staat).
- Optimalisatie: De drempelwaarde wordt gekozen die de K-ratio minimaliseert. Een lage K-ratio impliceert dat de labels (fixaties en saccades) coherent zijn en niet willekeurig wisselen, wat wijst op een stabielere segmentatie. Dit minimaliseert onnodige staatsovergangen veroorzaakt door ruis.
Validatie:
- De prestaties worden vergeleken met de standaard "EyeLink-parser" als referentie (hoewel dit geen absolute fysiologische ground truth is, maar een industriestandaard).
- Er wordt gekeken naar nauwkeurigheid, precisie, recall en F1-scores, met name voor de zeldzame gebeurtenis (saccades).

Belangrijkste Resultaten

Basisnauwkeurigheid (Zonder ruis):
- I-VT behaalde de hoogste basisnauwkeurigheid (90-93%) en de beste balans tussen het detecteren van fixaties en saccades in beide taken.
- I-DT neigt ertoe om te veel fixaties te detecteren (saccades worden vaak opgeslokt in langere fixaties), wat leidt tot een lage recall voor saccades.
- I-AVT presteerde vergelijkbaar met I-VT maar detecteerde iets minder saccades.
Robuustheid tegen Ruis:
- Vaste drempels: Bij toenemende ruis ( $\sigma \geq 2$ px) degradeert de prestatie van algoritmen met vaste drempels dramatisch. Bij hoge ruisniveaus ( $\sigma = 50$ px) daalt de nauwkeurigheid van I-VT en I-AVT onder de 20%.
- Adaptieve drempels (via K-ratio): Het opnieuw optimaliseren van de drempel op basis van de K-ratio voor elk ruisniveau verbetert de prestaties aanzienlijk.
- I-DT met adaptieve drempels toont de beste robuustheid: het behoudt een nauwkeurigheid boven de 81% zelfs bij extreme ruis ( $\sigma = 50$ px).
- Trade-off: Deze robuustheid komt echter met een prijs. Bij I-DT onder adaptieve drempels wordt de precisie voor fixaties hoog gehouden, maar de recall voor saccades daalt sterk. Het algoritme classificeert onzekere data punten conservatief als fixaties, waardoor korte of vervormde saccades worden gemist.
Individuele Variatie:
- De optimale drempelwaarden variëren significant tussen deelnemers, wat de noodzaak van een individuele aanpassing ondersteunt.
- De K-ratio zelf is echter zeer stabiel binnen een deelnemer over verschillende trials, wat aantoont dat de optimalisatiemethode betrouwbaar is.

Belangrijkste Bijdragen

Adaptieve K-ratio Methode: Een eenvoudige, parsimonische methode om drempelwaarden te optimaliseren zonder complexe modellen van snelheidsverdelingen te hoeven bouwen. Het minimaliseert state-transities op basis van Markov-aannames.
Systematische Ruisanalyse: Een uitgebreide evaluatie van hoe drie veelgebruikte algoritmen reageren op Gaussisch ruis, wat vaak wordt verwaarloosd in vergelijkende studies.
Praktische Richtlijnen: De studie biedt concrete adviezen voor onderzoekers:
- Gebruik I-VT als standaard voor hoogwaardige data.
- Gebruik adaptieve drempels (via K-ratio) als de data ruis bevat of als de kwaliteit onzeker is.
- Wees voorzichtig met I-DT bij dynamische taken; het is robuust tegen ruis maar neigt ertoe saccades te missen ten gunste van het detecteren van lange fixaties.

Betekenis en Conclusie

De studie benadrukt dat er geen "one-size-fits-all" algoritme bestaat voor oogbewegingsclassificatie. De keuze van het algoritme en de drempelwaarden moet afhankelijk zijn van de datakwaliteit en de analytische prioriteiten (bijv. is het crucialer om elke saccade te vinden, of is het belangrijker om de duur van fixaties nauwkeurig te meten?).

De introductie van de K-ratio biedt een transparante en reproduceerbare manier om klassieke algoritmen aan te passen aan specifieke datasets. Dit helpt bias te verminderen die voortkomt uit het gebruik van vaste, ad-hoc drempels, en verbetert de betrouwbaarheid van oogbewegingsdata in cognitieve wetenschappen en klinische toepassingen. De auteurs pleiten voor standaardisatie in analyseprotocollen en het gebruik van adaptieve methoden om de impact van ruis en individuele verschillen te mitigeren.