🌀 nonlinear sciences

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

Este artigo apresenta e avalia um método adaptativo baseado em aproximação markoviana para a identificação de fixações e sacadas em dados de rastreamento ocular, demonstrando que a otimização dinâmica de limiares, especialmente os baseados em dispersão, supera significativamente os métodos tradicionais de limiar fixo em cenários ruidosos, oferecendo diretrizes práticas para a seleção de algoritmos conforme a qualidade dos dados e as prioridades analíticas.

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

Publicado 2026-04-06

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que os seus olhos são como uma câmera de vídeo que está sempre a filmar o mundo. Mas, ao contrário de uma câmara normal que grava tudo de forma contínua, os nossos olhos funcionam de uma maneira muito peculiar: eles "saltam" rapidamente de um ponto para outro (como um coelho a dar saltos) e depois "congelam" brevemente para olhar com atenção (como se a câmara focasse numa flor).

Saccades (Saltos): São os movimentos rápidos e desenfreados.
Fixations (Congelamentos): São os momentos de estabilidade onde o cérebro processa o que vê.

O problema é que, quando os cientistas usam máquinas para gravar estes movimentos (eye-tracking), os dados ficam muitas vezes "sujos" com ruído, como se alguém estivesse a tremer a câmara enquanto filma. Para separar os "saltos" dos "congelamentos", os investigadores usam regras simples, como: "Se o olho se moveu mais de X centímetros por segundo, é um salto. Se não, é um congelamento."

Aqui é onde entra este artigo científico. Os autores dizem que essas regras fixas são como tentar usar o mesmo tamanho de sapato para toda a gente. Não funciona bem porque cada pessoa tem um estilo de olhar diferente e o "ruído" da máquina muda de vez em quando.

A Solução: O "Termostato Inteligente"

Os autores criaram um método novo e inteligente, que chamam de método adaptativo. Em vez de usar uma regra rígida, o seu sistema funciona como um termostato inteligente ou um sintonizador de rádio.

O Problema do Ruído: Se houver muita "neve" na imagem (ruído), o sistema pode achar que um pequeno tremor é um grande salto, ou que um salto real é apenas um tremor. Com regras fixas, o sistema falha miseravelmente quando o ruído aumenta.
A Ideia do K-ratio: Os investigadores inventaram uma medida chamada "K-ratio". Pense nela como um medidor de caos.
- Se o sistema está a classificar mal, ele fica confuso e muda de "congelamento" para "salto" e volta atrás o tempo todo (muito caos).
- O objetivo é encontrar o ponto "doce" (o limiar perfeito) onde o sistema fica calmo e faz a transição apenas quando realmente necessário.
Como Funciona: O sistema testa milhares de regras diferentes automaticamente. Ele procura a regra que faz o sistema ficar o mais "calmo" possível, minimizando as mudanças desnecessárias entre os dois estados. É como afinar um instrumento musical até que não haja mais desafinação.

O Que Eles Descobriram?

Eles testaram três tipos de "regras" diferentes em duas tarefas: uma onde as pessoas olhavam para pixels aleatórios (como olhar para a neve na TV) e outra onde tinham de encontrar o "Waldo" num livro (uma busca visual complexa).

O Vencedor (Velocidade): A regra que mede a velocidade do olho foi a melhor quando tudo estava limpo e perfeito. Foi a mais precisa em identificar os saltos e os congelamentos.
O Herói do Caos (Dispersão): Quando adicionaram muito ruído (como se estivesse a chover dados errados), a regra da velocidade falhou completamente. Foi a regra da dispersão (que mede o espaço que o olho cobre) que se manteve firme. Ela conseguiu manter-se acima de 80% de precisão mesmo com muito ruído, embora tenha começado a ignorar alguns saltos rápidos para não se confundir.
A Lição Principal: Não existe uma "bala de prata".
- Se os seus dados são limpos e de alta qualidade, use o método de velocidade.
- Se os seus dados são "sujos" ou ruidosos (como em ambientes reais, não em laboratórios), use o método de dispersão com o ajuste automático.

A Analogia Final

Pense na tarefa de separar areia de pedras numa caixa agitada.

Método Fixo: Você usa uma peneira com buracos de tamanho fixo. Se a caixa agitar muito (ruído), a areia salta e cai com as pedras, ou as pedras pequenas caem com a areia. Tudo fica misturado.
Método Adaptativo (deste artigo): Você tem uma peneira inteligente que muda o tamanho dos buracos em tempo real. Se a caixa agitar muito, ela ajusta os buracos para garantir que, pelo menos, as pedras grandes não se percam, mesmo que algumas pedrinhas pequenas fiquem misturadas.

Conclusão Simples

Este estudo ensina-nos que, para entender como os nossos olhos funcionam, não podemos usar as mesmas regras para todas as situações. Precisamos de sistemas que se adaptem ao "clima" dos dados. Se o dia está calmo, usamos uma regra; se está tempestuoso, mudamos para outra. Isso ajuda a melhorar diagnósticos médicos, a criar melhores jogos e a entender melhor como o nosso cérebro aprende e foca.

Título: Identificação de fixações e sacadas em dados de rastreamento ocular usando métodos baseados em limiar adaptativo

1. Problema

A distinção entre fixações (olhar estável) e sacadas (movimentos oculares rápidos) é fundamental para a análise de rastreamento ocular, servindo como proxy para processos cognitivos. No entanto, a maioria dos algoritmos convencionais (como I-VT e I-DT) utiliza limiares fixos (ad-hoc) para classificar esses eventos.

Limitações: Limiares fixos ignoram a variabilidade inter-tarefa e inter-individual na dinâmica oculomotora.
Sensibilidade ao Ruído: Algoritmos baseados em velocidade sofrem degradação rápida de desempenho na presença de ruído de medição, levando a classificações errôneas.
Viés: A escolha arbitrária de limiares pode enviesar as estatísticas resultantes, especialmente em tarefas complexas ou com dados ruidosos.

2. Metodologia

Os autores propõem e avaliam um método adaptativo baseado em uma aproximação Markoviana da dinâmica do olhar.

Dados:
- Coletados de 15 participantes em duas tarefas: "Visualização Livre" (campos de pixels aleatórios) e "Busca Visual" (tarefa "Onde está o Waldo?").
- Equipamento: EyeLink Portable Duo a 1000 Hz.
- Ruído Controlado: Para testar a robustez, adicionou-se ruído gaussiano ( $\epsilon \sim N(0, \sigma^2)$ ) às trajetórias, variando o desvio padrão ( $\sigma$ ) de 0 a 50 pixels.
Algoritmos Avaliados:
1. I-VT: Identificação por Limiar de Velocidade.
2. I-AVT: Identificação por Limiar de Velocidade Angular (combina velocidade escalar e persistência direcional).
3. I-DT: Identificação por Limiar de Dispersão (baseado na dispersão espacial em uma janela de tempo).
Métrica de Otimização (K-ratio):
- Introduziram uma métrica chamada K-ratio, que compara o número empírico de transições fixação-sacada com o número esperado se as transições fossem aleatórias e independentes.
- Objetivo: Minimizar o K-ratio. Um K-ratio baixo indica que os estados (fixação/sacada) tendem a se aglomerar no tempo (coerência temporal), reduzindo transições espúrias causadas por ruído.
- O limiar ótimo é selecionado dinamicamente para cada participante e tarefa minimizando essa razão.

3. Contribuições Principais

Método Adaptativo Parsimonioso: Uma abordagem simples para ajustar limiares sem a necessidade de modelagem complexa de distribuições de velocidade (como em Modelos Ocultos de Markov - HMM), aplicável a qualquer algoritmo baseado em limiar.
Análise de Robustez ao Ruído: Uma avaliação sistemática de como a performance degrada sob diferentes níveis de ruído gaussiano e como a re-otimização do limiar mitiga esse efeito.
Diretrizes Práticas: Fornecimento de recomendações sobre qual algoritmo e estratégia de limiar usar dependendo da qualidade dos dados e das prioridades analíticas (ex: priorizar detecção de fixação vs. sacada).

4. Resultados Chave

Desempenho Basal (Sem Ruído):
- O I-VT (Velocidade) apresentou a maior precisão geral e o melhor equilíbrio entre detecção de fixações e sacadas (F1-score de sacada mais alto: ~0.51-0.54).
- O I-DT tendeu a agrupar sacadas curtas em fixações longas (viés para fixação).
- O I-AVT subestimou significativamente as sacadas.
Impacto do Ruído com Limiares Fixos:
- A precisão dos métodos baseados em velocidade (I-VT, I-AVT) caiu drasticamente com o aumento do ruído, ficando abaixo de 20% em níveis altos ( $\sigma \ge 30$ px).
Impacto do Ruído com Limiares Adaptativos (K-ratio):
- A otimização adaptativa melhorou significativamente a robustez para todos os algoritmos.
- I-DT Adaptativo: Demonstrou a maior robustez ao ruído, mantendo uma precisão geral acima de 81% mesmo em níveis extremos de ruído ( $\sigma = 50$ px).
- Trade-off Precisão-Revocação: O I-DT adaptativo manteve a detecção de fixações com alta precisão, mas sacrificou a identificação de sacadas (baixa revocação de sacadas), absorvendo sacadas ruidosas em fixações vizinhas para manter a coerência temporal.
Variabilidade Individual: Os limiares ótimos variaram significativamente entre participantes, justificando a necessidade de métodos adaptativos em vez de valores universais.

5. Significado e Conclusão

O estudo conclui que, embora algoritmos tradicionais como I-VT sejam eficientes para dados de alta qualidade, eles são frágeis ao ruído. A introdução do K-ratio oferece uma ferramenta robusta e simples para adaptar esses algoritmos a diferentes contextos e níveis de ruído.

Recomendações:
- Para dados de alta qualidade e tarefas gerais: I-VT é uma escolha sólida.
- Para dados ruidosos ou onde a estabilidade da detecção de fixações é prioritária (ex: leitura, cenas estáticas): I-DT com limiar adaptativo é superior.
- O I-AVT não mostrou vantagens significativas neste contexto devido à sua sensibilidade e subdetecção de sacadas.
Futuro: A necessidade de protocolos de análise padronizados e o desenvolvimento de métodos que combinem denoising avançado com essa otimização de limiar.

Em suma, o trabalho fornece evidências empíricas de que a adaptação de limiares baseada em estatísticas de transição (K-ratio) é crucial para mitigar o viés introduzido pelo ruído e pela variabilidade individual no rastreamento ocular.