Sure About That Line? Approaching Confidence-Based, Real-Time Line Assignment in Reading Gaze Data

以下是论文《“确定那条线吗？：基于置信度的阅读眼动数据实时行分配方法”》的详细技术总结。

1. 问题陈述

本文解决了辅助阅读技术（如眼动驱动的单词高亮、朗读工具）和眼动追踪研究中的一个关键瓶颈：多行阅读场景下的实时、可靠的行分配。

• 核心挑战： 眼动数据，特别是来自远程或基于网络摄像头的系统，存在垂直噪声（漂移、斜率、空间抖动）。这使得仅凭注视点的 $y$ 坐标难以确定用户当前正在阅读哪一行文本。
• 现有方案的局限性：
  • 事后方法： 大多数当前算法（如动态时间规整、聚类）需要记录整个阅读会话后才能进行处理。它们无法支持实时交互。
  • 启发式/基于约束的方法： 实时系统通常通过限制自然阅读行为（例如，禁止回读或强制严格的顺序推进）来避免错误。
  • 基于学习的方法： 深度学习方法（Transformer、CNN）通常需要大量标注数据集、GPU 加速和预处理，使其不适合低延迟、即插即用的辅助装置。
• 特定脆弱性： 儿童和初读者表现出更多变的注视模式、频繁的回读以及更高的噪声水平，导致现有算法失效或需要人工修正。

2. 方法论：CONF-LA

作者提出了CONF-LA（基于置信度分数的在线注视点 - 行分配），这是一种将空间证据与行为先验相结合的原则性、低延迟方法。

核心算法原理

CONF-LA 将行分配视为概率推断问题，而非确定性几何映射。其运作原则是：“仅当置信度分数超过正式阈值时，才将注视点分配给某一行；否则，推迟决策。”

该系统使用**非齐次隐马尔可夫模型（HMM）**来建模行与注视点位置之间的关系：

1. 隐藏状态（$X_i$）： 离散的行索引。
2. 观测值（$Y_i$）： 注视点的连续 $y$ 坐标。
3. 发射概率： 以行的 $y$ 坐标为中心的高斯分布。该模型允许自适应偏移（$\mu_{shift}$）以应对垂直漂移，该偏移会根据最近的修正趋势动态更新。
4. 转移概率： 一个上下文敏感的矩阵（$L$），编码熟练阅读的行为先验：
   • 标准阅读： 停留在同一行的高概率（$L_{l,l} = 0.85$）。
   • 行转换： 移动到下一行的中等概率（$L_{l,l+1} = 0.1$）。
   • 回读： 向后移动的较低概率（$L_{l+1,l} = 0.03$）。
   • 上下文更新： 转移矩阵根据扫视速度（高速度暗示回扫/行转换）和突然的 $x$ 坐标变化（大的水平跳跃暗示行转换）进行动态调整。

推断与决策逻辑

该算法以大小为 $S$ 的片段处理数据（其中 $S=1$ 为纯实时，$S>1$ 允许局部平滑）：

1. 后验计算： 对于每个注视点，计算所有可能行的后验概率分布。
2. 置信度评分： 计算置信度分数（$c_i$），即最大后验概率。
3. 阈值判定：
   • 如果 $c_i \geq C$（阈值）：将注视点分配给后验概率最高的行。
   • 如果 $c_i < C$：推迟分配。保留原始 $y$ 坐标，该注视点保持未分配状态。
4. 推迟案例的解决：
   • 局部时间滤波器： 在片段内进行短视野的前向 - 后向传递以解决歧义。
   • 邻居投票： 如果注视点仍未分配，算法会检查相邻注视点。如果足够比例的邻居以高置信度同意特定行，则更新未分配的注视点。

3. 主要贡献

1. 基于置信度的推迟策略： 与强制为每个注视点分配（导致错误）的先前工作不同，CONF-LA 明确建模不确定性。它仅在模型“确定”时修正数据，为模糊情况保留原始数据。
2. 实时可行性： 该算法在标准 CPU 上实现了平均每注视点 0.348 毫秒 的延迟，缩小了离线与在线性能之间的差距。
3. 无需训练的行为先验： 该模型使用源自阅读理论（Rayner, 1998）的硬编码、上下文敏感的转移规则，而非需要大规模监督训练。这使其具有布局无关性和即插即用特性。
4. 对回读的鲁棒性： 该方法明确支持重读和向后跳跃，这是实时辅助工具中常被排除的功能。
5. 开源实现： 作者提供了开源代码，并在标准 Carr 等人（2022）数据集上进行了基准测试。

4. 结果与评估

作者在Carr 等人数据集（成人和儿童）和MECOde数据集上评估了 CONF-LA，并将其与 9 种基线算法（如 attach, chain, cluster, DTW）进行了比较。

• 准确率与延迟：
  • 临时方案（实时，$S=10$）： CONF-LA 实现了成人 95% 和儿童 94.2% 的准确率，显著优于基线 attach 算法（87.7% / 87.7%）。
  • 事后方案（$S=N$）： 性能与最先进的后处理方法相当（96.6% vs. attach 的 93.5%），表明在线方法并未以牺牲准确率为代价换取速度。
• 噪声与失真韧性：
  • CONF-LA 表现出对片段大小的不变性，即使减少前向缓冲，仍能保持高准确率。
  • 它在回读失真（行内和行间）下表现卓越，而其他算法在此情况下失效。
  • 它在低保真数据（模拟 30Hz 采样和空间噪声的网络摄像头条件）中表现出鲁棒性，比基线高出约 10-11%。
• 泛化能力： 在不重新调整参数的情况下在 MECOde 数据集上测试时，CONF-LA 保持了优于基线的性能，证明了其在不同实验设置下的泛化能力。
• 局限性： 该算法显示出对极端斜率和漂移失真的敏感性，这可能是由于高斯发射模型的固定性质所致。此外，发现置信度分数存在校准不良的问题（高准确率时过于自信，低准确率时缺乏自信），限制了其在未经进一步校准的情况下直接用于下游概率任务。

5. 意义与未来影响

• 赋能辅助技术： CONF-LA 提供了首个稳健的实时行分配解决方案，支持自然阅读行为（回读、跳过），而无需限制性 UI 约束或庞大的机器学习基础设施。
• 可解释性： 通过输出置信度分数和明确的不确定性，该系统允许开发者构建适应用户可靠性的界面（例如，如果系统不确定，则延迟高亮显示）。
• 可及性： 该算法的低延迟和 CPU 友好特性使其能够部署在消费级设备（笔记本电脑、平板电脑）和低成本眼动仪上，使儿童和神经多样性用户能够更广泛地获得基于眼动的阅读支持。
• 未来方向： 作者建议转向完全参数化的概率模型（例如，使用狄利克雷分布进行转移），以改善置信度校准，并实现基于个体用户行为的自适应参数调整。

总之，CONF-LA 代表了从“强制修正”向“置信度感知推断”的转变，为下一代基于眼动的阅读支持系统提供了稳定、实时的基础。