智能手机注视估计中灵敏度参数的评估：外观法与红外眼动追踪器的比较研究

本研究通过与商用红外眼动追踪器 Tobii Pro Nano 的性能对比，评估了一种基于智能手机的深度学习眼动追踪算法。旨在调查在真实移动使用条件下基于外观的注视估计的可行性。关键灵敏度因素，包括年龄、性别、视力矫正、照明条件、设备类型和头部位置，被系统地分析。基于外观的算法将轻量级卷积神经网络（MobileNet-V3）与循环结构（长短期记忆网络）相结合，从灰度面部图像预测注视坐标。注视数据从 51 名参与者处收集，使用动态视觉刺激，精度使用欧几里得距离衡量。深度学习模型的平均误差为 17.76 mm，而 Tobii Pro Nano 为 16.53 mm。虽然整体精度差异较小，但基于深度学习的方法对照明、视力矫正和年龄等因素更为敏感，在低光条件下佩戴眼镜的参与者和年龄较大群体中观察到更高的失败率。设备特定和位置因素也影响了追踪性能。这些结果突显了基于外观的方法在移动眼动追踪中的潜力，并为在不同使用条件下评估注视估计系统提供了参考框架。