视线预测：基于眼动类型与个体差异的函数关系

眼动预测是一项具有提升眼动技术系统性能和用户体验潜力的研究领域。本研究分析了个体差异对视线预测性能的影响。我们在分析中采用三种根本不同的模型：轻量级长短期记忆网络（LSTM）、基于Transformer的多变量时间序列表示学习网络（TST），以及封装在卡尔曼滤波框架中的眼动植物数学模型（OPKF）。每种解决方案都在不同的眼动类型上进行评估。我们显示所有模型和眼动类型之间都存在重要的主体间差异。我们发现，固定点噪声与固定点中的视线预测表现不佳有关。对于眼球运动，更高的速度与视线预测性能较差有关。我们认为这些个体差异很重要，提议未来研究应报告与主体间变异相关的统计数据。我们还提议未来的模型应设计来减少主体间的差异。