眼动学与电趋生理学测量屈光异常：多模态估计方法
图像与视频处理
2025-05-27 v1 机器学习
摘要
屈光误差是全球范围内最常见的视力障碍之一，但其诊断往往依赖于用户主动参与和临床监督。本研究探索了一种被动方法，用于利用两种眼动记录技术——电趋生理学（Electrooculography, EOG）和视频-based眼动跟踪——来估计屈光功率。我们使用公开的数据集，在不同光度条件下记录数据，并训练长短期记忆（LSTM）模型，对从单模态（EOG或眼动跟踪）和多模态配置中对屈光功率进行分类。我们在subject-dependent和subject-independent两种情境下评估了模型的性能，以评估模型在个体化和跨个体的可推广性。结果表明，多模态模型在两种情境下均优于单模态模型，在subject-dependent情境下达到最高的平均准确率为96.207%，在subject-independent情境下为8.882%。然而，跨个体的泛化仍有限，在subject-independent评估中，分类准确率仅略高于随机水平。在subject-dependent情境下的统计比较确认，多模态模型显著优于EOG和眼动跟踪模型。然而，在subject-independent情境中未发现统计学显著差异。我们的发现既展示了基于眼动数据的屈光误差估计潜力，也揭示了当前的局限性，为利用EOG信号和眼动数据开发持续、非侵入性筛查方法做出了贡献。
引用
@article{arxiv.2505.18538,
title = {Mind Your Vision: Multimodal Estimation of Refractive Disorders Using Electrooculography and Eye Tracking},
author = {Xin Wei and Huakun Liu and Yutaro Hirao and Monica Perusquia-Hernandez and Katsutoshi Masai and Hideaki Uchiyama and Kiyoshi Kiyokawa},
journal= {arXiv preprint arXiv:2505.18538},
year = {2025}
}