MLGaze：基于机器学习的消费级眼动追踪系统注视误差模式分析

分析眼动仪的注视精度特性是一项关键任务，因为其注视数据在各种消费级眼动追踪应用中经常受到非理想操作条件的影响。在本研究中，借助机器学习算法（如分类器和回归模型）研究了商用眼动追踪设备产生的注视误差模式。从一组参与者处收集了在多种常见影响桌面和手持平台上运行的眼动仪的条件下产生的注视数据。这些条件（此处称为误差源）包括用户距离、头部姿态和眼动仪姿态变化，所收集的注视数据用于训练分类器和回归模型。可以看出，虽然不同误差源对注视数据特性的影响几乎无法通过视觉检查或数据统计来区分，但机器学习模型成功地识别了不同误差源的影响，并预测了由这些条件引起的注视误差水平的变化。本研究的目的是探究机器学习方法在检测和预测注视误差模式方面的效能，从而能够深入理解非受限操作条件下眼动仪的数据质量与可靠性。本研究中采用的所有机器学习方法的代码资源已包含在一个名为 MLGaze 的开放存储库中，以允许研究人员使用他们自己眼动仪的数据复现此处提出的原则。