Systematic classification differences across eye movement detection algorithms

Jonathan Nir

doi:10.3758/s13428-026-02983-5

2026-04-10

Jonathan Nir *

Leon Y. Deouell

DOI：10.3758/s13428-026-02983-5

原文链接

查看原文

摘要

En 中文

眼动（EM）检测是大多数眼动追踪（ET）研究中的关键步骤，通常依赖于检测器——专门设计的算法，用于将原始ET数据分割成离散的眼动事件。然而，检测算法的变异性和缺乏标准化的评估框架阻碍了研究间的透明度和可重复性。本研究介绍了pEYES，一个开源工具包，旨在简化EM检测并实现检测器之间的稳健定量比较。该工具包提供了几种广泛使用的基于阈值的检测器的实现，以及多种标准化的评估程序以评估检测性能。使用pEYES，我们在两个公开可用的人工标注数据集上评估了七种检测算法，这些数据集包含受试者自由观看彩色图像的记录。性能使用Cohen’s kappa、相对时间偏移和偏差以及注视和扫视起始和终止的敏感性指数（ $$d{\prime}$$ ）等指标进行评估。Engbert的自适应速度-阈值算法始终匹配或优于其他检测器，偶尔达到人类水平的精度。相比之下，其他几种检测器在数据集之间的性能表现出显著差异。我们还发现，注视和扫视边界处的检测分数存在系统性差异，注视终止和扫视起始的检测比其对应事件更可靠。这些发现强调了在EM分析中根据任务和数据集选择检测器的重要性。pEYES工具包免费提供，其代码库——以及本报告中呈现的分析——可通过 https://github.com/huji-hcnl/pEYES 访问。我们邀请研究界使用、扩展并为它的持续发展做出贡献。通过开放协作，我们旨在提高EM检测实践的严谨性和可重复性。

Keyword:

Eye tracking

Eye movement detection

Algorithm evaluation

Open source