面向人无关条件下眼动分类的纯LSTM模型充分性研究：卷积前端无必要增益

《Scientific Reports》：Person-independent and cross-dataset evaluation of convolutional and recurrent architectures for eye movement classification

　　# 摘要将眼动分类为注视（fixations）、扫视（saccades）和平滑追踪（smooth pursuits）是眼动记录分析的基本步骤。深度模型目前广泛用于此任务，但它们通常在被训练集与测试集之间存在参与者重叠的窗口上进行评估，这留下了一个未被解答的问题：模型对从未见过的个体表现如何。本文在GazeCom数据集（54名参与者，250 Hz采样率，专家逐帧标注）上，对人无关条件下的三种架构——一维CNN、LSTM以及CNN–LSTM混合模型——进行了四分类眼动分类的对比研究。每个模型均在留一参与者法交叉验证（LOPO CV）下训练和测试，即每次轮流留出每位参与者，且每种架构均使用两种输入表示进行实验：原始注视位置，以及一种派生表示（增加了速度、加速度和角度变化）。模型间差异在参与者层面进行评估（对54折进行配对检验，经Holm校正），而非在重叠窗口上评估。研究中有两项发现具有一致性。第一，循环建模是区分强模型与弱模型的关键：LSTM和混合模型在使用派生输入时宏观F1达到约0.82，而CNN仅为0.71，且该差距在每位参与者上均成立。第二，在LSTM前添加卷积前端并无帮助：混合模型与纯LSTM在原始输入下统计上无法区分，在派生输入下宏观F1差距不足0.01，因此数据不支持额外组件的必要性；混合模型参数量比LSTM多约70%，但无可测量的性能提升。派生输入提升了所有架构的性能，对CNN和平滑追踪类别提升尤为显著。三种非学习型或轻量级基线方法（速度阈值法、速度–离散度法和基于运动学特征的随机森林），在每折调优并在相同协议下评估，在注视/扫视/追踪任务上的宏观F1维持在0.53–0.54左右，明显低于所有三种深度模型。当在GazeCom上训练的模型不经重训练直接在Lund2013记录上测试并与两位专家评分对比时，准确率如预期般下降，但架构间排序保持不变。因此，纯LSTM是该任务的充分模型；平滑追踪类别仍是主要误差来源，也是未来工作最有价值的目标。