弥合数据差距：基于 Python 实现的眼动指标与可视化逻辑逆向的遗传算法方法

《Applied Soft Computing》：Bridging the data gap: A genetic algorithm approach using inverse by python implementation of eye movements metrics & visualizations logic

　　

摘要

鲁棒性临床眼动追踪架构的推进目前受到数据匮乏、严格的隐私法规以及算法一致性与生物物理真实性之间固有矛盾三重因素的制约。传统的确定性合成范式在生理变异性方面存在根本性缺陷，而随机替代方法则始终无法满足标准注视过滤器所固有的严格时空参数。为调和这些方法论约束，本研究将注视轨迹合成概念化为一个逆问题。研究提出了一种进化计算框架，利用遗传算法系统优化分形布朗运动生成器的结构配置。该机制可灵巧地导航已建立的分类算法（如PeyeMMV）所具有的离散空间容差边界。基于ETDD70语料库的实证评估表明，该进化方法成功保留了注视性眼动动态中固有的基本频谱密度。此外，通过合成训练与实证测试范式进行的临床验证，证实了生成数据集中关键非线性决策边界的保持。在多种机器学习配置下，通过该进化框架合成的数据相比随机和确定性基线均展现出更优的预测效能，尤其在面对对边际边界高度敏感的分类器时表现出卓越的性能。通过提供一种可扩展且情境特定的数据增强协议，该方法为训练复杂行为模型建立了严格的方法学基础，同时完全遵守生物特征保密要求。

引言

眼动定量分析已成为多个领域的技术基石，从界面设计和医疗诊断到生物特征认证。其持续监控视觉注意力和认知负荷的能力使其成为客观测量工具。然而，该领域机器学习模型的进展受到缺乏标准化、标注化且具有临床可靠性数据集的制约。

以临床标准采集眼动追踪数据需要大量的硬件基础设施和物理空间资源。测量系统要求具有高采样频率的设备，且必须在光线受控的实验室环境中运行，以最大限度减少光学信号干扰[1]。所获取的数据还会受到参与者的身体状况、注意力水平和生理特征的影响，从而导致系统噪声变量的出现[2]。与可图形化渲染的图像数据不同，视觉行为数据受限于模拟生物运动系统复杂动态的需求[3]。

数据短缺问题因隐私法规而进一步加剧。眼动追踪设备的数据流包含每个个体独特的运动特征，如最快速眼动追踪速度、微振动和注视扫描习惯。这些细节具有高度个人化特性，可用于识别人物身份，功能类似于生物特征指纹[4]。

为保护用户身份，研究者必须采取数据匿名化措施。然而，这无意中移除了眼动最重要的微信号。这一困境使得数据共享极其困难，从而阻碍了视觉分析AI模型的开发与训练。

合成视觉行为数据的创建提供了一种克服隐私壁垒和数据可扩展性限制的可行方案[5]。该过程支持扩展机器学习模型的训练集，从而改善泛化能力和传感器噪声处理能力[6]。然而，生成式模型的当前开发面临一个结构性挑战，要求系统同时满足两个相互对立的约束：生理真实性和算法合规性。

从生理角度看，当前的深度学习架构在捕捉眼系统微观时间动态和频谱特征方面存在局限。这些系统往往只能实现宏观统计相似性，在微运动水平上缺乏临床可靠性[7]。与此同时，数据生成过程受到注视点识别算法刚性机制的阻碍。独立模拟生理特征后再进行评估往往产生无法满足严格分类标准的输出数据[8]。这种情况要求范式转变：不再进行独立的数据生成，而必须将识别算法的评估机制直接作为目标函数嵌入系统，从一开始就指导数据合成过程。

该研究领域的进展目前受到两个不同但密不可分的方法学局限的阻碍。从实际角度来看，临床眼动追踪数据集的扩展因严格的生物特征数据隐私协议而受到很大限制，从而削弱了诊断机器学习架构的训练效能[9]，[10]。同时，当代生成式模型固有的结构性约束也引发了理论缺陷。具体而言，这些框架表现出一种根本性二元对立：它们要么以牺牲生物保真度为代价强制算法合规性，产生静态非生理输出，要么模拟自然变异性但不可避免地无法满足标准识别过滤器的离散分类阈值[11]。调和这些双重缺陷需要根本性的方法学范式转变。数据合成不应被视为孤立操作，目标识别算法的评估机制必须作为主要目标函数嵌入系统，从而从源头调控整个生成过程。

将上述集成生成过程应用于PeyeMMV等标准注视点识别算法时，引入了一道重要的数学障碍。在标准工作条件下，PeyeMMV作为前向函数运行，接收原始坐标数据并分析以提取注视事件。该算法使用两步空间过滤机制配合时间条件运行，受固定容差阈值 、 和 控制[12]。

该机制建立了具有阶梯函数结构的不连续分类空间。因此，阈值边界处的导数变为不确定或零，使得传统的基于梯度的优化方法在应用于逆数据生成问题时无效[13]。为解决此问题，本研究将PeyeMMV重构为自动评估目标函数，创建一个不适定逆问题。从算法角度看，一个有效的注视事件可以从无限多个不同坐标序列中插值得到。系统自然地倾向于通过生成完美收敛到静态位置的点序列进行优化，严格满足空间容差。然而，这种静态状态违反了生物现实，因为注视性眼动（FEM）持续发生。因此，逆问题严格地要求生成系统在确保算法合规的同时，准确复现人类运动系统的内在生理随机性和频谱漂移。

在已建立的理论基础上，本研究提出了一种新的方法学框架，以解决PeyeMMV逆问题的不连续目标函数空间。我们利用遗传算法（GA）作为无导数启发式搜索方法，通过选择、交叉和变异算子来导航注视过滤器的严格阈值边界。该架构的核心创新在于其进化参数优化技术。计算重心不再是插值静态空间坐标，而是微调粉噪生成器的结构参数。该机制直接控制模拟轨迹的角速度，确保输出数据完全满足算法条件，同时保持微振动的自然生理频谱密度。此外，该生成式模型的临床适用性通过ETDD70阅读障碍数据集上的合成训练-真实测试（TSTR）验证框架得到验证[14]，为视觉行为研究中的数据稀缺挑战建立了一种可行解决方案。

针对现有合成生成方法的局限性，本研究的主要贡献总结如下：

- 生理建模创新：我们提出了一种进化优化框架，解决了算法合规性与生理真实性之间的权衡问题。通过优化粉噪参数，该方法保留了人类注视行为的固有动态特性，克服了标准随机噪声生成导致的结构性离散。

- 生成架构的实现：我们设计了一种系统性方法，用于导航不连续搜索空间以合成临床注视轨迹。该框架应用离散数学约束，确保输出数据在保持空间几何的同时避免落入静态收敛。

- 下游效用验证：我们通过TSTR评估协议在五种分类架构上验证了合成数据的结构完整性。实证结果确认了类别边界的保持，特别是增强了边界敏感模型（如支持向量机（SVM））和非线性特征提取器（如多层感知器（MLP））的性能。

基于ETDD70数据集的实证评估表明，所提出的进化框架有效地调和了算法合规性与生理真实性之间的权衡。生成的轨迹成功保持了FEM特征性的 频谱密度，实现了功率谱密度（PSD）斜率为 ，并将Jensen-Shannon散度（JSD）最小化至0.22。此外，使用TSTR范式进行的临床验证确认了合成数据保持了必要的非线性类别边界。边界敏感分类器（如SVM）达到了0.7038的诊断准确率，显著优于随机和确定性基线模型。

本文其余部分组织如下。第2节综述了合成注视生成和无导数优化方面的相关工作。第3节建立了关于眼球生理学和注视检测计算约束的理论基础。第4节详细阐述了所提出的方法学框架，包括总体架构数据流水线、逆问题的数学形式化以及进化算法架构。第5节描述了实验设置和数据划分过程。第6节呈现了全面的评估结果和下游机器学习任务的临床验证。第7节讨论了合规性与真实性权衡的解决、应用规模和方法学局限。最后，第8节总结了本研究。

章节摘录

相关工作

人工视觉行为数据的创建和算法注视事件识别是计算机科学领域目前相互重叠的两个独立研究方向[7]。具体问题在于这两个领域之间缺乏同步：当前的数据生成模型往往难以满足识别算法的严格验证标准[7]。为解决这一瓶颈建立理论基础，本节聚焦于三个主要目标。

理论基础：眼球生理学与注视检测

生成眼动追踪数据需要在两个约束之间妥协：眼球生理特征与识别算法机制[19]。当模拟数据流必须满足计算机系统的严格定量标准，同时避免绝对静止以准确模拟人眼自然微运动时，技术冲突由此产生[26]。因此，构建一个匹配这两个因素的框架至关重要。

方法论

本节详细介绍了为解决PeyeMMV逆问题而设计的方法学框架。所提出的解决方案将连续的生理微运动与注视识别过滤器的不连续时空约束进行协调。

实验设置与超参数校准

实验过程旨在平衡算法合规性与人类眼睛的自然生理特征。为确保方法学透明度，实验设置分为数据集划分和三个顺序执行阶段，如图6所示。

检测率与空间离散度评估

图7可视化了三种评估框架生成的合成注视聚类的空间分布特征。对比分析突出了算法合规性与生理变异性之间的平衡。

算法合规性与生理真实性权衡的解决

实验结果表明，在进化优化循环中集成fBm有效地解决了PeyeMMV过滤器的逆问题。在空间过滤结构中，注视聚类内的坐标表现出内在数学依赖性；它们共同决定质心。传统合成方法无法充分建模这种依赖关系。具体而言，SGG产生无序的白噪声，违反了空间容差边界，导致

结论

本研究通过将注视轨迹合成表述为逆问题，解决了视觉行为研究中的数据稀缺挑战。我们提出了一种利用遗传算法优化fBm生成器参数的进化框架，从而导航标准眼动追踪过滤器的不连续空间阈值。

定量实证验证确认，所提出的方法有效地调和了算法合规性与生理真实性之间的权衡。与

数据和代码可用性

为支持开放科学，促进更广泛研究社区采用并确保研究结果的完全可复现性，所提出进化合成框架的完整Python包已公开可用。该仓库包含完整文档、示例执行流程（包括合成训练-真实测试验证流水线）、样本校准数据以及核心分形布朗运动生成器。该包及说明可在此访问：//github.com/MonTeamm/PeyeMMV-GAC

CRediT作者贡献声明

Thi Quynh Hoa Nguyen：撰写——审阅与编辑、撰写——原稿、可视化、验证、监督、软件、资源、项目管理、方法学、调查、资金获取、形式化分析、数据管理、概念化。Duy Hai Nguyen：可视化、验证、资源、数据管理、概念化。Gia Loc Tran：可视化、验证、监督、软件、资源、形式化分析、数据管理、概念化。

Thanh Ha Le：写作——利益冲突声明。作者声明，他们不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。Thi Quynh Hoa Nguyen｜Duy Hai Nguyen｜Gia Loc Tran｜Thanh Ha Le｜Thi Duyen Ngo