Entendiendo los Movimientos Oculares en la Identificación Biométrica

Recientes avances en inteligencia artificial explicable (XAI) han estado investigando el uso de datos de seguimiento ocular para entender mejor cómo funcionan los modelos de redes neuronales profundas. Específicamente, esta investigación se centra en cómo los movimientos oculares pueden servir como información útil para la identificación biométrica. Los movimientos oculares incluyen diferentes tipos de eventos, como Fijaciones (cuando los ojos están quietos) y sacádas (movimientos oculares rápidos), que pueden proporcionar detalles importantes sobre cómo las personas prestan atención y reconocen información.

Mientras que estudios anteriores se han centrado en varios métodos para explicar los resultados de los modelos, ha habido una falta de análisis cuantitativos detallados en grandes conjuntos de datos. Este trabajo tiene como objetivo llenar ese vacío examinando los efectos de los eventos de seguimiento ocular y sus contribuciones a las predicciones del modelo. Al analizar la importancia de las sacádas y fijaciones, este estudio busca arrojar luz sobre qué partes de las secuencias de movimientos oculares son cruciales para las tareas de identificación.

#Eventos de Movimiento Ocular

Los movimientos oculares se pueden categorizar principalmente en dos tipos: fijaciones y sacádas. Las fijaciones ocurren cuando los ojos permanecen quietos en un punto específico por un tiempo, permitiendo la recolección de información. Las sacádas son movimientos rápidos que llevan los ojos de una fijación a otra. Estos eventos han sido estudiados extensamente en el campo del seguimiento ocular, y entender sus roles puede ayudar a mejorar los modelos de identificación biométrica.

En este trabajo, aplicamos algoritmos existentes para detectar fijaciones y sacádas dentro de los datos de seguimiento ocular. Al hacerlo, podemos evaluar cuantitativamente el impacto de estos eventos en la salida de los modelos de aprendizaje profundo utilizados para la identificación biométrica.

#Importancia de los Eventos de Mirada

Los estudios han demostrado que las redes neuronales profundas funcionan mejor cuando se les proporciona datos crudos, no procesados, en comparación con características ingenierizadas. Esta tendencia también es válida para el análisis de seguimiento ocular. Al usar los datos de velocidad de mirada en bruto, los investigadores han visto mejoras en el rendimiento para las tareas de identificación biométrica. Sin embargo, la naturaleza compleja de estas redes neuronales las hace difíciles de interpretar. Este es un problema crítico para aplicaciones médicas donde entender el razonamiento del modelo es necesario.

Para abordar este problema, los investigadores han desarrollado métodos para crear representaciones visuales de la importancia de las características llamadas mapas de saliencia. Estos mapas ayudan a identificar qué partes de los datos de entrada influyen significativamente en las predicciones del modelo. Sin embargo, estos métodos a menudo se centran en puntos de datos individuales y no proporcionan una comprensión general de cómo los eventos de movimiento ocular se relacionan con las decisiones del modelo.

#Influencia del Concepto

El método propuesto de "influencia del concepto" busca superar estas limitaciones al observar el efecto de eventos específicos de movimiento ocular en las salidas del modelo. En lugar de centrarse solo en interpretaciones a nivel de píxel, este enfoque cuantifica con qué frecuencia eventos de mirada específicos, como fijaciones y sacádas, se correlacionan con las predicciones del modelo a través de un conjunto de datos.

Para evaluar la influencia del concepto, comparamos segmentos de datos de movimiento ocular que están asociados con diferentes eventos para determinar cuán impactante es cada evento para las decisiones del modelo. Este método permite una comprensión más completa de la relación entre los tipos de movimiento ocular y las salidas del modelo.

#Datos y Métodos

Para llevar a cabo este estudio, utilizamos tres conjuntos de datos disponibles públicamente que contienen datos de seguimiento ocular. Cada conjunto de datos varía en términos del número de participantes y condiciones de grabación. Preprocesamos los datos para extraer características relevantes y aplicamos algoritmos establecidos para detectar fijaciones y sacádas. Además, desmenuzamos las sacádas en sub-eventos que representan diferentes fases de estos movimientos rápidos.

El objetivo principal aquí era examinar cómo estas varias fases del movimiento ocular influyen en las predicciones de un modelo de red neuronal entrenado para la identificación biométrica. Este modelo toma los datos de velocidad de mirada y genera la identidad probable del individuo según sus movimientos oculares.

#Resultados

Después de aplicar nuestros métodos, pudimos analizar las influencias de concepto tanto de fijaciones como de sacádas. Los datos mostraron que las sacádas tuvieron una influencia mucho mayor en las predicciones del modelo en comparación con las fijaciones. Específicamente, la fase pico de una Sacada resultó ser la parte más significativa, mientras que las fijaciones contribuyeron mucho menos en general.

También investigamos diferentes propiedades de las sacádas, como su duración y amplitud, para ver cómo estos factores afectaban su influencia en el modelo. Los resultados indicaron que las características específicas de las sacádas correlacionadas con su rendimiento en tareas de identificación varían entre diferentes conjuntos de datos.

#Discusión

A partir de nuestros hallazgos, es evidente que las sacádas juegan un papel crucial en las tareas de identificación biométrica. Esta percepción puede mejorar cómo se entienden las redes neuronales profundas y podría llevar a un mejor rendimiento en aplicaciones del mundo real. La alta influencia de la fase pico de las sacádas resalta la importancia de enfocarse en partes específicas de las secuencias de movimiento ocular durante el análisis.

En contraste, las fijaciones no mostraron una influencia significativa a menos que tuvieran características únicas, como una alta dispersión. Esto sugiere que, si bien las fijaciones son menos influyentes en general, aún podrían proporcionar información útil en ciertas condiciones.

#Conclusión

Este estudio destaca el potencial de evaluar la influencia del concepto de eventos de movimiento ocular para entender modelos de aprendizaje profundo. Al enfocarnos en las contribuciones de las sacádas y sus sub-eventos, hemos obtenido valiosas percepciones sobre qué aspectos de los movimientos oculares son importantes para la identificación biométrica. Este trabajo sirve como una base para futuras investigaciones sobre la explicabilidad en modelos que utilizan datos de mirada. Al integrar las capacidades de redes neuronales de alto rendimiento con percepciones interpretables del análisis de movimiento ocular, podemos avanzar en el desarrollo de modelos que sean tanto precisos como explicables.

El trabajo futuro debería continuar explorando la relación entre varios tipos de movimientos oculares y las salidas del modelo, mejorando potencialmente la comprensión de cómo funcionan estas redes neuronales en escenarios del mundo real.