Revisitar el seguimiento ocular: Usando EEG para mayor precisión

El seguimiento del movimiento ocular ayuda a los investigadores a entender cómo piensan y se comportan las personas. Puede mostrar hacia dónde está mirando alguien, cuán cansado está y qué tan bien está realizando diferentes tareas. Tradicionalmente, la mayoría de los laboratorios usan rastreadores oculares basados en video de infrarrojos. Estos dispositivos utilizan luz infrarroja para hacer que la pupila del ojo se vea oscura, lo que ayuda a encontrar su centro. Aunque este método es preciso, tiene algunos problemas, como que necesita mucho tiempo para configurarse y la posibilidad de errores causados por las diferencias individuales en los ojos de las personas.

Otro método que se ha estudiado es el registro de señales cerebrales, específicamente a través de Electroencefalografía (EEG) y Electrooculografía (EOG). EOG registra señales alrededor de los ojos mientras que EEG mide la actividad cerebral. Aunque el seguimiento ocular basado en EEG es una idea antigua, no se ha utilizado ampliamente, principalmente porque requiere grabaciones simultáneas de seguimiento ocular y señales de EEG para ser precisas, además de experiencia y equipos especializados. Además, los datos de EEG pueden ser ruidosos, lo que dificulta lecturas precisas.

El objetivo principal de esta investigación es averiguar qué partes de las señales cerebrales son importantes para rastrear hacia dónde está mirando una persona y ver si podemos usar menos Electrodos para obtener buenos resultados. Queremos demostrar que es posible rastrear el movimiento ocular con precisión sin tener que usar una gorra de EEG grande y cara con muchos electrodos.

#Seguimiento Ocular con EEG

El seguimiento ocular ofrece información sobre cómo procesamos la información y tomamos decisiones. Los investigadores quieren saber qué llama nuestra atención y cómo cambia en función de condiciones como el cansancio o el estrés. Aunque el seguimiento de video infrarrojo es común, viene con desafíos como necesitar una configuración complicada y calibración para cada sesión. Estos desafíos han llevado a algunos investigadores a explorar el uso de señales de EEG como una solución más simple para rastrear movimientos oculares.

En estudios anteriores, ciertos métodos han mostrado promesas para usar datos de EEG y EOG para rastrear la dirección de la mirada. Algunos estudios han logrado clasificar tipos de movimientos oculares, como los sacádicos (movimientos rápidos de los ojos), con un nivel razonable de precisión. Nuevas técnicas de aprendizaje automático también han ayudado a que el seguimiento ocular con EEG sea más factible y preciso.

#Conjunto de Datos y Tareas

Para nuestra investigación, utilizamos el conjunto de datos EEGEyeNet, que consiste en datos de EEG y seguimiento ocular sincronizados. Este conjunto de datos proviene de tres tipos diferentes de experimentos, cada uno diseñado para desafiar la precisión del seguimiento de diferentes maneras. Las tareas incluyeron:

1. Tarea Izquierda-Derecha: Los participantes necesitan mirar hacia la izquierda o la derecha, y tenemos que determinar hacia qué dirección están mirando.
2. Tarea de Dirección: Esta tarea se centra en predecir el ángulo y la distancia de la mirada de una persona durante los movimientos oculares.
3. Tarea de Posición Absoluta: Aquí, el objetivo es identificar el punto exacto en la pantalla donde el participante está mirando.

En cada una de estas tareas, analizamos ventanas de un segundo de datos de EEG para clasificar o predecir la dirección de la mirada.

#Procesamiento de Datos de EEG

Empleamos dos tipos principales de procesamiento de datos para las señales de EEG. El primer método, llamado "Preprocesamiento Mínimo", utiliza algoritmos básicos para identificar y eliminar cualquier canal ruidoso y filtrar los datos. El segundo, "Preprocesamiento Máximo", lleva esto un paso más allá al eliminar ruido de las señales para enfocarse solo en las señales cerebrales. Este método implica técnicas más complejas, asegurando datos más limpios para el análisis.

#Importancia de los Electrodos

Para averiguar qué electrodos son más útiles para predecir el movimiento ocular, analizamos la contribución de cada electrodo a las predicciones del modelo. Encontramos que gran parte de la información importante se encontraba en los electrodos frontales de la gorra de EEG. También notamos que el electrodo central, conocido como Cz, también llevaba información útil.

Basándonos en estos datos, agrupamos electrodos en grupos para ver si podíamos reducir el número mientras manteníamos la precisión. Al usar solo 23 electrodos principalmente del área frontal, logramos resultados similares en comparación con usar todos los 128 electrodos de una gorra de EEG tradicional.

#Agrupación de Electrodos

Agrupamos electrodos para crear clústeres más pequeños, probando varios tamaños para ver qué tan bien funcionaban en el seguimiento de la mirada. Encontramos que incluso con solo 23 electrodos, los modelos entregaron resultados iguales o mejores en comparación con la gorra completa. Esto indicó que muchos otros electrodos no contribuyeron con información útil. Al reducir aún más a solo 2 o 3 electrodos, observamos buenos resultados para la tarea izquierda-derecha, pero el rendimiento cayó para las otras tareas.

#Datos Preprocesados Máximamente

Cuando analizamos datos con un preprocesamiento más avanzado, vimos resultados interesantes. Confirmamos que los electrodos frontales seguían siendo esenciales para la predicción de la mirada. Sin embargo, los datos preprocesados también revelaron que los electrodos colocados en la parte posterior de la cabeza se volvieron importantes para entender la dirección de la mirada también. Nuevamente, confirmamos que tener demasiados pocos electrodos perjudicaba el rendimiento.

Nos comprometimos nuevamente en un enfoque agrupado, enfocándonos tanto en electrodos frontales como occipitales. Al agrupar los electrodos según su importancia y cómo interactuaban con diferentes tareas, logramos identificar el conjunto más efectivo.

#Análisis de Frecuencia

Para entender mejor la relación entre los datos de EEG y los movimientos oculares, dividimos las señales en bandas de frecuencia. Definimos cuatro rangos específicos: Delta (1-4Hz), Theta (4-8Hz), Alpha (8-13Hz) y Beta (13-32Hz). Este análisis nos ayudó a darnos cuenta de que diferentes rangos de frecuencia contenían distintas cantidades de información útil para predecir Miradas.

Para los datos preprocesados máximamente, encontramos la mayor precisión en el rango Beta, mientras que para los datos preprocesados mínimamente, las frecuencias más bajas mostraban mejores resultados. Esta distinción sugiere que las frecuencias más bajas están relacionadas con artefactos oculares, mientras que las frecuencias más altas están más vinculadas a la actividad cerebral relacionada con los movimientos oculares.

#Conclusión

Este estudio destaca el potencial de usar menos electrodos para un seguimiento eficaz de la mirada a través de señales de EEG. Al centrarnos en las colocaciones correctas de los electrodos e implementar métodos de procesamiento de datos apropiados, es posible mantener la precisión mientras se simplifica significativamente la configuración.

Al centrar la mayor parte del procesamiento de señales en el área frontal, encontramos resultados alentadores, lo que sugiere que el seguimiento ocular basado en EEG puede avanzar con menor complejidad y costo. Los hallazgos también implican que a medida que continuemos recopilando mejores conjuntos de datos y mejorando los métodos de aprendizaje automático, el EEG tiene el potencial de convertirse en un enfoque práctico y accesible para el seguimiento ocular, proporcionando información sobre la cognición y el comportamiento humano en varios campos.

En el futuro, se deberían realizar estudios más detallados para explorar cómo diferentes patrones de movimiento afectan el rendimiento del seguimiento de la mirada, junto con una mayor investigación sobre los rangos de frecuencia óptimos para tareas más diversas.