基于python 自写Tobii VI-T滤波器

官网参考文档

Tobii的默认注视点滤波器是I-VT，官方给出了参考文档《The Tobii I-VT Fixation Filter》。今天学习了一下，这里做个笔记。
主要看第三小节“The Tobii Studio implementation of the Tobii I-VT filter”的内容，简单概述I-VT滤波器的基本操作流程：内插fixations=>眼动位置确定=>降噪处理=>速度计算=>分类=>临近注视区合并。
整个流程的关键参数就在下面这张图中，下面分别介绍具体操作流程：

Gap fill-in interpolation

主要目的是将一些missing的fixations通过内插的方式填补上，关键的参数‘Max gap length’。为避免将一些由于被试眨眼，转头和遮挡等非采取误差导致数据填补，系统默认设置Max gap length小于正常眨眼的时间，一般为75mm。（通常2～6秒就要眨眼一次，每次眨眼要用0.2～0.4秒钟时间）
对于数据的填补就是简单线性内插即可。

Eye selection

相对很好理解，由于采集的两只眼的眼动信息，需要选取以哪只眼的fixations位置为准。可选择的有左右眼，以及平均。我们选择avarage就好，即两只眼都采集到数据时去两者位置的平均，只有一只眼时只取一只眼的数据。

Noise reduction

Tobii采用的non-weighted moving-average filter，也是一个很好理解的滤波方式，即连续取某一个时刻前N和后N个样本点，取平均位置。

$$y[n]=\frac{1}{2\ast N+1}\sum _{k=-N}^{N}x[n-k]$$
显然样本点的个数将直接影响fixations的位置曲线，样本点越多曲线越平滑，对应的眼动速度也越低。这样操作虽然能消除噪音的影响也会对影响数据准确度，所以需要合适选取数据。
采样时间间隔乘以N需要远小于眼跳的时间间隔。

相比均值降噪，中位数降噪能减少对过度区域的过平滑操作。

Velocity calculator

为方便分类阈值的设定，这里眼动速度一般采用视角，桌面式的眼动仪器因为知道被试与刺激物的纵向距离，视角便可以方便计算得到。

视角速度的计算就是两个注视点的距离除以一个时间间隔，其中window length需要进行合理设置，经验选取20ms可以有效降噪且避免打乱数据。

$$v_{t_1{t}_2}=\frac{\left|s_{t_1}-s_{t_2}\right|}{\left|t_1-t_2\right|}$$

I-VT classifier

接下来就是根据velocity threshold对注视点进行分类了，默认设置为30°/s。但是根据数据的信噪比，需要合理调整阈值。每秒的眼跳次数为2-5次，眼跳持续时间10-100ms，一次注视的时间约200-500ms，可据此检验阈值设置的可靠性。比如下图左侧，噪声较多，阈值需要设置大一些，右侧噪声少，阈值设当设置小一些。

Merge adjacent fixations

对于临近的注视点处理，主要基于三个参数:
max time between fixations: 75ms（大约75超过眼跳，应该时眨眼等行为）
max angle between fixations: 0.5°（小于这个数值，合并）
merge adjacent fixations: 60ms （小于一次注视的时长合并）
意思都很好理解了，提出的机理是根据文献中人的行为特点决定的，比如最后一个参数注视时长是人视觉观察物体，并提取关键信息所必须的最短时长。
至此便完成了对眼动数据的滤波处理。

官方文档

https://www.tobiipro.com/learn-and-support/learn/