如何进行网络摄像头眼动追踪研究
进行网络摄像头眼动追踪研究意味着使用标准计算机网络摄像头而非专用硬件来测量某人注视的位置。它可以被概念化为一个六个阶段的过程：决定要测量什么，将你的刺激与该测量相关联，选择校准方法，准备环境和参与者，在任务中收集注视数据，以及分析输出与该方法实际支持的内容。Labvanced的网络摄像头眼动追踪流程是迄今为止经过最严格基准测试的，达到了与研究级EyeLink 1000跟踪器相比1.2到1.4个视觉度的准确性(Kaduk et al., 2024)，足够接近以支持大多数关于注意力和视觉偏好的研究问题而无需硬件，尽管并非每个研究问题都适用。
这些阶段没有哪个是唯一属于任何一个平台的，尽管实施细节有所不同。下面的每个部分首先涵盖一般的方法论决策，然后指出Labvanced如何实施它。
网络摄像头眼动追踪工作流程
I. 决定要测量什么，以及网络摄像头眼动追踪是否适合你的问题
网络摄像头眼动追踪测量内容
围绕网络摄像头眼动追踪构建的研究通常记录以下一种或多种内容：
- 注视：某人注视的位置和持续时间
- 扫视：在注视点之间的快速移动
- 关注区域（AOI）分析：参与者是否以及注视定义区域的时间
- 注视路径：在刺激中的视觉关注序列
- 首次注视时间：刺激引起关注的速度
瞳孔大小技术上可以从一些网络摄像头管道中提取，但比起专用硬件可靠性要低得多，因此在网络摄像头研究中很少作为主要结果测量。
方法是否适合你的研究问题
方法是否适合特定的研究问题归根结底取决于它能提供的准确性。网络摄像头眼动追踪非常适合AOI和停留时间分析，注视计数，自由观看和视觉偏好范式，以及一般视觉注意模式。影响网络摄像头眼动追踪准确性的设计考虑阐明了该适配背后的已发布准确性数据，以及决定特定研究是否能达到这些水平的设计决策。
它不适合亚度数精度任务、扫视动态或密集文本中的字母级注视精度：与研究级硬件跟踪器相比的准确性差距是实实在在的，值得设计时考虑而不是假设以避免。
II. 将刺激与所需的注视数据关联起来
眼动追踪与刺激实际上是什么无关：图像、一块文本、一帧视频或一个实时界面都可以以相同的方式进行跟踪，因为该方法记录眼睛相对于屏幕的指向，而不是渲染在下面的内容。重要的设计决策是关注区域相对彼此的位置以及它们之间的空间间隔，因为屏幕上的准确性并不均匀，两个密集排列的AOI可能会导致临近边界的注视被错误地分配给错误的区域。
Labvanced的实现： 在眼动追踪任务中呈现刺激涵盖任何任务编辑器中对象类型如何在无需特殊配置的情况下变得可追踪，以及在接触任何眼动追踪设置之前，如何考虑刺激布局。
III. 选择校准方法
任何网络摄像头眼动追踪系统通过要求参与者注视一系列屏幕点来自我估算注视位置的校准映射。较长的程序和更多的点会产生更准确的映射，但校准也是研究中唯一需要参与者积极与系统互动而非简单关注任务的部分，因此长度是一个真实的权衡，影响疲惫和退出，而不是默认需要最大化的设置。合适的长度取决于你的AOI有多紧密：若设计中有许多小且距离较近的AOI，则需要长时间校准所买得的准确性；而若设计中有少数大且相互间隔较远的区域，则可以使用较短的校准。
校准长度设定了上限，但没有定义质量阈值的情况下，校准未收敛的参与者与校准成功的参与者在数据集中无法区分，而是被包含在内，而不是被提示重试或排除。在数据收集开始前设置一个可接受的最大校准误差，使其成为一个明确的标准，而不是一个假设。
Labvanced的实现： 如何选择眼动追踪校准设置是关于校准长度、点数、质量阈值以及你的研究所需的生理工具版本的决策指南。
IV. 准备环境和参与者
网络摄像头眼动追踪依赖面部追踪模型可靠地检测来自网络摄像头输入的面部和眼睛特征，因此多个环境因素在单个试验运行之前会实质性影响数据质量。背光会使参与者的面部轮廓模糊并减少模型所需的对比度；网络摄像头如果远离屏幕则会增加超出校准修正的误差；而会产生反射或涂有色彩或蓝光过滤涂层的眼镜，会扭曲到达摄像头的光线。这些要求并不罕见，它们与实验室为硬件眼动追踪器所管理的设置考虑属于同一类别，应用于研究者无法物理检查参与者的设置中。
Labvanced的实现： 参与者校准体验逐步介绍参与者看到的校准流程，包括上述的照明、眼镜以及网络摄像头放置等实际因素，以及参与者移位时会发生的情况。
V. 在任务中收集注视数据
记录注视数据
校准完成后，注视坐标被记录并与设计时定义的关注区域进行映射。根据研究设计，记录可以在整个任务中持续进行，或限制在特定的关注区域，仅在参与者注视定义区域时捕获，而非跨整个画面。注视也不是唯一值得捕获的通道：将其与其他行为或生理测量相结合，可以比仅仅注视位置更全面地描绘出参与者的反应。
Labvanced的实现： Labvanced中的眼动追踪数据输出展示了注视导出实际包含的内容，包括标记眨眼或未检测到脸部的每个样本置信值。使用形状作为关注区域（AOI）涵盖定义眼动记录的区域，使用多边形或SVG形状作为遮罩。Labvanced还能在同一任务中记录与眼动追踪相辅相成的通道：
- 鼠标追踪: 光标位置和移动轨迹
- 情感检测: 面部表情分类为情感标签
- 远程心率检测（rPPG）: 从网络摄像头视频流中估计心率
在会话中重新校准
对于较长或多块会话，在定义的点触发重新校准，而非依赖单个校准保持整个会话，可以保护免受位置和光照漂移的影响，这是任何远程、无人监督设置的一个实时方法论风险。
Labvanced的实现： 在任务中设置眼动追踪涵盖了每个任务的重新校准频率配置。
VI. 分析输出
网络摄像头的注视数据以时间序列方式导出，而不是每次试验一个值，因为注视位置每秒被记录多次，而不是一次。采样率受到浏览器处理网络摄像头帧速度的限制，通常在参与者的硬件下限于30到60 Hz之间。从原始的注视流中，支持大多数研究设计的度量是注视持续时间、对一个AOI的访问次数、首次注视时间和停留时间，这些都可以在R、Python或专用分析软件中进行计算。
Labvanced的实现： 记录和导出注视数据涵盖构建记录注视数据的事件以及你研究运行结束后的导出结果。
总结表
| 阶段 | 方法论决策 | Labvanced实现（参见上面链接的指南） |
|---|---|---|
| I. 测量内容 | 选择准确性上限实际上支持的测量（AOI、注视、停留时间），而非不支持的测量（扫视动态、亚度数精度） | 准确性和设计考虑页面 |
| II. 刺激和注视 | AOI间距比刺激类型更为重要 | 刺激呈现指南 |
| III. 校准 | 长度和点数在准确性与疲惫和退出之间权衡，定义的质量阈值决定哪些校准足够好用 | 校准设置指南 |
| IV. 环境和参与者 | 照明、网络摄像头放置和眼镜影响在任何试验运行前的特征检测 | 参与者校准体验指南 |
| V. 数据收集 | 在定义点重新校准以防止较长会话中的漂移 | 任务设置和注视记录指南 |
| VI. 分析 | 从时间序列导出计算注视持续时间、停留时间和相关度量 | 注视记录和导出指南 |