A model-based fusion technique for ocular motion sensing
Notice bibliographique
Résumé
Electrooculography (EOG) uses an electrical signal that records the cornea-retinal \ndifferential potential of the eyeball, which is linearly proportional to the eye movement. \nIn EOG, the electrodes placed in the outer canthus and lateral frontalis record \nthe horizontal and vertical eye movements. A main challenge in these signals is \nthat the eye movement information is compressed in the 0-35Hz range of the full \nspectrum of the recording (0-250/1000/2000Hz) depending on the dynamic range \nof the device. Moreover, these signals, like any other bio-signals, are contaminated \nheavily by artifacts and noises such as electroencephalography (EEG), eye-lid motions, \nillumination drift, skin drift, impedance drop of electrode, eye blinks, head \nmovements, and DC drift. Researchers have attempted to addressing these issues \nusing traditional techniques, including finite impulse response (FIR) filters, morphological \nfilters, time series motifs and wavelet-based approaches. However, most \nof these approaches have not been able to improve the performance significantly \nwithout compromising other features of the system such as the computational cost, \nreal-time performance and time lag. This thesis presents a model-based fusion \ntechnique for ocular motion sensing to improve the signal quality. The developed \napproach is tested with five different model-based approaches (Brownian, constant \nvelocity, constant acceleration, Westheimer, and linear reciprocal). Among these, \nthe approach based on the linear reciprocal human eye model show a significant \noverall improvement in the signal(500-700% improvement in SNR w.r.t. FIR and \n40-50% decrement in computational cost). Therefore, it is concluded that the approach \nbased on the linear reciprocal model provides the best fit in the implementation \nof high quality eye tracking systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».