Towards Single-Channel & Single-Cycle EOG Based Multi-Directional Eye Tracking in Wearable System
Notice bibliographique
Résumé
Electrooculography (EOG) is a promising bioelectrical technique for tracking ocular motion, offering substantial potential in Human-Computer Interaction (HCI) and wearable assistive technologies. However, existing EOGbased interfaces often rely on two-channel configurations, which increase hardware complexity, power consumption, and user discomfort. To overcome these challenges, this study investigates the feasibility of single-channel EOG acquisition for robust direction classification using single-cycle EOG signals, enabling decision-making shorter than human reaction time. EOG data were recorded from multiple participants under controlled laboratory conditions using standard two-channel setup. Horizontal and vertical channel data were isolated and analyzed independently to emulate single-channel operation. Nine distinct eye movement classes were classified using machine learning models trained on single-cycle segments. Feature extraction incorporated both statistical and gradientbased descriptors to enhance the classification performance. Our approach demonstrated accuracy, precision, recall & F1score of <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\sim 83 \%$</tex> for both the vertical and horizontal configurations, with a latency of 27 ms. Despite using only half the number of electrodes, the model effectively captured the dynamics of diverse eye movements, demonstrating that singlechannel EOG can retain robust performance while substantially simplifying system architecture. This single-cycle, singlechannel paradigm offers fast, low-latency response and minimal electrode usage, making it well suited for next-generation wearable and real-time control interfaces.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».