本文利用同时测量的脑电图 (EEG) 和眼动数据集，提出了一种可解释的基于关注机制的深度学习框架用于估计眼球注视方向，通过对结果的分析可见该方法在准确性和鲁棒性方面优于现有方法，并提供了解释和强调注意力机制在 EEG 数据分析中提高效率和有效性的潜力。

Aug, 2023

通过脑活动识别和重建我们所看到的内容，可以深入研究生物视觉系统如何代表世界。本文介绍了 EEG-ImageNet，一个包括从 16 名受试者记录的来自 ImageNet 数据集中的 4000 个图像的新颖 EEG 数据集，该数据集为目标分类和图像重建建立了基准。实验结果表明该数据集有助于推动基于脑电图的视觉脑 - 计算机界面，理解生物系统的视觉知觉，并在改进机器视觉模型方面有潜在应用。

Jun, 2024

提出了一种利用视频数据集和图像相结合的方法，通过学习用户注视与眼部外形之间的联系来提高眼动追踪的精度，实现基于网络摄像头的高准确度屏幕眼动追踪，不需要标记的数据并且通过视觉刺激和眼部图像信息融合可以达到监督式个性化的效果。

Jul, 2020

我们提出了 MPIIGaze，包括 213659 个人的实验数据，并对现有的三个数据集进行了广泛的评估，研究了目标视线范围、光照条件和面部外观变化等关键挑战，提出了第一种深度外观估计方法 GazeNet，并将平均误差从 13.9 度提高到 10.8 度，这是当前技术水平的改进。

Nov, 2017

介绍了一种名为 DETRtime 的新框架，该框架利用 EEG 数据而无需额外记录眼球跟踪模式，实现了时间序列的分割，实现了多种眼球跟踪实验范式的最新最优性能，同时在 EEG 睡眠阶段的分割任务中得到了良好的泛化表现。

Jun, 2022

通过收集 GW 数据集（该数据集包括眼部运动、头部角速度、眼睛和场景图像），训练和评估了两种机器学习算法（随机森林和递归神经网络模型），用于眼睛运动分类（如注视、眼球、追踪）。分类器实现了近似于人类检测注视和眼球运动的 90％的性能，但在检测追踪运动时则低于 60％，并且追踪分类在没有头部运动信息的情况下更低。最佳模型对特征的显着性分析显示，分类不需要头部和眼睛跟踪坐标系的空间对齐。

May, 2019

收集了 20 种不同 Atari 视频游戏中 117 小时的人类行为与眼动同时记录的大规模高质量数据集，引入了一种新形式的游戏玩法，演示了预测人类注视和模仿人类表现动作的应用，并证明指导学习中加入人类注视行为可以提高游戏性能，这凸显了在决策制定过程中加入人类视觉注意力的重要性与本数据集对视觉注意力、模仿学习和强化学习研究领域的价值。

Mar, 2019

这篇综述论文回顾了 AIS 2024 基于事件的眼动追踪（EET）挑战赛，该挑战聚焦于处理使用事件相机记录的眼动并预测眼睛的瞳孔中心，通过此挑战激励高效的眼动追踪与任务准确度和效率之间的权衡，同时回顾和分析了参赛者提交的挑战简报中的创新和多样化方法，以促进未来基于事件的眼动追踪研究的发展。

Apr, 2024

本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

Mar, 2019

本研究验证了以前出版论文的研究结果，并展示了基于脑电图的凝视估计的可行性，通过使用数据驱动方法，我们证明在模型表现略微下降的情况下，可以显著减少电极数量，从而不需要高密度昂贵的 EEG 帽就可以完成 EEG 基础的凝视追踪。我们确定了哪些电极簇对凝视估计有影响，以及不同类型的 EEG 数据预处理对模型性能的影响，并最终检查了记录的频率对所定义任务最重要的方面。

Feb, 2023