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 = ∣ s t 1 − s t 2 ∣ ∣ t 1 − t 2 ∣ v_{t_{1} t_{2}}=\frac{\left|s_{t_{1}}-s_{t_{2}}\right|}{\left|t_{1}-t_{2}\right|} vt1​t2​​=∣t1​−t2​∣∣st1​​−st