User Identification via Free Roaming Eye Tracking Data

我们提供了一个新的数据集，包括“自由漫游”（FR）和“有目标漫游”（TR）：要求41名参与者在大学校园内漫步（FR）或在图书馆内寻找特定房间（TR）。使用Pupil Labs Neon 200Hz的普通可穿戴式眼动追踪器记录眼动。在这个数据集上，我们使用先前已知的机器学习流程进行用户识别的准确性，其中使用径向基函数网络（RBFN）作为分类器。我们的最高准确率为FR的87.3％和TR的89.4％。这应该与我们知道的最高准确率95.3％进行比较（在实验室环境中使用BioEye 2015比赛数据集的“RAN”刺激实现）。据我们所知，我们的结果是第一个研究非实验室环境中用户识别的结果；这些环境通常比实验室环境更可行，并且可能包括进一步的优势。每个记录的最短持续时间为FR 263秒和TR 154秒。我们的最佳准确度是在限制FR和TR分别为120秒和140秒时获得的，始终从轨迹的末尾剪切（对于训练和测试会话）。如果我们从开头剪切相同的长度，那么FR的准确率会降低12.2％，TR的准确率会降低约6.4％。在完整的轨迹上，FR和TR的准确率分别降低了5％和52％。我们还研究了包括更高阶速度导数（如加速度，急加速或急减速）的影响。

本文试图解决在非实验室环境下进行用户识别的问题，同时探究高阶速度导数对于用户识别的影响。

本文使用径向基函数网络（RBFN）作为分类器，对穿戴式眼动追踪仪记录的眼动数据进行分析，得到了87.3%（FR）和89.4%（TR）的最高准确率。同时，本文发现限制轨迹时长可以提高准确率。

本文提供了一个新的数据集，包含自由漫游（FR）和目标漫游（TR）两种情况下的眼动数据。实验使用了穿戴式眼动追踪仪记录数据，并探究了高阶速度导数对于用户识别的影响。实验结果表明，在非实验室环境下进行用户识别是可行的，并且限制轨迹时长可以提高准确率。

在相关研究方面，本文提到了BioEye 2015竞赛数据集中使用RAN刺激的最高准确率为95.3%。