Eye-tracking-based human fatigue detection at traffic control centers suffers from an unavoidable problem of low-quality eye-tracking data caused by noisy and missing gaze points. In this article, the authors conducted pioneering work by investigating the effects of data quality on eye-tracking-based fatigue indicators and by proposing a hierarchical-based interpolation approach to extract the eye-tracking-based fatigue indicators from low-quality eye-tracking data. This approach adaptively classified the missing gaze points and hierarchically interpolated them based on the temporal-spatial characteristics of the gaze points. In addition, the definitions of applicable fixations and saccades for human fatigue detection is proposed. Two experiments are conducted to verify the effectiveness and efficiency of the method in extracting eye-tracking-based fatigue indicators and detecting human fatigue. The results indicate that most eye-tracking parameters are significantly affected by the quality of the eye-tracking data. In addition, the proposed approach can achieve much better performance than the classic velocity threshold identification algorithm (I-VT) and a state-of-the-art method (U'n’Eye) in parsing low-quality eye-tracking data. Specifically, the proposed method attained relatively stable eye-tracking-based fatigue indicators and reported the highest accuracy in human fatigue detection. These results are expected to facilitate the application of eye movement-based human fatigue detection in practice.

中文翻译：

---

用于交通控制中心人体疲劳检测的分层眼动追踪数据分析

交通控制中心基于眼动追踪的人体疲劳检测存在不可避免的问题，即由于嘈杂和缺少注视点而导致眼动追踪数据质量低下。在这篇文章中，作者通过研究数据质量对基于眼动追踪的疲劳指标的影响，并提出了一种基于层次的插值方法来从低质量的眼动追踪中提取基于眼动追踪的疲劳指标，从而进行了开创性的工作。数据。这种方法自适应地对丢失的凝视点进行分类，并根据凝视点的时空特征对它们进行分层插值。此外，还提出了适用于人体疲劳检测的注视点和扫视的定义。通过两个实验验证了该方法在提取基于眼动追踪的疲劳指标和检测人体疲劳方面的有效性和效率。结果表明，大多数眼动追踪参数受到眼动追踪数据质量的显着影响。此外，与经典的速度阈值识别算法（I-VT）和最先进的方法（U'n'Eye）相比，所提出的方法在解析低质量眼动追踪数据方面可以获得更好的性能。具体而言，所提出的方法获得了相对稳定的基于眼动追踪的疲劳指标，并报告了人类疲劳检测的最高准确度。这些结果有望促进基于眼动的人体疲劳检测在实践中的应用。结果表明，大多数眼动追踪参数受到眼动追踪数据质量的显着影响。此外，与经典的速度阈值识别算法（I-VT）和最先进的方法（U'n'Eye）相比，所提出的方法在解析低质量眼动追踪数据方面可以获得更好的性能。具体而言，所提出的方法获得了相对稳定的基于眼动追踪的疲劳指标，并报告了人类疲劳检测的最高准确度。这些结果有望促进基于眼动的人体疲劳检测在实践中的应用。结果表明，大多数眼动追踪参数受到眼动追踪数据质量的显着影响。此外，与经典的速度阈值识别算法（I-VT）和最先进的方法（U'n'Eye）相比，所提出的方法在解析低质量眼动追踪数据方面可以获得更好的性能。具体而言，所提出的方法获得了相对稳定的基于眼动追踪的疲劳指标，并报告了人类疲劳检测的最高准确度。这些结果有望促进基于眼动的人体疲劳检测在实践中的应用。与经典的速度阈值识别算法 (I-VT) 和最先进的方法 (U'n'Eye) 相比，所提出的方法在解析低质量眼动追踪数据方面可以获得更好的性能。具体而言，所提出的方法获得了相对稳定的基于眼动追踪的疲劳指标，并报告了人类疲劳检测的最高准确度。这些结果有望促进基于眼动的人体疲劳检测在实践中的应用。与经典的速度阈值识别算法 (I-VT) 和最先进的方法 (U'n'Eye) 相比，所提出的方法在解析低质量眼动追踪数据方面可以获得更好的性能。具体而言，所提出的方法获得了相对稳定的基于眼动追踪的疲劳指标，并报告了人类疲劳检测的最高准确度。这些结果有望促进基于眼动的人体疲劳检测在实践中的应用。