The eye movement analysis with hidden Markov models (EMHMM) method provides quantitative measures of individual differences in eye-movement pattern. However, it is limited to tasks where stimuli have the same feature layout (e.g., faces). Here we proposed to combine EMHMM with the data mining technique co-clustering to discover participant groups with consistent eye-movement patterns across stimuli for tasks involving stimuli with different feature layouts. Through applying this method to eye movements in scene perception, we discovered explorative (switching between the foreground and background information or different regions of interest) and focused (mainly looking at the foreground with less switching) eye-movement patterns among Asian participants. Higher similarity to the explorative pattern predicted better foreground object recognition performance, whereas higher similarity to the focused pattern was associated with better feature integration in the flanker task. These results have important implications for using eye tracking as a window into individual differences in cognitive abilities and styles. Thus, EMHMM with co-clustering provides quantitative assessments on eye-movement patterns across stimuli and tasks. It can be applied to many other real-life visual tasks, making a significant impact on the use of eye tracking to study cognitive behavior across disciplines.

使用隐马尔可夫模型 (EMHMM) 方法的眼动分析提供了眼动模式个体差异的定量测量。但是，它仅限于刺激具有相同特征布局（例如，面部）的任务。在这里，我们建议将 EMHMM 与数据挖掘技术联合聚类相结合，以发现在涉及具有不同特征布局的刺激的任务中具有一致眼动模式的参与者组。通过将这种方法应用于场景感知中的眼动，我们发现了亚洲参与者的探索性（在前景和背景信息或不同感兴趣区域之间切换）和聚焦（主要是看着前景，切换较少）的眼动模式。与探索模式的更高相似性预示着更好的前景物体识别性能，而与聚焦模式的更高相似性与侧卫任务中更好的特征集成相关。这些结果对于使用眼动追踪作为了解个体认知能力和风格差异的窗口具有重要意义。因此，具有联合聚类的 EMHMM 提供了对跨刺激和任务的眼动模式的定量评估。它可以应用于许多其他现实生活中的视觉任务，对使用眼动追踪研究跨学科的认知行为产生重大影响。这些结果对于使用眼动追踪作为了解个体认知能力和风格差异的窗口具有重要意义。因此，具有联合聚类的 EMHMM 提供了对跨刺激和任务的眼动模式的定量评估。它可以应用于许多其他现实生活中的视觉任务，对使用眼动追踪研究跨学科的认知行为产生重大影响。这些结果对于使用眼动追踪作为了解个体认知能力和风格差异的窗口具有重要意义。因此，具有联合聚类的 EMHMM 提供了对跨刺激和任务的眼动模式的定量评估。它可以应用于许多其他现实生活中的视觉任务，对使用眼动追踪研究跨学科的认知行为产生重大影响。