Métricas de los Eye – Tracker que se usan en Terapias para Individuos con
Trastorno del Espectro Autista: Revisión Sistemática de la Literatura.
Hillary
Pierina Maiquiza Mero
Universidad Técnica
de Manabí, UTM
Portoviejo, Manabí,
Ecuador
Leticia Vaca –
Cardenas
Universidad Técnica
de Manabí, UTM
Portoviejo, Manabí,
Ecuador
DOI: https://doi.org/10.56124/encriptar.v7i14.001
Resumen
Actualmente
múltiples dispositivos ayudan a mejorar la calidad de vida de sus usuarios, más
aún cuando ellos tienen características personalizadas para personas con autismo.
El trastorno del espectro autista (TEA) es un trastorno neurobiológico del
desarrollo que afecta la comunicación, la interacción social y el
comportamiento, existen terapias para individuos con TEA que se realizan
utilizando elementos como los eye – tracker. El eye – tracker es un dispositivo
diseñado para medir y registrar los movimientos oculares de un individuo por
medio de métricas, las cuales proporcionan información detallada sobre el
comportamiento visual. Para ellos se analizan los patrones de seguimiento
ocular, que se refieren a los movimientos característicos que los ojos de un
individuo siguen al explorar y procesar visualmente un estímulo o una escena.
Este documento recopila los patrones de seguimiento ocular y las métricas que
usan los eye – tracker en terapias para individuos con trastorno del espectro
autista. Para ello se ha aplicado una metodología de revisión sistemática de la
literatura (SLR), basada en una búsqueda exhaustiva en bibliotecas científicas
del campo de la informática .En los resultados se destacan las métricas usadas
por los eye – tracker en la mayoría de las terapias para individuos con el TEA,
que están fundamentadas en las fijaciones, los movimientos sacádicos y
movimientos suaves, además se recalcan los algoritmos basados en inteligencia
artificial (IA) que los softwares del eye – tracker utilizan para analizar los
datos que se obtienen a partir de las métricas.
Palabras clave: Métricas eye – tracker; patrones de
seguimiento ocular; algoritmos eye – tracker; TEA eye – tracker; eye – tracker
autismo.
Eye – Tracker Metrics used in Therapies for Individuals with Autism
Spectrum Disorder: Systematic Review Literature.
ABSTRACT
Currently, multiple devices help improve their users'
quality of life, even more so when they have personalized features for people
with autism. Autism spectrum disorder (ASD) is a neurobiological developmental
disorder that affects communication, social interaction and behavior; there are
therapies for individuals with ASD that are performed using elements such as
eye-tracker. The eye-tracker is a device designed to measure and record an
individual's eye movements using metrics, which provide detailed information
about visual behavior. For this purpose, eye-tracking patterns are analyzed,
which refer to the characteristic movements that an individual's eyes follow
when exploring and visually processing a stimulus or a scene. This paper
compiles eye tracking patterns and metrics used by eye – trackers in therapies
for individuals with autism spectrum disorder. For this, a systematic
literature review (SLR) methodology has been applied, based on an exhaustive
search in scientific libraries of the informatics field. The results highlight
the metrics used by eye-tracker in most therapies for individuals with ASD,
which are based on fixations, saccadic movements and smooth movements, as well
as the artificial intelligence (AI)-based algorithms that eye-tracker software
uses to analyze the data obtained from the metrics.
Keywords:
Eye – tracker metrics; eye tracking patterns; eye – tracker algorithms; eye
– tracker ASD; eye – tracker autism.
1.
Introducción
El TEA (trastorno del espectro autista) es
un conjunto de trastornos del neurodesarrollo que se caracterizan por mostrar
alteraciones constantes en 1) el área socio – comunicativa y 2) el área de los
intereses fijos y conductas repetitivas (Sanromà-Giménez
et al., 2018), el
origen de esta condición es desconocida, por lo que se han desarrollado teorías
que estudian su etiología desde diferentes puntos de vista como la biología,
la psicología, la cognición y la
neurodiversidad (Serrano
Baraja, 2022). Las personas con TEA
expresan sus emociones y socializan de manera diferentes a las personas
neurotípicas, por lo que se busca vías de solución por medio de la tecnología.
Simuladores de realidad virtual en conjunto con herramientas tecnológicas como
el eye – tracker se usan para establecer ambientes terapéuticos beneficiosos para la
estimulación de los individuos con TEA (Sanchez,
2022).
El eye – tracker es una tecnología que permite elegir objetivos en
una pantalla usando solo los ojos (ES,
s/f), para procesar los datos emplea un software que permite la
configuración de los estímulos, calibrado de las métricas y registro de los
resultados (Martínez,
2021). Las métricas pueden aplicarse en distintos aspectos dependiendo
del tipo de análisis, las más comunes se basan en fijaciones como: número de
fijaciones, duración de la fijación, duración total de la fijación, tiempo
hasta la primera fijación, densidad de fijación y repetición de fijaciones (Borys
& Plechawska-Wójcik, 2017).
Actualmente existen diversos trabajos publicados en contexto,
donde han utilizado las métricas del dispositivo eye – tracker en terapias para
individuos con TEA, en 2012 en Dallas se realizó un estudio para evaluar la
atención de niños con TEA (Sasson
& Elison, 2012) a imágenes
afectivas, en 2018 (Yaneva
et al., 2018) realizo un
estudio para detectar el autismo en individuos mediante la obtención de datos
de tareas relacionadas con la web, en 2015 en Pensilvania (Chevallier
et al., 2015) a través
de un estudio midió la atención social y la motivación de individuos con TEA
mediante tareas de “exploración visual estática” la cual mostraba imágenes de
objetos y personas que no se movían, de “exploración visual dinámica” en la
cual reproducían videoclips de caras y objetos en movimiento y “exploración
visual interactiva” en el cual mostraban videoclips de niños jugando juntos.
Desde esta dirección se exponen varios trabajos que presentan
cuales son las métricas y los algoritmos del dispositivo eye – tracker. Desde
este punto de vista, el propósito de este trabajo es realizar una revisión
sistemática de la literatura científica que permita determinar cuáles con los
patrones de seguimiento ocular, métricas y algoritmos que usan los eye –
tracker en terapias para individuos con trastorno del espectro autista.
2.
Metodología
Para efectuar el estudio, se ejecutaron seis pasos: (1)
Fijar las preguntas de investigación; (2) indagar los documentos pertinentes;
(3) escoger los estudios; (4) examinar los resúmenes y extraer palabras clave y
datos; (5) mapear los estudios primarios seleccionados y (6) presentar los
resultados. (Vaca-Cardenas
et al., 2020).
2.1 Preguntas de Investigación
Para delimitar la investigación se establecieron preguntas de
investigación (RQs), orientados a los objetivos de este estudio, las cuales se
presentan a continuación:
RQ1: ¿Cuáles son las métricas que usa
el eye – tracker en terapias para individuos con trastorno del espectro
autista?
RQ2: ¿Cómo se utilizan las métricas de
eye – tracker en la evaluación de individuos con trastorno del espectro
autista?
RQ3: ¿Cuáles son los patrones de
seguimiento ocular y los algoritmos que usa el dispositivo eye – tracker?
RQ4: ¿Qué patrones o diferencias en las
métricas del eye – tracker se han observado en individuos con TEA en
comparación con poblaciones neurotípicas?
2.2 Criterios de Inclusión y Exclusión
En la selección de los estudios se consideraron los títulos y resúmenes respectivos denotando criterios de inclusión y exclusión que se observan en la Tabla 1:
Tabla 1. Criterios de Inclusión y exclusión
|
Criterios de Inclusión |
Criterios de Exclusión |
|
Artículos de revista. |
Artículos publicados antes del 2005. |
|
Articulos publicados desde 2006. |
Investigaciones no publicadas. |
|
Estudios relacionados con el uso del
eye – tracker en individuos con TEA. |
Articulos no relacionados con el uso
del eye – tracker en individuos con TEA. |
|
Estudios relacionados con las métricas
del eye – tracker. |
Artículos no relacionados con las
métricas del eye – tracker. |
|
Estudios relacionados con los
algoritmos del eye – tracker. |
Artículos no relacionados con los
algoritmos del eye – tracker. |
|
Estudios en idioma inglés, portugués o
español. |
Tesis. |
2.3 Bibliotecas Digitales y Cadenas de Búsqueda
Se tomaron en cuenta las siguientes bibliotecas digitales para
llevar a cabo el SLR: ACM Digital Library, Directory of Open Access Journals,
Google Scholar, IEEE Digital Library y Science@Direct; dado que ofrecen una
amplia variedad en el ámbito de la ingeniería y mantiene una base de datos
completa, la búsqueda inicial se hizo utilizando palabras claves con los
siguientes términos: 1) eye – tracker metrics, 2) eye tracking patterns, 3) eye – tracker algorithms, 4) eye – tracker
ASD, 5) eye – tracker autism.
Se elaboro la cadena de búsqueda a partir de los términos
anteriores, dando la siguiente formulación: ("Metrics eye –
tracker" AND "Eye – tracker ASD" OR "Eye – tracker
autism" OR "eye tracking patterns") AND ("Algorithms eye -
tracker"), la cual fue utilizada en el título,
resumen y palabras clave en un intervalo de búsqueda que abarca desde 2006 y
2022.
3. Resultados
3.1 Análisis e
interpretación de los resultados y discusión
Los
resultados de la búsqueda inicial realizada aplicando la cadena de búsqueda en
cada una de las bibliotecas digitales se muestran en la tabla 2.
Tabla 2.
Resultados de la
Búsqueda Inicial
|
Suggested String |
Database |
Results |
|
("Metrics
eye - tracker" AND "Eye – tracker ASD" OR
"Eye – tracker autism" OR "Eye tracking patterns")
AND ("Algorithms eye – tracker") |
ACM Digital – Library. |
201,400 |
|
Directory of
Open Access Journals. |
169 |
|
|
Google Scholar. |
18,150 |
|
|
IEEE Digital Library. |
274 |
|
|
Science@Direct |
1,959 |
Al
emplear los criterios de inclusión y exclusión y descartar estudios que no se
alineaban con nuestros objetivos se obtuvieron los resultados mostrados en la
Tabla 3:
Tabla 3. Resultados de la
Aplicación de Criterios de Inclusión y Exclusión
|
Bibliotecas digitales |
Artículos identificados |
Total, luego de aplicación de criterios de
inclusión y exclusión |
Total, luego de depuración de artículos no
relacionados |
|
ACM Digital Library |
201,400 |
20 |
17 |
|
Directory of
Open Access Journals |
169 |
17 |
12 |
|
Google Scholar |
18,150 |
9 |
4 |
|
IEEE Digital Library |
274 |
9 |
5 |
|
Science@Direct |
1,959 |
6 |
5 |
Los resultados se pueden observar en la Figura 1 que
ilustra los trabajaos adquiridos durante la búsqueda inicial, aplicando los
criterios en cada biblioteca.
Figura 1. Artículos por fuente
3.2 Análisis de la Búsqueda
Tabla 4. Análisis de los articulos seleccionados y
principales contribuciones
|
Nombre del artículo |
Métricas que utiliza |
Patrones de seguimiento ocular y/o algoritmos |
Contribución |
|
A
multidimensional approach to the study of emotion recognition in autism
spectrum disorders (eXavier
et al., 2015) |
·
Movimientos
sacádicos. ·
Duración
de las fijaciones. ·
Áreas
de interés |
· Sacadas como índice de movimientos oculares. · Fijaciones como índice de estabilidad ocular. · Algoritmos de regresión lineal. |
·
Uso
del eye – tracker para la exploración de procesamiento de emociones a través
de estímulos visuales, auditivos y bimodales. |
|
A Review of
early detection autism based on eye – tracking and sensing technology (Taha Ahmed
& Jadhav, 2020) |
·
Fijaciones.
·
Sacadas.
·
Persecuciones
suaves. ·
Áreas
de interés |
· Algoritmos de aprendizaje automático (machine Learning). |
· Uso del eye – tracker para la detección temprana
del trastorno del espectro autista (TEA) mediante estímulos visuales. · Uso del eye – tracker para analizar los patrones
de mirada de los niños con TEA. |
|
A systematic
literature review on the usage of eye – tracking in software engineering (Sharafi, Soh, et al., 2015) |
·
Áreas
de interés. ·
Recuento
de fijaciones. ·
Duración
media de la fijación (AFD). ·
Tiempo
de la fijación (TD). ·
Índice
de fijación (FR). ·
Número
de sacadas. ·
Duración
de sacada. ·
Ruta
de exploración. |
· Fijaciones como estabilizador de la mirada. · Sacadas como movimientos entre fijaciones. · Algoritmos de regresión. |
· Uso del eye – tracker en áreas de interés para
evaluar la atención de las personas con TEA. |
|
An eye
localization tracking and blink pattern recognition system: algorithm and
evaluation (Wu &
Trivedi, 2010) |
·
Fijaciones
·
Sacadas
·
Parpadeos
|
· Algoritmos de árboles binarios. · Modelos gaussianos. · Modelos bayesianos. · Algoritmos de aprendizaje automático. |
· Utilización de diferentes algoritmos y modelos
para evaluar la detección de parpadeo. |
|
Analogical
reasoning in children with autism spectrum disorder: evidence from an eye –
tracking approach (Tan
et al., 2018) |
·
Áreas
de interés. ·
Duración
de la fijación. ·
Rutas
sacádicas (secuencia de fijación). |
· Herramienta Scanpath MATLAB. · Regresiones jerárquicas. |
· Uso del eye – tracker para examinar el
razonamiento analógico en niños con TEA · Implementación de tareas de analogías. · Desarrollo de pruebas prácticas, de comparación,
mapeo cruzado y mapeo de objetos. |
|
Analysis of
neural correlates of saccadic eye movements (Tauscher
et al., 2018) |
·
Sacadas.
·
Fijaciones. |
· Algoritmos de aprendizaje automático. · Modelos gaussianos. |
· Combinación de la electroencefalografía y el eye
– tracker para clasificar los movimientos sacádicos. |
|
Application of
eye – tracking in research on the theory of mind in ASD (Rosa, 2022) |
·
Duración
de la fijación. ·
Movimientos
sacádicos. ·
Dilatación
de la pupila. |
· Patrones basados en fijaciones. · Patrones basados en sacadas. |
· Uso del eye – tracker para evaluar el
comportamiento de la mirada de individuos con TEA frente a rostros humanos. |
|
Bayesian
identification of fixations, saccades, and smooth pursuits (Santini
et al., 2016) |
·
Duración
de la fijación. ·
Movimientos
sacádicos. ·
Persecuciones
suaves. |
· Algoritmo de identificación de la teoría
bayesiana de la decisión (I – BDT). |
· Algoritmo I – BDT con el dispositivo eye –
tracker para identificar fijaciones, sacadas y persecuciones suaves en tiempo
real. |
|
Brightness and
motion-based blink detection for head – mounted eye trackers (Appel
et al., 2016) |
·
Parpadeos. ·
Sacadas.
·
Fijaciones. |
· Algoritmos de detección de pestañeo. |
· Algoritmo basado en el brillo y movimiento en
tiempo real para la detección de parpadeos y mejorar los estudios que se
realizan en individuos con TEA. |
|
Design of a
virtual reality based adaptive response technology for children with autism (Lahiri
et al., 2013) |
·
Diámetro
de la pupila (PD). ·
Frecuencia
de parpadeo (BR). ·
Duración
de la fijación (FD). |
· Patrones basados en fijaciones. · Diseño de tareas basado en realidad virtual. |
· Uso del eye – tracker usando realidad virtual
(VR) para evaluar el desempeño de tareas interactivas en individuos con TEA. |
|
Developing an
eye – tracking algorithm as a potential tool for early diagnosis of autism
spectrum disorder in children (Vargas-Cuentas et al., 2017) |
·
Duración
de fijación. ·
Frecuencia
de parpadeo. ·
Movimientos
sacádicos. |
· Algoritmos de detección de parpadeo. · Algoritmos basados en decisión de MATLAB |
· Implementación de algoritmo de detección
mirada/seguimiento en tableta para evaluar la preferencia de la mirada de
niños con TEA y niños con desarrollo típico (TD). |
|
Development and
validation of objective and quantitative eye – tracking based measures of
autism risk and symptom levels (Frazier et al., 2018) |
·
Recuento
de fijaciones. ·
Porcentaje
de duración de la fijación. ·
Duración
de la primera fijación. ·
Duración
media de la fijación. |
· Patrones basados en fijaciones. · Algoritmos de detección de fijaciones. |
· Uso del eye – tracker para evaluar pacientes con
TEA y realizar seguimientos de los niveles de síntomas de autismo. |
|
Ego – Motion
compensation improves fixation detection in wearable eye – tracking (Kinsman
et al., 2012) |
·
Fijaciones
·
Sacadas
|
· Algoritmo de detección de fijación. |
· Uso de ego
– motion junto al algoritmo de detección de fijación. |
|
Emotional vs.
Neutral exploration and habituation: an eye – tracking study of preschoolers
with autism spectrum disorders (Bochet
et al., 2021) |
·
Áreas
de interés. ·
Tiempo
de duración de la fijación. ·
Número
de fijaciones. ·
Duración
de la primera fijación. |
· Patrones basados en fijaciones. |
·
Uso
del eye – tracker para la exploración del procesamiento facial neutral y
emocional en niños con TEA en comparación a los niños con TD. |
|
Eye tracking
algorithms, techniques, tools, and applications with an emphasis on machine
learning and internet of things technologies (Klaib
et al., 2021) |
·
Posición
del ojo. ·
Duración
de las sacadas. ·
Tamaño
de la pupila. ·
Duración
de la fijación. |
· Algoritmos de machine Learning. · Algoritmos de detección de pupila. · Algoritmos para filtrado de datos. |
· Algoritmos que usan los eye – tracker para los
estudios del seguimiento ocular. |
|
Eye tracking
metrics in software engineering (Hauser
et al., 2018) |
·
Áreas
de interés. ·
Duración
de la fijación. ·
Sacadas. ·
Rutas
de exploración. |
· Algoritmos de detección de fijaciones. · Algoritmos de detección de sacadas. |
· Explicación de las métricas que se usan en
estudios de movimientos oculares. |
|
Eye – tracking
metrics in software Engineering (Sharafi,
Shaffer, et al., 2015) |
·
Fijaciones. ·
Sacadas.
·
Dilatación
de la pupila. ·
Ruta
de exploración ·
Áreas
de interés. |
· Algoritmos de machine Learning. · Patrones basados en fijaciones. · Patrones basados en movimientos sacádicos. |
· Ingeniería de software y el eye – tracker para
estudios de procesos cognitivos · Eye – tracker para monitorizar la atención visual
a través de los datos de los movimientos oculares. |
|
Fixation
Detection for head – mounted eye tracking based on visual similarity of gaze
targets (Fixation
detection for head-mounted eye tracking based on visual similarity of gaze
targets | Proceedings of the 2018 ACM Symposium on Eye Tracking Research
& Applications, s/f) |
·
Duración
de la fijación. ·
Movimientos
sacádicos. ·
Áreas
de interés. ·
Ruta
de exploración. |
· Algoritmos de detección de fijaciones. · |
· Método para detección de la fijación
independiente del movimiento del usuario u objeto de la mirada, permanece
igual durante una fijación. |
|
Fixation
identification in dynamic scenes: comparing an automated algorithm to manual
coding (Munn et al., 2008) |
·
Fijaciones
·
Sacadas
·
Persecuciones
suaves. |
· Algoritmos de identificación de fijaciones. · Algoritmos basados en velocidad. · Algoritmos basados en dispersión. |
· uso de puntos de referencia (POR) en los métodos basados
en velocidad. · Umbral de identificación de velocidad (I –
VT). |
|
Fixation –
image charts (Kurzhals et al., 2016) |
·
Duración
de la fijación. ·
Áreas
de interés. ·
Sacadas
·
Persecuciones
suaves. |
· Algoritmos de detección de fijaciones. |
· Nuevo diseño para visualización. |
|
Histogram of
oriented velocities for eye movement detection (Fuhl
et al., 2018a) |
·
Fijaciones. ·
Movimientos
sacádicos. ·
Persecuciones
suaves. |
· Algoritmos de machine Learning. |
· Uso de Machine Learning para la detección de
movimientos oculares. |
|
How attention
to faces and objects changes over time in toddlers with autism spectrum
disorders: preliminary evidence from eye – tracking study (Muratori
et al., 2019) |
·
Duración
de la fijación. ·
Áreas
de interés |
· Patrones basados en fijaciones. |
· Eye – tracker para la comprensión de los patrones
visuales en niños con TEA |
|
Impact of
mainstream classroom setting on attention of children with autism spectrum
disorder: an eye – tracking study (Banire
et al., 2021) |
·
Tiempo
hasta la primera fijación (TTFF). ·
Duración
de la primera fijación (FFD). ·
Duración
media de la fijación (AFD). ·
Suma
del recuento de fijaciones (SFC). |
· Algoritmos de identificación de fijaciones. · Patrones basados en fijaciones. |
· Aula simulada de realidad virtual para analizar
el comportamiento de la mirada en niños con TD y TEA mediante el uso del
dispositivo eye – tracker. |
|
Investigating
attention in young adults with autism spectrum disorder (ASD) using change
blindness and eye tracking (Hochhauser
et al., 2021) |
·
Tiempo
hasta la primera fijación (TTFF). ·
Duración
total de la fijación (TFD). |
· Patrones basados en fijaciones. · Algoritmos de detección de fijaciones. |
· Detección de elementos visuales y comparación de
los tiempos de respuesta, las primeras fijaciones y el tiempo total de
fijación mediante el uso del eye – tracker. |
|
Modified DBSCAN
algorithm on oculomotor fixation identification (Li
et al., 2016) |
·
Fijaciones. ·
Sacadas. ·
Persecuciones
suaves. |
· Algoritmos de dispersión. · Algoritmo DBSCAN |
· Modificación del algoritmo DBSCAN para mejorar
los resultados de las sacadas. |
|
On
relationships between fixation identification algorithms and fractal box
counting methods (Wang
et al., 2014) |
·
Fijaciones. ·
Movimientos
sacádicos. ·
Ruta
de exploración. |
· Algoritmos de identificación de fijaciones. |
· Algoritmo de dispersión I – DT para identificar
las fijaciones en estudios de tareas cognitivas en población con TEA. |
|
Optimizing
fixation filters for eye – tracking on small screens (Trabulsi
et al., 2021) |
·
Áreas
de interés. ·
Sacadas. ·
Duración
total de la fijación (TFD). ·
Tiempo
hasta la primera fijación (TTFF). |
· Algoritmos de detección de fijaciones. · Patrones basados en el mapeo de la mirada. |
·
Métodos de seguimiento ocular para teléfonos
móviles. |
|
Patterns of
gaze behavior during an eye – tracking measure of joint attention in
typically developing children and children with autism spectrum disorder (Swanson &
Siller, 2013) |
·
Áreas
de interés. ·
Duración
de la fijación. |
· Algoritmos de detección de fijaciones. |
·
Estudios
de estímulos para medir la atención y evaluar las habilidades sociales entre
niños con TEA y TD utilizando el eye – tracker. |
|
Rapid
alternating saccade training (Rapid
alternating saccade training | Proceedings of the 2018 ACM Symposium on Eye
Tracking Research & Applications, s/f) |
·
Movimientos
sacádicos. ·
Duración
de la fijación. |
· Patrones de seguimiento ocular basados en
fijaciones. · Patrones basados en sacadas. · Machine Learning. |
· Tareas para detección de sacadas. |
|
Rapid face
orienting in infants and school – age children with and without autism:
exploring measurement invariance in eye – tracking (Dalrymple
et al., 2018) |
·
Áreas
de interés. ·
Tiempo
hasta la primera fijación (TTFF). ·
Duración
total de la fijación (TFD). |
· Patrones basados en fijaciones. |
· Tareas de seguimiento ocular que permite medir la
orientación hacia los rasgos faciales implementándola en grupos con distintos
niveles de TEA utilizando el dispositivo eye – tracker. |
|
Review and
evaluation of eye movement event detection algorithms (Birawo &
Kasprowski, 2022) |
·
Fijaciones. ·
Sacadas. ·
Persecuciones
suaves. |
· Algoritmos de detección de eventos. · Algoritmo basado en velocidad (I – VT). |
· Comparación de diferentes algoritmos: I – VT, CNN
(red neuronal convolucional), RF (bosques aleatorios). |
|
Review of eye
tracking metrics involved in emotional and cognitive processes (Skaramagkas
et al., 2023) |
·
Total
de números de fijaciones. ·
Duración
total de la fijación. ·
Números
de Sacadas. ·
Persecuciones
suaves. ·
Tamaño
de la pupila. ·
Parpadeos
radio. |
· Algoritmos de árboles binarios. |
· Estudios de atención visual en factores
cognitivos y afectivos de individuos. |
|
Rule – Based
learning for eye movement type detection (Fuhl
et al., 2018b) |
·
Fijaciones. ·
Sacadas. ·
Persecuciones
suaves. |
· Algoritmos de machine Learning. · Algoritmos de identificación por dispersión –
umbral (IDT). · Algoritmo de identificación por umbral de
velocidad (IVT). |
· Algoritmo IDT el cual usa dos umbrales, uno para
la duración máxima de la fijación y el otro para mínima. · Algoritmo IVT el cual identifica y clasifica por
medio de la velocidad métricas. |
|
Saccade landing
point prediction: a novel approach based on recurrent neural networks (Morales
et al., 2018) |
·
Fijaciones.
·
Sacadas. |
· Modelos de aprendizaje profundo (deep Learning) |
· Técnicas basadas en redes neuronales recurrentes. |
|
Saccadic
movements using eye – tracking technology in individual spectrum disorders:
pilot study (SciELO -
Brasil - Saccadic movements using eye-tracking technology in individuals with
autism spectrum disorders: pilot study Saccadic movements using eye-tracking
technology in individuals with autism spectrum disorders: pilot study,
s/f) |
·
Duración
media del movimiento sacádico. ·
Duración
del movimiento sacádico. ·
Tiempo
del punto de fijación. ·
Número
de fijaciones |
· Patrones basados en fijaciones. · Patrones basados en movimientos sacádicos. |
· Estrategias de exploración visual de individuos
con TEA mediante el uso del eye – tracker. |
|
Smooth – I:
smart re – calibration using smooth pursuit eye movements (Gomez &
Gellersen, 2018) |
·
Fijaciones.
·
Sacadas.
·
Persecuciones
suaves. |
· Patrones basados en fijaciones. · Patrones basados en movimientos sacádicos. · Patrones basados en persecuciones suaves. |
· Algoritmo Smooth – i: capaz de almacenar puntos
de calibración y actualizarlos de forma incremental al momento de que
identifica imprecisiones. |
|
The application
of eye – tracking technology in the study of autism (The
application of eye‐tracking
technology in the study of autism - Boraston - 2007 - The Journal of Physiology
- Wiley Online Library, s/f) |
·
Fijaciones
|
· Patrones de fijación. |
· Estudio de los patrones de la mirada usando el
eye – tracker. |
|
The effects of
visual stimuli on attention in children with autism spectrum disorder: an eye
– tracking study (Banire
et al., 2020) |
·
Fijaciones.
·
Sacadas. ·
Trayectoria
de exploración. ·
Áreas
de interés. |
· Patrones basados en fijaciones. · Patrones basados en movimientos sacádicos. |
· Estudio de los efectos de estímulos visuales
sociales y no sociales en la atención de niños con TEA y TD usando el
dispositivo eye – tracker y realidad virtual. |
|
The eye –
tracking of social stimuli in patients with Rett syndrome and autism spectrum
disorders: a pilot study (Schwartzman
et al., 2015) |
·
Duración
de la fijación. ·
Sacadas. ·
Áreas
de interés |
· Patrones basados en fijaciones. |
· Estudio análisis de fijaciones en estímulos
sociales en individuos con TEA, TD y síndrome de Rett. |
|
The impact of
social complexity on the visual exploration of other actions in preschoolers
with autism spectrum disorder (Robain
et al., 2021) |
·
Duración
de la fijación. ·
Número
de cambio de fijaciones (sacadas). ·
Áreas
de interés. |
· Patrones de fijaciones de cara a cara (FF). · Patrones de fijaciones de cara a objetos (FO). |
· Estudio de la complejidad social en la exploración
visual de niños con TEA y TD. |
|
The potential
of eye – tracking as a sensitive measure of behavioural change in response to
intervention (Fletcher-Watson
& Hampton, 2018) |
·
Duración
media de la fijación (FD medio). ·
Tiempo
hasta la primera fijación (TTFF). |
· Patrones de fijaciones. |
· Estudio de los patrones de movimientos oculares
como medida de cambio de comportamiento. · aplicación FindMe. |
|
Visual
attention toward human face recognizing for autism spectrum disorder and
normal developing children (Almourad &
Bataineh, 2020) |
·
Duración
de la fijación. ·
Sacadas. ·
Áreas
de interés. ·
Tiempo
hasta la primera fijación (TTFF). |
· Mapa de calor para ver los patrones de
fijaciones. |
· Estudio del comportamiento visual en niños con
TEA y TD a estímulos faciales. |
|
Visual
preference for social vs. non – social images in young children with autism
spectrum disorders. An eye tracking study (Vacas et al., 2021) |
·
Tiempo
hasta la primera fijación (TTFF). ·
Duración
total de la fijación (TFD). ·
Tiempo
medio por vista. |
· Mapa de calor para ver los patrones de
fijaciones. |
· Estudio para analizar las preferencias visuales
en imágenes sociales y no sociales en niños con TEA y TD. |
3.3 Respuesta a las Preguntas de Investigación
En cuanto a la RQ1 sobre
cuáles son las métricas que usa el eye – tracker en terapias para individuos
con trastorno del espectro autista (TEA) se hallaron artículos donde mencionan
la duración media de la fijación (FD), la tasa media de parpadeo (BR) y el
diámetro medio de la pupila (PD) usadas en (Lahiri et al., 2013). En los estudios (Banire et al., 2020) (Hauser et al., 2018) utilizaron fijaciones,
sacadas, trayectoria de exploración que es la combinación de las fijaciones y
las sacadas, y por último las áreas de interés (AOI), (Skaramagkas et al.,
2023) usó fijaciones visuales, sacadas, micro
sacadas, movimientos suaves, tamaño de la pupila y parpadeos, (Vacas et al., 2021) utilizó 3 métricas 1) tiempo
hasta la primera fijación, 2) duración total de la fijación, y 3) tiempo medio
por vista. En (Fletcher-Watson &
Hampton, 2018) se usó la duración media de
la fijación (FD medio) y el tiempo hasta la primera fijación (TTFF). (Muratori et al., 2019) utilizó la duración de la
fijación (FD) y las AOI. (Sharafi, Shaffer,
et al., 2015) utilizó las AOI, las
fijaciones, las sacadas, la dilatación de la pupila y las rutas de exploración.
Con Respecto a la RQ2 sobre cómo
utilizan las métricas del eye – tracker en la evaluación de individuos con TEA,
(Rosa, 2022) utiliza las métricas FD,
movimientos sacádicos y dilatación de la pupila para detectar signos tempranos
de TEA en el comportamiento visual ya que proporciona información sobre las
diferencias que presentan en los procesos de percepción. En cambio en (Bochet et al., 2021) aplican las métricas
anteriores para explorar el procesamiento facial neutral y emocional que
presentan los niños con TEA en comparación a los niños con desarrollo típico
(TD), en el estudio (eXavier et al., 2015) se usan las métricas para
reconocer las emociones e incluyen estímulos visuales (rostros) y multimodales
(rostros/voces simultáneamente) para estudiar qué anomalías presenta la mirada
de los niños con TEA. En (Robain et al., 2021) las métricas como la FD y
movimientos sacádicos son empleadas en diferentes áreas de interés (AOI) para
comparar los niveles cognitivos y de lenguaje entre niños con TEA y niños con
TD, (Taha Ahmed & Jadhav,
2020) utiliza métricas como los mapas de calor y
fijación ocular para comparar resultados entre niños con TEA y TD al observar
estímulos visuales dinámicos o estáticos, (Frazier et al., 2018) utiliza duración de la primera
fijación, recuento de fijaciones, duración media de la fijación en estímulos
para evaluar pacientes con TEA y poder realizar un seguimiento de los niveles
de síntomas de autismo, (Swanson & Siller, 2013) utiliza la duración de la
fijación en dos AOI 1) objetivo o mirada a los estímulos y 2) facial o mirada
en el rostro del modelo para medir la atención y evaluar las habilidades
sociales de los niños con TEA y con TD.
En relación a la RQ3 sobre los
patrones de seguimiento ocular y algoritmos que utilizan los eye – tracker se
hallaron estudios donde definen que los patrones están basados en fijaciones,
sacadas y movimientos suaves (Gomez & Gellersen,
2018) (Rapid alternating saccade training | Proceedings
of the 2018 ACM Symposium on Eye Tracking Research & Applications, s/f), en (Santini et al., 2016) se explica que un algoritmo
que distinga entre estos tres patrones es fundamental para las investigaciones
de seguimiento ocular. En cambio en las investigaciones (Fuhl et al., 2018a), (Sharafi, Soh, et al.,
2015) y (Kurzhals et al., 2016) se define que los tipos de patrones de
seguimiento ocular se determinan en función de la velocidad y la duración de la
mirada. Los eye – tracker usan algoritmos basados en Machine Learning
(aprendizaje automático) los cuales crean detectores a partir de datos anotados
o simulados (Fuhl et al., 2018b), capaces de aprender los
tipos de movimientos oculares y así descubrir errores de detección de pupilas
en los datos brutos de la mirada (Klaib et al., 2021). En (Morales et al., 2018) emplea deep Learning
(aprendizaje profundo) y técnicas basadas en redes neuronales recurrentes, el
estudio (Kinsman et al., 2012) explica que los algoritmos de
fijación trabajan con puntos de referencia (POR) y ego – motion que simplifica la lista de datos
de los POR para que sean más manejables para su posterior análisis (Munn et al., 2008), (Fixation detection for
head-mounted eye tracking based on visual similarity of gaze targets |
Proceedings of the 2018 ACM Symposium on Eye Tracking Research &
Applications, s/f) utilizó el algoritmo basados
en dispersión I – DT de Salvucci y Goldberg que mide el grado de dispersión de
las estimaciones de la mirada para identificar las fijaciones, este trabajan
con dos umbrales un parámetro espacial y el segundo umbral representa el tiempo
más corto que puede durar una fijación (Wang et al., 2014), (Li et al., 2016) presenta el algorithm DBSCAN que identifica
fijaciones y permite consultar los puntos vecinos adyacentes. Para las sacadas (Tauscher et al., 2018) estudia un modelo informático
para predecir los objetivos de las sacadas las cuales son medidas mediante
electroencefalografía (EEG). (Wu & Trivedi, 2010) utiliza un modelo basado en
árbol y clustering (agrupación), (Appel et al., 2016) explica que los algoritmos de
detección de pestañeo tienen que ser exactos ya que importante para los
algoritmos de seguimiento ocular, algoritmos basados en 5 procesos: adquisición
de datos, mejora de imágenes, procesamiento, extracción de características e
identificación de la mirada (Vargas-Cuentas et al.,
2017), algoritmo basado en velocidad I – VT (Trabulsi et al., 2021) clasifica los movimientos
oculares calculando su velocidad y comparándola con un umbral predefinido (Birawo & Kasprowski,
2022).
En cuanto a la RQ4 sobre qué
patrones o diferencias en las métricas del eye – tracker se han encontrado en
individuos con TEA en comparación población neurotípicas, el estudio (Almourad & Bataineh,
2020) evalúo la atención visual de participantes
autistas (PA) y desarrollo normal (ND) mediante una imagen que contiene un
rostro en el centro, dando como resultados que el grupo ND comienza su primera
fijación sobre el rostro y mantienen sus puntos de fijaciones cerca de este al
contrario del grupo PA cuyas fijaciones fueron alrededor del rostro (Figura 2).
Figura 2.
Patrón de mirada del grupo ND y PA
Fuente: M. B. Almourad y E. Bataineh (Almourad
& Bataineh, 2020).
(2020). ACM Digital Library https://doi.org/10.1145/3387263.3387283
(Hochhauser
et al., 2021)
determina que los participantes con TEA son más lentos que los participantes
con TD para detectar objetivos en la primera fijación. (Schwartzman
et al., 2015)
demuestra que los pacientes con TEA prestan más atención a estímulos no
sociales que a los sociales, en comparación a los pacientes con síndrome de
Rett y niños con TD quienes si observan los estímulos sociales, los datos de
los movimientos oculares proporcionan información sobre los procesos mentales
de los niños con TEA (Tan
et al., 2018). (SciELO
- Brasil - Saccadic movements using eye-tracking technology in individuals with
autism spectrum disorders: pilot study Saccadic movements using eye-tracking
technology in individuals with autism spectrum disorders: pilot study, s/f) en
su estudio demostró que los individuos con TEA dedican más tiempo a realizar
movimientos sacádicos al observar las imágenes no sociales. (The
application of eye‐tracking
technology in the study of autism - Boraston - 2007 - The Journal of Physiology
- Wiley Online Library, s/f) en
su estudio determina que los sujetos con autismo realizan menos fijaciones en
los ojos y mayores fijaciones en las bocas y objetos de la escena. (Dalrymple
et al., 2018)
sugiere que la edad determina un cambio en el comportamiento de la mirada de
los individuos con TEA. (Banire
et al., 2021)
estudio los comportamientos de la mirada de niños con TD y TEA en un aula
simulada de realidad virtual evaluando las métricas: tiempo hasta la primera
fijación (TTFF), la duración de la primera fijación (FFD), la duración promedio
del a fijación (AFD) y la suma del reencuentro de fijación (SFC) en 14 áreas de
interés (Figura 3).
Figura 3. Áreas de interés
establecidas
Fuente: B. Banire, D. Al Thani, M. Qaraqe, B. Mansoor, y M. Makki (Banire et al., 2021). (2021). Springer Link https://doi.org/10.1007/s10209-020-00749-0
Figura 4. Comparación de la
AFD en las 14 AOI para ambos grupos
Fuente: B. Banire, D. Al Thani, M. Qaraqe, B. Mansoor, y M.
Makki (Banire et al., 2021). (2021). Springer Link https://doi.org/10.1007/s10209-020-00749-0
- Áreas de Interés (AOI): el uso de las AOI es importante para el
análisis de los patrones de mirada en los individuos con TEA (Taha
Ahmed & Jadhav, 2020) (Swanson
& Siller, 2013), también ayudan a evaluar el desempeño en tareas visuales,
auditivas y bimodales (eXavier
et al., 2015) y mediante los datos que se recopilan se llega a comprender los
síntomas del autismo (Bochet
et al., 2021) (Muratori
et al., 2019) (Vacas
et al., 2021).
-
Duración total de la fijación
(TFD): (Tan
et al., 2018) emplea esta métrica para examinar la distribución de la atención
usando filtros de fijación que ya son predeterminados de Tobii Studio, a partir
de los datos de esta métrica los algoritmos calculan la posición estimada y la
duración de la fijación de la mirada hacia los AOI (Rosa,
2022) (Lahiri
et al., 2013), las fijaciones tienden a ser inmóviles y los algoritmos pueden
diferenciarlos de los movimientos suaves (Santini
et al., 2016) (Gomez
& Gellersen, 2018).
-
Tiempo hasta la primera fijación
(TTFF): (Banire
et al., 2021) y (Dalrymple
et al., 2018) indican que es el tiempo de menor duración que se registra para
el primer AOI que las personas con TEA miran, para (Hochhauser
et al., 2021) y (Trabulsi
et al., 2021) representan el tiempo que lleva
antes de que los individuos con TEA miren un AOI y para (Almourad
& Bataineh, 2020) es el tiempo que tarda un individuo con TEA en fijarse en un AOI
por primera vez.
-
Duración media de la fijación
(AFD): (Sharafi,
Soh, et al., 2015), (Frazier
et al., 2018) y (Fletcher-Watson
& Hampton, 2018) coinciden que para esta métrica se tiene en cuenta la hora de
inicio y fin de la fijación y el número total de fijaciones para el AOI en
específico.
-
Parpadeo: (Wu
& Trivedi, 2010) define que el patrón de los parpadeos indica la atención del
individuo y los datos de estos son analizados mediante algoritmos de detección
como árboles binarios, (Appel
et al., 2016) implementa su propio algoritmo de detección de parpadeos el cual
estima la duración del parpadeo, (Vargas-Cuentas
et al., 2017) recalca que los algoritmos de detección de pestañeos requieren
una buena calibración para que puedan clasificar de manera correcta los datos.
-
Movimientos sacádicos: (Tauscher
et al., 2018) y (Rapid
alternating saccade training | Proceedings of the 2018 ACM Symposium on Eye
Tracking Research & Applications, s/f) define a las sacadas como movimientos rápidos y simultáneos de
los ojos hacia una misma dirección,
según los puntos de referencia (POR) los algoritmos pueden clasificar los
movimientos oculares entre fijaciones y sacadas (Kinsman et al.,
2012), (SciELO - Brasil -
Saccadic movements using eye-tracking technology in individuals with autism
spectrum disorders: pilot study Saccadic movements using eye-tracking
technology in individuals with autism spectrum disorders: pilot study, s/f) indica que las personas realizan más movimientos sacádicos cuando en
las AOI se muestran personas.
-
Ruta de exploración: son las series
de fijaciones que representan un patrón de movimiento que presenta un individuo
con TEA (Sharafi,
Shaffer, et al., 2015), para (Hauser
et al., 2018), (Kurzhals
et al., 2016) y (Banire
et al., 2020) las rutas de exploración representan combinaciones entre
fijaciones y sacadas, las cuales son excelentes para la interpretación de los
datos que se recogen.
-
Fijación: es cuando el ojo está
quieto enfocando un objeto (Birawo
& Kasprowski, 2022), el objetivo de identificar fijaciones es reducir la complejidad
de los datos que se obtienen (Li
et al., 2016), los métodos de detección de fijación se pueden clasificar en: 1)
basados en la velocidad (Fixation
detection for head-mounted eye tracking based on visual similarity of gaze
targets | Proceedings of the 2018 ACM Symposium on Eye Tracking Research &
Applications, s/f) como el de identificación por umbral de velocidad (IVT) (Skaramagkas
et al., 2023), el cual utiliza un umbral para identificar fijaciones (Munn
et al., 2008), 2) basados en la dispersión
como el algoritmo de identificación por dispersión umbral (IDT) (Fuhl
et al., 2018b) y 3) basados en datos (Wang
et al., 2014), otros algoritmos usados para identificar fijaciones están
basados en Machine Learning (Klaib
et al., 2021) (Fuhl
et al., 2018a), o modelos de aprendizaje profundo (Deep Learning) (Morales
et al., 2018).
Este análisis sistemático identifica las métricas más
utilizadas por los dispositivos eye-tracker en terapias para individuos con
trastorno del espectro autista (TEA). Entre las métricas destacadas se incluyen
las Áreas de Interés (AOI), la duración total de la fijación (TFD), el tiempo
hasta la primera fijación (TTFF), la duración media de la fijación (AFD),
parpadeos, movimientos sacádicos, rutas de exploración, y fijaciones. Estas
métricas proporcionan información detallada sobre los patrones de mirada y
comportamientos visuales en personas con TEA, aunque se ha señalado que los
datos pueden ser inexactos si no se clasifican correctamente entre fijaciones,
sacadas y parpadeos.
4.
Conclusiones
Las principales
métricas del eye – tracker como las áreas de interés (AOI), duración total de
la fijación (TFD), tiempo hasta la primera fijación (TTFF), duración media de
la fijación (AFD), parpadeo, movimientos sacádicos, ruta de exploración y
fijaciones, no sólo revelan diferencias fundamentales en la atención y el
procesamiento visual, sino que también ofrecen puntos de intervención para las
terapias y así poder evaluar el progreso terapéutico de los individuos con TEA.
Los
algoritmos de identificación de fijaciones, sacadas y suavizados de datos
permiten una interpretación más profunda y precisa de los datos recopilados,
tienen la capacidad de identificar patrones específicos como la atención a
estímulos sociales o la identificación de áreas de interés. Por último, la
sinergia entre los patrones de seguimiento ocular, las métricas y los
algoritmos del eye – tracker proporciona conocimientos valiosos para la mejora
de las terapias y mejorar la calidad de vida y el bienestar de los individuos
con TEA.
5. Referencias
Almourad, M. B.,
& Bataineh, E. (2020). Visual Attention toward Human Face Recognizing for
Autism Spectrum Disorder and Normal Developing Children: An Eye Tracking Study.
Proceedings of the 2020 The 6th International Conference on E-Business and
Applications, 99–104. https://doi.org/10.1145/3387263.3387283
Appel,
T., Santini, T., & Kasneci, E. (2016). Brightness- and motion-based blink
detection for head-mounted eye trackers. Proceedings of the 2016 ACM
International Joint Conference on with an emphasis on machine learning and
Internet of Things technologies. Expert Systems with Applications, 166,
114037. https://doi.org/10.1016/j.eswa.2020.114037
Banire,
B., Al Thani, D., Qaraqe, M., Mansoor, B., & Makki, M. (2021). Impact of
mainstream classroom setting on attention of children with autism spectrum
disorder: An eye-tracking study. Universal Access in the Information Society,
20(4), 785–795. https://doi.org/10.1007/s10209-020-00749-0
Banire, B., Al-Thani, D.,
Qaraqe, M., Khowaja, K., & Mansoor, B. (2020). The Effects of Visual Stimuli on Attention in Children
With Autism Spectrum Disorder: An Eye-Tracking Study. IEEE
Access, 8, 225663–225674. IEEE Access. https://doi.org/10.1109/ACCESS.2020.3045042
Birawo,
B., & Kasprowski, P. (2022). Review and Evaluation of Eye Movement Event
Detection Algorithms. Sensors, 22(22), Article 22. https://doi.org/10.3390/s22228810
Bochet,
A., Franchini, M., Kojovic, N., Glaser, B., & Schaer, M. (2021). Emotional
vs. Neutral Face Exploration and Habituation: An Eye-Tracking Study of
Preschoolers With Autism Spectrum Disorders. Frontiers
in Psychiatry, 11. https://doi.org/10.3389/fpsyt.2020.568997
Dalrymple,
K. A., Wall, N., Spezio, M., Hazlett, H. C., Piven, J., & Elison, J. T.
(2018). Rapid face orienting in infants and school-age children with and
without autism: Exploring measurement invariance in eye-tracking. PLoS
ONE, 13(8), e0202875. https://doi.org/10.1371/journal.pone.0202875
eXavier, J., eVignaud, V.,
eRuggiero, R., eBodeau, N., eCohen, D., & eChaby, L. (2015). A Multidimensional Approach to the Study of Emotion
Recognition in Autism Spectrum Disorders. Frontiers in Psychology, 6.
https://doi.org/10.3389/fpsyg.2015.01954
Fixation
detection for head-mounted eye tracking based on visual similarity of gaze
targets | Proceedings of the 2018 ACM Symposium on Eye Tracking Research &
Applications. (s/f).
Recuperado el 18 de agosto de 2023, de https://dl.acm.org/doi/10.1145/3204493.3204538
Fletcher-Watson,
S., & Hampton, S. (2018). The potential of eye-tracking as a sensitive
measure of behavioural change in response to intervention. Scientific
Reports, 8(1), Article 1. https://doi.org/10.1038/s41598-018-32444-9
Frazier,
T. W., Klingemier, E. W., Parikh, S., Speer, L., Strauss, M. S., Eng, C.,
Hardan, A. Y., & Youngstrom, E. A. (2018). Development and Validation of
Objective and Quantitative Eye Tracking−Based Measures of Autism Risk and
Symptom Levels. Journal of the American Academy of Child & Adolescent
Psychiatry, 57(11), 858–866. https://doi.org/10.1016/j.jaac.2018.06.023
Fuhl,
W., Castner, N., & Kasneci, E. (2018a). Histogram of oriented velocities
for eye movement detection. Proceedings of the Workshop on Modeling
Cognitive Processes from Multimodal Data, 1–6. https://doi.org/10.1145/3279810.3279843
Fuhl,
W., Castner, N., & Kasneci, E. (2018b). Rule-based learning for eye
movement type detection. Proceedings of the Workshop on Modeling Cognitive
Processes from Multimodal Data, 1–6. https://doi.org/10.1145/3279810.3279844
Gomez,
A. R., & Gellersen, H. (2018). Smooth-i: Smart
re-calibration using smooth pursuit eye movements. Proceedings of the 2018
ACM Symposium on Eye Tracking Research & Applications, 1–5. https://doi.org/10.1145/3204493.3204585
Hauser,
F., Mottok, J., & Gruber, H. (2018). Eye Tracking Metrics in Software
Engineering. Proceedings of the 3rd European Conference of Software
Engineering Education, 39–44. https://doi.org/10.1145/3209087.3209092
Hochhauser,
M., Aran, A., & Grynszpan, O. (2021). Investigating attention in young
adults with autism spectrum disorder (ASD) using change blindness and eye
tracking. Research in Autism Spectrum Disorders, 84, 101771. https://doi.org/10.1016/j.rasd.2021.101771
Kinsman,
T., Evans, K., Sweeney, G., Keane, T., & Pelz, J. (2012). Ego-motion
compensation improves fixation detection in wearable eye tracking. Proceedings
of the Symposium on Eye Tracking Research and Applications, 221–224. https://doi.org/10.1145/2168556.2168599
Klaib,
A. F., Alsrehin, N. O., Melhem, W. Y., Bashtawi, H. O., & Magableh, A. A.
(2021). Eye tracking algorithms, techniques, tools, and applications with an
emphasis on machine learning and Internet of Things technologies. Expert
Systems with Applications, 166, 114037. https://doi.org/10.1016/j.eswa.2020.114037
Kurzhals,
K., Hlawatsch, M., Burch, M., & Weiskopf, D. (2016). Fixation-image charts.
Proceedings of the Ninth Biennial ACM Symposium on Eye Tracking Research
& Applications, 11–18. https://doi.org/10.1145/2857491.2857507
Lahiri,
U., Bekele, E., Dohrmann, E., Warren, Z., & Sarkar, N. (2013). Design of a
Virtual Reality Based Adaptive Response Technology for Children With Autism. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 21(1), 55–64.
https://doi.org/10.1109/TNSRE.2012.2218618
Li,
B., Wang, Q., Barney, E., Hart, L., Wall, C., Chawarska, K., de Urabain, I. S.,
Smith, T. J., & Shic, F. (2016). Modified DBSCAN algorithm on oculomotor
fixation identification. Proceedings of the Ninth Biennial ACM Symposium on
Eye Tracking Research & Applications, 337–338.
https://doi.org/10.1145/2857491.2888587
Martínez, L. (2021).
Casos exploratorios aplicados a partir de distintos diseños metodológicos:
Eye-tracking fijo y online. Comunicación & Métodos, 3(2),
Article 2. https://doi.org/10.35951/v3i2.136
Morales, A., Costela,
F. M., Tolosana, R., & Woods, R. L. (2018). Saccade Landing Point
Prediction: A Novel Approach based on Recurrent Neural Networks. Proceedings
of the 2018 International Conference on Machine Learning Technologies, 1–5.
https://doi.org/10.1145/3231884.3231890
Munn, S. M., Stefano,
L., & Pelz, J. B. (2008). Fixation-identification in dynamic scenes: Comparing an automated
algorithm to manual coding. Proceedings of the 5th symposium on Applied
perception in graphics and visualization, 33–42.
https://doi.org/10.1145/1394281.1394287
Muratori, F., Billeci,
L., Calderoni, S., Boncoddo, M., Lattarulo, C., Costanzo, V., Turi, M.,
Colombi, C., & Narzisi, A. (2019). How Attention to Faces and Objects Changes Over Time
in Toddlers with Autism Spectrum Disorders: Preliminary Evidence from An Eye
Tracking Study. Brain Sciences, 9(12), Article 12.
https://doi.org/10.3390/brainsci9120344
Rapid alternating saccade training | Proceedings of the 2018 ACM
Symposium on Eye Tracking Research & Applications. (s/f). Recuperado el 19 de agosto de 2023, de
https://dl.acm.org/doi/10.1145/3204493.3204588
Robain,
F., Kojovic, N., Solazzo, S., Glaser, B., Franchini, M., & Schaer, M.
(2021). The impact of social complexity on the visual exploration of others’
actions in preschoolers with autism spectrum disorder. BMC Psychology, 9(1),
1–15. https://doi.org/10.1186/s40359-021-00553-2
Rosa,
A. D. (2022, febrero 28). Application of Eye-tracking in research on the theory
of mind in ASD. European
Review.
https://www.europeanreview.org/article/28129
Sanchez, M. (2022,
abril 7). La tecnología como ayuda para los niños con TEA. Atlantic International
Technology.
https://www.atlantic.es/blog/la-tecnologia-como-ayuda-para-los-ninos-con-tea/
Sanromà-Giménez, M.,
Lázaro-Cantabrana, J. L., & Gisbert-Cervera, M. (2018). El papel de las
tecnologías digitales en la intervención educativa de niños con trastorno del
espectro autista. RiiTE Revista Interuniversitaria de Investigación en
Tecnología Educativa. https://doi.org/10.6018/riite/2018/327991
Santini,
T., Fuhl, W., Kübler, T., & Kasneci, E. (2016). Bayesian identification of
fixations, saccades, and smooth pursuits. Proceedings of the Ninth Biennial
ACM Symposium on Eye Tracking Research & Applications, 163–170.
https://doi.org/10.1145/2857491.2857512
Sasson,
N. J., & Elison, J. T. (2012). Eye Tracking Young Children with Autism. JoVE
(Journal of Visualized Experiments), 61, e3675. https://doi.org/10.3791/3675
Schwartzman,
J. S., Velloso, R. de L., D’Antino, M. E. F., & Santos, S. (2015). The
eye-tracking of social stimuli in patients with Rett syndrome and autism
spectrum disorders: A pilot study. Arquivos de Neuro-Psiquiatria, 73,
402–407. https://doi.org/10.1590/0004-282X20150033
SciELO - Brasil—Saccadic movements using eye-tracking technology in
individuals with autism spectrum disorders: Pilot study Saccadic movements
using eye-tracking technology in individuals with autism spectrum disorders:
Pilot study. (s/f).
Recuperado el 26 de agosto de 2023, de
https://www.scielo.br/j/anp/a/Db95r6fvqWKKQmxKGZNBZ8b/?lang=en
Serrano Baraja, A. L.
(2022). Revisión sociohistórica del concepto de autismo y sus implicaciones
epistemológicas en los últimos cuarenta años [masterThesis, Quito, EC:
Universidad Andina Simón Bolívar, Sede Ecuador].
http://repositorio.uasb.edu.ec/handle/10644/8597
Sharafi,
Z., Shaffer, T., Sharif, B., & Guéhéneuc, Y.-G. (2015). Eye-Tracking
Metrics in Software Engineering. 2015 Asia-Pacific Software Engineering
Conference (APSEC), 96–103. https://doi.org/10.1109/APSEC.2015.53
Sharafi,
Z., Soh, Z., & Guéhéneuc, Y.-G. (2015). A systematic literature review on
the usage of eye- tracking in software engineering. Information and Software
Technology, 67, 79–107. https://doi.org/10.1016/j.infsof.2015.06.008
Skaramagkas,
V., Giannakakis, G., Ktistakis, E., Manousos, D., Karatzanis, I., Tachos, N.
S., Tripoliti, E., Marias, K., Fotiadis, D. I., & Tsiknakis, M. (2023).
Review of Eye Tracking Metrics Involved in Emotional and Cognitive Processes. IEEE
Reviews in Biomedical Engineering, 16, 260–277.
https://doi.org/10.1109/RBME.2021.3066072
Swanson,
M. R., & Siller, M. (2013). Patterns of gaze behavior during an
eye-tracking measure of joint attention in typically developing children and
children with autism spectrum disorder. Research in Autism Spectrum
Disorders, 7(9), 1087–1096.
https://doi.org/10.1016/j.rasd.2013.05.007
Taha
Ahmed, Z. A., & Jadhav, M. E. (2020). A Review of Early Detection of Autism
Based on Eye-Tracking and Sensing Technology. 2020 International Conference
on Inventive Computation Technologies (ICICT), 160–166.
https://doi.org/10.1109/ICICT48043.2020.9112493
Tan,
E., Wu, X., Nishida, T., Huang, D., Chen, Z., & Yi, L. (2018). Analogical
Reasoning in Children With Autism Spectrum Disorder:
Evidence From an Eye-Tracking Approach. Frontiers in Psychology, 9.
https://doi.org/10.3389/fpsyg.2018.00847
Tauscher,
J.-P., Schottky, F. W., Grogorick, S., Magnor, M., & Mustafa, M. (2018).
Analysis of neural correlates of saccadic eye movements. Proceedings of the
15th ACM Symposium on Applied Perception, 1–9.
https://doi.org/10.1145/3225153.3225164
The application of eye‐tracking technology in
the study of autism—Boraston—2007—The Journal of Physiology—Wiley Online
Library. (s/f).
Recuperado el 3 de septiembre de 2023, de
https://physoc.onlinelibrary.wiley.com/doi/full/10.1113/jphysiol.2007.133587
Trabulsi,
J., Norouzi, K., Suurmets, S., Storm, M., & Ramsøy, T. Z. (2021).
Optimizing Fixation Filters for Eye-Tracking on Small Screens. Frontiers in
Neuroscience, 15.
https://www.frontiersin.org/articles/10.3389/fnins.2021.578439
Vaca-Cardenas, L.,
Avila-Pesantez, D., Vaca-Cárdenas, M., & Meza, J. (2020). Trends and Challenges
of HCI in the New Paradigm of Cognitive Cities. 2020 Seventh International
Conference on eDemocracy & eGovernment (ICEDEG), 120–126.
https://doi.org/10.1109/ICEDEG48599.2020.9096845
Vacas, J., Antolí, A.,
Sánchez-Raya, A., Pérez-Dueñas, C., & Cuadrado, F. (2021). Visual preference for
social vs. Non-social images in young children with autism spectrum disorders.
An eye tracking study. PLoS ONE, 16(6), e0252795.
https://doi.org/10.1371/journal.pone.0252795
Vargas-Cuentas, N. I.,
Roman-Gonzalez, A., Gilman, R. H., Barrientos, F., Ting, J., Hidalgo, D.,
Jensen, K., & Zimic, M. (2017). Developing an eye-tracking algorithm as a potential
tool for early diagnosis of autism spectrum disorder in children. PLOS ONE,
12(11), e0188826. https://doi.org/10.1371/journal.pone.0188826
Wang,
Q., Kim, E., Chawarska, K., Scassellati, B., Zucker, S., & Shic, F. (2014).
On relationships between fixation identification algorithms and fractal box
counting methods. Proceedings of the Symposium on Eye Tracking Research and
Applications, 67–74. https://doi.org/10.1145/2578153.2578161
Wu, J., & Trivedi, M. M. (2010). An eye localization, tracking and blink pattern recognition system: Algorithm and evaluation. ACM Transactions on Multimedia Computing, Communications, a