Clasificación del movimiento ocular utilizando sensores de visión neuromórficos.

Área de la Ciencia:

• La neurociencia es la neurociencia.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• Computación inspirada en la biología.

Sus antecedentes:

• La clasificación de los movimientos oculares (fijaciones, sacadas) es crucial para comprender los procesos neurológicos y cognitivos.
• Las cámaras RGB convencionales luchan con el desenfoque de movimiento, la latencia y el ruido, lo que limita la precisión del seguimiento ocular.
• Las cámaras de eventos neuromórficas (CE) capturan datos asincrónicos de alta resolución temporal, ideales para movimientos oculares rápidos, pero sus datos escasos desafían los algoritmos tradicionales.

Objetivo del estudio:

• Para validar la eficacia de las Redes Neurales Spiking (SNN) para la clasificación de movimientos oculares utilizando datos de cámaras de eventos.
• Introducir una nueva arquitectura SNN convolucional diseñada para procesar flujos visuales escasos y basados en eventos.
• Establecer un punto de referencia para el rendimiento de la SNN en tareas de seguimiento ocular basadas en eventos.

Principales métodos:

• Anotó manualmente el conjunto de datos EV-Eye, el mayor punto de referencia público de seguimiento ocular basado en eventos, en secuencias de sacada y fijación.
• Desarrolló e implementó una arquitectura de red neuronal Spiking Neural Network (SNN) convolucional que procesa directamente las corrientes de picos de las cámaras de eventos.
• Comparó el modelo SNN propuesto con las redes de spiking establecidas (SpikingVGG, SpikingDenseNet) y comparó la complejidad computacional con las Redes Neurales Artificiales (ANN).

Principales resultados:

• Se logró una precisión del 94% y una precisión de 0.92 en la clasificación de saccades y fijaciones a través de datos de 10 usuarios.
• Demostró más de una mejora de diez veces en la eficiencia computacional en comparación con las contrapartes de la Red Neural Artificial (ANN).
• Destacó la robustez y eficiencia de las RNS para el procesamiento de datos visuales escasos y basados en eventos.

Conclusiones:

• Las Redes Neurales Spiking (SNNs) proporcionan una solución eficiente y robusta para la clasificación de movimientos oculares utilizando datos de cámaras de eventos.
• Este enfoque tiene un potencial significativo para desarrollar sistemas de diagnóstico neurocognitivo rápidos y de baja potencia.
• El estudio es pionero en la aplicación de SNNs en el seguimiento ocular basado en eventos, estableciendo un nuevo estándar de rendimiento y eficiencia.