1. 消费级EEG眼动追踪技术概述
在脑机接口(BCI)研究领域，利用脑电信号(EEG)中的眼动伪迹进行视线追踪(ET)正逐渐成为一种创新方法。传统基于摄像头的眼动追踪技术虽然成熟，但在实际应用中存在明显局限——需要充足光照条件、无法在闭眼状态下工作，且设备体积通常较大。相比之下，EEG-ET技术通过分析眼球运动时产生的电生理信号，突破了这些限制。
眼球作为带电偶极子，其运动会在头皮表面产生可测量的电位变化。当眼球向左转动时，角膜(带正电)接近左侧电极，视网膜(带负电)远离左侧电极，导致左侧电极记录到正电位变化。这种被称为眼电(EOG)的信号幅度可达50-100μV，比典型的脑电信号(10-50μV)更强且更规律。通过部署在额区和颞区的电极(如AF7、AF8、TP9、TP10)，我们可以捕捉这些特征明显的信号模式。
消费级EEG设备(如Muse S2头带)的普及为这项技术带来了新机遇。这类设备采用干电极设计，无需导电凝胶即可工作，大大降低了使用门槛。虽然信号质量略逊于实验室级设备，但其便携性和价格优势(通常仅需几百美元)使其更适合日常应用场景。我们的研究正是基于这种设备，探索在非实验室环境下实现可靠眼动追踪的可能性。
2. 实验设计与数据采集方案
2.1 硬件配置与实验环境
实验采用模块化设计，核心硬件包括：
- EEG采集设备：Muse S 2头带(256Hz采样率)，配备TP9、TP10、AF7、AF8和Fpz(参考电极)五个干电极
- 眼动追踪系统：Logitech StreamCam网络摄像头(1080p@60fps)配合GazePointer视线估计软件
- 刺激呈现：DELL P2416D显示器(2560×1440@60Hz)，通过定制Python程序控制视觉刺激
实验环境模拟普通办公场景，参与者坐在距离显示器60cm处，屏幕中心与眼睛平齐。这种设置既保证了数据采集质量，又避免了实验室环境带来的紧张感。值得注意的是，我们特别选择了大学课程实践环节作为数据采集场景，参与者处于相对自然的状态，这有助于获得更具代表性的消费级设备使用数据。
2.2 参与者特征与伦理考量
数据集包含113名参与者(男女比例4:1)的116次记录，年龄主要集中在15-38岁区间。参与者视力特征多样：48%佩戴视力矫正设备，2%存在色觉异常。这种多样性增强了数据集的代表性，但也引入了更多变量需要考虑。
在伦理方面，研究遵循德国科研基金会(DFG)指南，所有参与者均签署知情同意书，明确了解数据用途和匿名化处理流程。由于使用非侵入式设备且不涉及医疗诊断，该研究被认定为不需要专门的伦理审查批准。
2.3 实验范式设计
实验包含四种渐进式眼动任务，难度逐级提升：
- 一级平滑追踪(level-1-smooth)：目标沿单一方向(上、下、左、右)匀速移动，56秒/次
- 一级扫视运动(level-1-saccades)：目标在中心与边缘位置间快速跳跃，1分钟/次
- 二级平滑追踪(level-2-smooth)：目标沿复杂曲线运动(参数化方程控制)，2分8秒/次
- 二级扫视运动(level-2-saccades)：目标在5×5网格中随机跳跃，2分钟/次
每种范式都包含视觉引导设计。例如在平滑追踪任务中，除了移动的目标圆点外，还显示运动方向提示线和"幽灵"引导点；在扫视任务中，目标通过三次缩小动画提示即将发生的跳跃。这些设计显著提高了参与者跟随目标的准确性。
3. 数据预处理关键技术
3.1 缺失值识别与填补
消费级EEG设备在无线传输过程中常出现数据丢失。我们观察到约3-5%的数据点存在缺失，表现为零值。但直接零值可能也是有效信号，因此采用以下策略区分：
- 缺失值判定：连续3个及以上零值被视为缺失段
- 填补方法：采用季节性自回归积分滑动平均(SARIMA)模型结合卡尔曼平滑
# 示例：使用pmdarima自动选择最优SARIMA参数 from pmdarima import auto_arima model = auto_arima(eeg_signal, seasonal=True, m=5, suppress_warnings=True)
这种方法的优势在于能自动适应不同电极的信号特性。如图1所示，填补后的信号(红色)保持了原始信号(蓝色)的总体趋势，同时消除了数据缺口带来的分析障碍。
3.2 多级滤波处理流程
原始EEG信号包含多种噪声源，我们设计了三阶段滤波方案：
- 60Hz陷波滤波：消除显示器刷新率干扰
- 50Hz陷波滤波：去除工频电源噪声
- 0.5-40Hz带通滤波：抑制肌电干扰和基线漂移
关键创新在于采用二阶分段(SOS)实现双向滤波，避免相位失真。与传统单向滤波相比，SOS方法显著提高了稳定性(图2)。具体实现采用4阶Butterworth滤波器：
from scipy.signal import butter, sosfiltfilt sos = butter(4, [0.5, 40], btype='bandpass', fs=256, output='sos') filtered_data = sosfiltfilt(sos, raw_data)值得注意的是，单独使用带通滤波无法完全去除50/60Hz干扰(图3)，必须结合陷波滤波才能获得理想效果。这种发现对消费级EEG设备的应用具有普遍指导意义。
4. 数据集结构与使用指南
4.1 数据组织形式
数据集提供三种格式：
- 整合CSV(1.42GB)：包含所有记录的合并数据
- 分记录CSV：按实验范式和训练/测试集分类
- 原始XDF：保留LSL流原始结构和元数据
关键字段包括：
| 信号源 | 字段名 | 说明 |
|---|---|---|
| EEG | EEG_TP9等 | 各电极电压值(μV) |
| 眼动 | Gaze_x/y | 估计视线坐标(mm) |
| 刺激 | Stimulus_x/y | 目标位置坐标(mm) |
数据集采用相对坐标系统，所有位置值均相对于屏幕中心计算，便于跨设备比较。
4.2 质量评估与筛选
通过实时监控和后期分析，我们识别出14条存在明显质量问题的记录(表1)。主要问题包括：
- 蓝牙传输中断导致的连续缺失
- AF8电极接触不良产生的异常高值
- 眼镜/头饰造成的信号衰减
建议使用者优先选择训练集数据，这些记录都通过了严格的质量控制。测试集则保留了部分挑战性案例，适合评估算法的鲁棒性。
4.3 视线-目标滞后分析
通过互相关函数计算发现，视线跟踪存在明显延迟(表2)：
- 扫视任务：平均滞后180-230ms
- 平滑追踪：滞后更长(260-380ms)
- 垂直方向：普遍比水平方向慢50-60ms
这种延迟主要源于摄像头处理流水线和眼动估计算法的固有延迟，在使用数据时需要考虑这一特性。
5. 应用前景与挑战
5.1 消费级BCI的集成优势
EEG-ET在以下场景展现独特价值：
- 睡眠研究：闭眼状态下的眼球运动监测
- 虚拟现实：简化头戴设备传感器配置
- 辅助技术：为运动障碍者提供更自然的交互方式
我们已观察到，在简单扫视任务中，使用线性回归就能达到约85%的方位分类准确率，证明该技术的实用潜力。
5.2 当前局限与改进方向
主要技术挑战包括：
- 信号稳定性：干电极接触阻抗易受头部运动影响
- 个体差异：不同人眼动信号幅度差异可达3-5倍
- 环境干扰：无线设备在复杂电磁环境中的可靠性
未来工作将探索：
- 自适应电极接触检测算法
- 个性化校准流程优化
- 基于深度学习的端到端信号解码
关键提示：使用消费级设备时，建议在实验开始前进行至少2分钟的基线记录，用于评估各电极的信号质量。AF7/AF8电极的阻抗应尽量控制在100kΩ以下，可通过轻微调整头带位置实现。
6. 开发资源与扩展建议
数据集和示例代码已在Zenodo和GitHub开源：
- 数据集下载
- 代码仓库
对于希望扩展研究的开发者，我们建议：
- 尝试结合时频分析(如小波变换)提取更丰富的眼动特征
- 探索注意力状态与眼动模式的关联性
- 开发实时处理流水线，降低系统延迟
在实际部署中，我们发现将采样率降至128Hz仍能保持良好性能，这可显著降低计算资源需求，使算法更容易在移动设备上运行。
