Modelos computacionales de movimiento ocular

Abstract

El análisis de los movimientos oculares constituye un importante desafío dada la gran cantidad de información presente en los mismos. Estos movimientos proveen numerosas claves para estudiar diversos procesos cognitivos considerando, entre otros aspectos, el modo y el tiempo en que se codi fica la información y qué parte de los datos obtenidos se usan o se ignoran. Avanzar en el entendimiento de los procesos involucrados en tareas de alta carga cognitiva puede ayudar en la detección temprana de enfermedades neurodegenerativas tales como el mal de Alzheimer o el de Parkinson. A su vez, la comprensión de estos procesos puede ampliar el abordaje de una gran variedad de temas vinculados con el modelado y control del sistema oculomotor humano. Durante el desarrollo de esta Tesis Doctoral se llevaron a cabo tres experimentos que utilizan técnicas de deep-learning y modelos lineales de efecto mixto a n de identi car patrones de movimiento ocular a partir del estudio de situaciones controladas. La primera experiencia tiene como objetivo diferenciar adultos mayores sanos de adultos mayores con posible enfermedad de Alzheimer, utilizando deep-learning con denoise-sparse-autoencoders y un clasifi cador, a partir de información del movimiento ocular durante la lectura. Los resultados obtenidos, con un 89;8% de efectividad en la clasi ficación por oración y 100% por sujeto, son satisfactorios. Esto sugiere que el uso de esta técnica es una alternativa factible para esta tarea. La segunda experiencia tiene como objetivo demostrar la factibilidad de la utilización de la dilatación de la pupila como un marcador cognitivo, en este caso mediante modelos lineales de efecto mixto. Los resultados indican que la dilatación se ve influenciada por la carga cognitiva, la semántica y las características específi cas de la oración, por lo que representa una alternativa viable para el análisis cognitivo. El tercero y último experimento tiene como objetivo comprobar la efectividad de la utilización de redes neuronales recurrentes, con unidades LSTM, para lograr una clasifi cación efectiva en rangos etarios correspondientes a jóvenes sanos y adultos mayores sanos, a partir del análisis de la dinámica de la pupila. Los resultados obtenidos demuestran que la utilización de esta técnica tiene un alto potencial en este campo logrando clasifi car jóvenes vs. adultos mayores con una efectividad media por oración de 76;99% y una efectividad media por sujeto del 90;24 %, utilizando información del ojo derecho o información binocular. Los resultados de estos estudios permiten afi rmar que la utilización de técnicas de deep learning, que no han sido exploradas para resolver problemas como los planteados utilizando eye-tracking, constituyen un gran área de interés.

TEXTO PARCIAL en período de teletrabajo