针对 fMRI 中闭眼眼动追踪的基于 MR 的注视解码优化

眼动能够为人类认知提供宝贵洞见，并且是众多功能性磁共振成像（fMRI）研究中的关键变量。然而，当眼睛闭合时，基于摄像头的眼动追踪无法使用，这使得闭眼状态的研究面临挑战。在此，我们通过基于磁共振（MR）的注视解码来填补这一空白，具体采用 DeepMReye——一种无需摄像头、可根据眼部 MR 信号重建注视行为的深度学习框架。我们首先表明，利用在睁眼条件下采集的视觉运动校准数据对 DeepMReye 进行微调，能够显著提升注视解码性能，并且这种微调不需要同时采集基于摄像头的数据。随后，我们评估了在被试于睁眼和闭眼条件下注视已知位置时所采集的数据纳入后，模型性能是否能够进一步提升。值得注意的是，尽管 DeepMReye 最初完全基于睁眼数据进行训练，该网络仍能够成功泛化到闭眼时段，并且通过在闭眼数据上进行微调，其性能得到显著改善。这些发现表明，在闭眼时段对注视进行可靠监测是可行的，从而能够更有效地将眼动追踪整合到 fMRI 研究中，并进而推动我们对人类认知的理解。

眼动能够为人类认知提供宝贵洞见，并且是在众多功能性磁共振成像（fMRI）研究中的关键变量。然而，当眼睛闭合时，基于摄像机的眼动追踪无法进行，这使得闭眼状态的研究面临挑战。在此，我们通过基于磁共振的注视解码来填补这一空白，采用 DeepMReye——一种无需摄像机、可从眼部磁共振信号中重建注视行为的深度学习框架。我们首先表明，利用在睁眼状态下采集的视觉运动校准数据对 DeepMReye 进行微调，可显著提升注视解码性能，并且这种微调不需要同步采集基于摄像机的数据。随后，我们评估了在受试者于睁眼和闭眼状态下凝视已知位置时所采集的数据纳入模型后，模型性能是否能够进一步提升。值得注意的是，尽管 DeepMReye 最初仅使用睁眼数据进行训练，该网络仍成功泛化至闭眼时段，并且在闭眼数据上进行微调后，其性能获得了显著提升。这些发现表明，在闭眼时段对注视进行可靠监测是可行的，这将有助于在 fMRI 研究中更有效地整合眼动追踪，并进而推动我们对人类认知的理解。

作者声明不存在竞争性利益。

感谢您有兴趣帮助传播 bioRxiv。

注意：要求提供您的电子邮箱地址，仅用于将您识别为本文的发送者。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.736972v1?rss=1

🏷️ fMRI 眼动追踪 注视解码 深度学习 闭眼状态