GazeBaseVR

GazeBaseVR数据集由德克萨斯州立大学创建，包含5020个双目记录，来自407名大学年龄的参与者。数据集通过眼动追踪技术在虚拟现实（VR）头盔中收集，记录了水平和垂直的眼动数据，采样率为250Hz。该数据集用于研究眼动作为生物识别的潜力，特别是在虚拟现实环境中的应用。创建过程中，参与者完成了五种不同的眼动任务，数据收集跨越了26个月。GazeBaseVR数据集的应用领域主要集中在生物识别和身份验证，旨在通过分析眼动模式提高个人识别的准确性和安全性。

The GazeBaseVR dataset was created by Texas State University. It contains 5,020 binocular eye movement recordings from 407 college-aged participants. The dataset was collected using eye-tracking technology integrated into a virtual reality (VR) headset, capturing both horizontal and vertical eye movement data at a sampling rate of 250 Hz. During its development, participants completed five distinct eye movement tasks, and the data collection process spanned 26 months. This dataset is designed to research the potential of eye movement as a biometric modality, particularly for applications in virtual reality environments. Its primary application domains focus on biometrics and identity authentication, aiming to enhance the accuracy and security of personal identification through the analysis of eye movement patterns.

搜集汇总

数据集介绍

构建方式

在眼动生物识别技术领域，GazeBaseVR数据集的构建体现了对虚拟现实环境下眼动数据采集的严谨探索。该数据集通过配备眼动追踪功能的虚拟现实头戴设备，以250Hz的采样率记录了407名大学年龄段受试者的5020次双眼眼动数据。数据采集历时26个月，分为三轮进行，每轮包含五种眼动任务：聚散运动、水平平滑追踪、阅读、视频观看及随机扫视任务。为确保数据的时间维度分析，短期数据采集于第一轮，间隔约20分钟；长期数据则于第三轮采集，与第一轮相隔约26个月，从而系统性地捕捉了受试者在不同时间尺度下的眼动模式变化。

特点

GazeBaseVR数据集的核心特征在于其专注于虚拟现实环境下的眼动生物识别研究，提供了大规模、纵向且双眼同步的眼动记录。数据集不仅覆盖了多样化的眼动任务，还通过多轮采集实现了短期与长期数据的对比分析，为探究眼动模式的稳定性与时间演化提供了丰富素材。与实验室高端眼动仪采集的数据相比，该数据集源自更具噪声的VR设备环境，反映了实际应用场景中的数据特性，其双眼配置进一步增强了生物识别的信息维度，为验证VR眼动数据的生物识别潜力奠定了实证基础。

使用方法

该数据集主要应用于眼动生物识别认证研究，用户可通过预处理步骤如线性插值确保时间戳一致性，并利用Savitzky-Golay滤波器计算水平与垂直速度通道以平滑数据。研究通常将记录分割为非重叠的5秒窗口，进而聚合为45秒片段用于模型输入。采用如Eye Know You Too等端到端机器学习架构，可从原始眼动数据中提取嵌入表示，并通过交叉验证评估认证性能。数据集支持单眼与双眼研究的对比，以及短期与长期性能分析，助力探索VR眼动数据在生物识别系统中的可行性与鲁棒性。

背景与挑战

背景概述

眼动生物识别技术作为行为生物特征的重要分支，近年来在身份认证领域展现出独特潜力。GazeBaseVR数据集由德克萨斯州立大学的研究团队于2023年构建，旨在探索虚拟现实环境中眼动数据的生物识别可行性。该数据集通过配备眼动追踪功能的VR头显采集，包含407名参与者在26个月内完成的5020次双眼记录，采样率为250Hz，涵盖聚散、平滑追踪、阅读、视频观看及随机眼跳五种任务。该数据集的建立标志着眼动生物识别研究从传统高精度眼动仪向消费级VR设备的拓展，为可穿戴设备上的连续身份认证提供了新的数据基础与研究范式。

当前挑战

GazeBaseVR数据集致力于解决虚拟现实场景下基于眼动行为的身份认证问题，其核心挑战在于VR设备采集的数据具有较高的噪声水平，导致眼动信号的空间精度与准确度显著低于实验室级眼动仪，这直接影响生物识别模型的区分能力与鲁棒性。在数据集构建过程中，研究团队面临多重困难：VR头显的时间戳存在不规则间隔，需通过线性插值进行校正；不同任务的眼动模式差异巨大，需设计多任务实验以全面捕捉个体特征；同时，长期数据采集涉及参与者流失与设备一致性维持，增加了数据质量控制与时序对齐的复杂度。这些挑战共同制约了基于VR眼动数据的生物识别系统在实用场景中的性能边界与泛化能力。

常用场景

经典使用场景

在虚拟现实与生物识别交叉领域，GazeBaseVR数据集为眼动生物识别研究提供了关键数据支撑。该数据集最经典的使用场景在于评估基于眼动模式的个体身份认证系统在虚拟现实环境中的性能。研究者通过分析受试者在VR头显中执行阅读、平滑追踪、随机扫视等标准化任务时产生的眼动信号，构建并验证身份认证模型，从而探索眼动生物特征在嘈杂、非受控的VR采集条件下的可行性与鲁棒性。

实际应用

该数据集的实际应用场景紧密关联于下一代身份安全与交互技术。基于GazeBaseVR的研究成果可直接应用于开发沉浸式虚拟现实环境中的连续、非侵入式身份认证系统，例如在VR社交、远程办公、在线教育或军事训练中确保操作者身份的真实性与唯一性。此外，其揭示的眼动模式个体差异性也为构建抗欺骗的活体检测机制提供了理论基础，能够有效防御针对传统生物特征（如面部或虹膜）的呈现攻击，提升虚拟空间中的整体安全防护水平。

衍生相关工作

GazeBaseVR数据集催生并支撑了一系列眼动生物识别领域的经典与前沿工作。其直接衍生的研究包括对EKYT等端到端深度学习模型的性能基准测试，以及探索眼动信号中身份信息在不同频段的分布。该数据集常被用作与GazeBase等传统眼动数据集的对比基准，以评估不同采集设备与范式的影响。相关研究进一步拓展至利用眼动进行人口统计学属性预测、认知状态评估，以及在更广泛的可穿戴计算场景中验证眼动生物识别方案的普适性，持续推动着行为生物特征识别技术的发展。