Synthetic Microsaccade Dataset

该数据集由爱尔兰国立高威大学工程学院 C3I Imaging Lab 的研究人员创建，包含 175,000 个注解序列样本，模拟了真实水平的眼睛运动，共分为七个幅度范围，从 0.5° 到 2.0°。数据集使用 Blender 渲染 RGB 帧生成，并通过事件模拟器 v2e 转换为事件流，以支持神经形态视觉模型的评估。数据集旨在提供一个受控的环境，以系统评估和重现神经形态视觉模型，并支持未来的研究。This dataset was developed by researchers at the C3I Imaging Lab, School of Engineering, National University of Ireland Galway. It comprises 175,000 annotated sequence samples that simulate realistic eye movements, grouped into seven amplitude ranges spanning from 0.5° to 2.0°. The dataset was created by rendering RGB frames via Blender, then converted into event streams using the event simulator v2e to facilitate the evaluation of neuromorphic vision models. Its purpose is to provide a controlled environment for the systematic evaluation and reproduction of neuromorphic vision models, as well as to support future research endeavors.

搜集汇总

数据集介绍

构建方式

在认知计算领域，微扫视作为微小且非自主的眼球运动，其研究常受限于传统设备的时空分辨率。本数据集通过Blender软件生成高保真度的眼球运动场景渲染，模拟水平方向微扫视运动，涵盖0.5°至2.0°的七类角位移范围。利用v2e事件模拟器将RGB帧序列转换为异步事件流，通过随机重采样策略平衡事件数量与时间动态特征，最终构建包含17.5万条标注事件序列的合成数据集，有效保留了真实微扫视的毫秒级时空特性。

特点

该数据集以事件相机的高效感知机制为核心，具备微秒级时间分辨率与稀疏事件表征的优势。事件流持续时间覆盖0.25毫秒至2.25毫秒，通过对称生成左右眼运动序列与角位移分类标签，建立了受控环境下的运动动力学基准。其事件计数重叠策略消除了运动幅度与事件数量的强相关性，使得模型必须依赖真实运动模式而非统计偏差进行分类，为神经形态视觉研究提供了高信噪比的实验基础。

使用方法

该数据集专为脉冲神经网络设计，支持Spiking-VGG系列模型的训练与评估。使用者可通过裁剪440×300像素的眼部区域事件流，输入具有动态时间步长的脉冲卷积架构。训练过程中可结合光流监督分支增强运动敏感性，并利用神经形态数据增强策略提升泛化能力。经合成数据训练的模型可直接迁移至真实事件流数据，为视觉神经科学中的微扫视检测与认知状态分析提供可复现的实验范式。

背景与挑战

背景概述

微眼跳作为视觉感知研究中的关键生理现象，其微小且非自主的特性对神经科学和认知计算领域具有深远意义。由爱尔兰戈尔韦大学与都柏林圣三一学院联合研发的合成微眼跳数据集，于2025年通过Blender建模与事件相机模拟技术构建，旨在解决传统眼动仪在时间分辨率与可扩展性上的局限。该数据集通过175,000条标注事件流，覆盖0.5°至2.0°的七类角位移微眼跳，为神经形态视觉与认知状态分析提供了高保真基准数据，推动了事件驱动范式在精细运动分析中的应用。

当前挑战

微眼跳检测面临的核心挑战在于其毫秒级瞬时性与亚度级微小幅度，传统帧式相机因时间分辨率不足难以捕捉动态细节，而高采样率硬件又存在成本与数据冗余问题。数据集构建过程中需克服合成数据与真实场景的域适应难题，包括运动动力学模拟的保真度、事件流生成的时序对齐，以及避免模型对事件数量的过拟合。此外，缺乏真实事件标注数据限制了模型验证，需通过光学流监督等机制增强时空特征学习能力。

常用场景

经典使用场景

在视觉神经科学领域，微眼跳数据集主要应用于认知计算中对细微眼球运动的系统性研究。该数据集通过事件相机模拟的高时空分辨率事件流，为识别和分类幅度在0.5°至2.0°之间的微眼跳提供了标准化基准。研究人员利用脉冲神经网络模型，如Spiking-VGG系列，对七种不同角位移类别的微眼跳进行精确分类，平均准确率可达90%，显著推进了动态视觉感知机制的探索。

解决学术问题

该数据集有效解决了传统眼动追踪技术在微眼跳检测中的局限性。传统方法受限于高成本硬件和低时间分辨率，难以捕捉毫秒级瞬态运动。通过合成事件流与脉冲神经网络的结合，数据集突破了时空动态建模的瓶颈，为认知状态与神经活动关联性研究提供了可靠数据基础，同时填补了事件视觉领域在微眼跳检测方面的空白。

衍生相关工作

该数据集催生了多项创新性研究，包括Spiking-VGG16Flow等光学流增强模型的开发。这些工作通过融合时空动态与运动正则化技术，提升了模型对细微运动的敏感性。后续研究进一步拓展至EV-Eye等真实事件数据的跨域验证，推动了合成数据驱动范式在视觉神经科学中的普及，为微眼跳轨迹重建等复杂任务奠定基础。