Eye-movement similarity

Die Diagnose von Lernstörungen wie Dyslexie ist aufgrund subtiler und oft unspezifischer Symptome anspruchsvoll, wodurch eine frühzeitige Erkennung durch Nicht-Expertinnen und -Experten erschwert wird. Angesichts der erheblichen Auswirkungen auf Bildungswege und persönliche Entwicklung sind Früherkennungsmethoden von zentraler Bedeutung. Frühere Eye-Tracking-Studien weisen darauf hin, dass das okulare Verhalten Rückschlüsse auf Leseschwierigkeiten erlaubt, beruhen jedoch häufig auf einzelnen Datensätzen und uneinheitlichen Analyseverfahren, was Fragen nach Stabilität und Verallgemeinerbarkeit aufwirft. Dieses Projekt verwendet PyEyeSim, eine Open-Source-Bibliothek zur umfassenden Analyse von Augenbewegungen, die sowohl Gaussian Hidden Markov Models (GHMM) als auch ein neu entwickeltes Sakkadenwinkel-Ähnlichkeitsmaß umfasst. Diese Methoden werden in Kombination mit modernen Klassifikatoren, einem Multi-Layer Perceptron (MLP) und einem Convolutional Neural Network (CNN), systematisch untersucht um den leistungsfähigsten Ansatz für ein generalisierbares diagnostisches Rahmenwerk zu identifizieren. Grundlage bilden zwei unterschiedliche Datensätze: Der erste umfasst 70 Teilnehmende (35 Kontrollpersonen, 35 Dyslexie-Betroffene), die drei längere Textstimuli lesen. Der zweite Datensatz enthält ursprünglich 200 Teilnehmende mit 36 kurzen Sätzen und wurde nach Datenbereinigung in zwei Untergruppen aufgeteilt: 88 Personen aus München (49 Kontroll-, 39 Dyslexie-Gruppe) und 83 aus Graz (60 Kontroll-, 23 Dyslexie-Gruppe), die sich in Sprache und Stimuluscharakteristik unterscheiden. Die Datenaufteilung erfolgte mittels 5-facher Kreuzvalidierung (80/20 % im ersten Datensatz, 90/10 % im zweiten). Die Einbeziehung des Sakkadenwinkel-Ähnlichkeitsmaßes als zusätzliches Eingangsmerkmal führte zu einer signifikanten Leistungssteigerung des MLP- Modells. Im ersten Datensatz verbesserte sich die durchschnittliche Genauigkeit bei Aufgabe 1 von 91.43% ± 5.35% auf 92.86% ± 4.52%, bei Aufgabe 2 blieb sie stabil (90.00% ± 7.28% auf 91.43% ± 8.33%) und bei Aufgabe 3 stieg sie von 88.57% ± 5.71% auf 90.00% ± 3.5%. Im zweiten Datensatz erreichte das erweiterte MLP eine Genauigkeit von 97.77% über 5 Folds und blieb auch über 100 Folds hinweg robust über 90%: 91.44% ± 9.54% (München) und 93.50% ± 7.39% (Graz). In allen Fällen übertraf das Modell Varianten ohne das Ähnlichkeitsmaß. Während das CNN konstant niedrigere Werte erzielte, zeigte das GHMM eine starke Genauigkeit zwischen 91.11% und 95.55% über die 5 Folds und näherte sich damit dem MLP an. Die Ergebnisse belegen, dass die Kombination fortgeschrittener Augenbewegungsmetriken mit einer angepassten MLP- Architektur ein robustes und generalisierbares Verfahren zur Früherkennung von Dyslexie über lange und kurze Textstimuli hinweg bietet. Für kurze Stimuli stellt das GHMM eine interpretierbare, einfache und zugleich leistungsfähige Alternative dar, die zusätzlich Transparenz und Erklärbarkeit in diagnostischen Anwendungen fördert.