MambaGaze：雙向 Mamba 與明確缺失數據建模的眼動追蹤認知負荷評估
arXiv - Human-Computer InteractionAmir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
提出 MambaGaze，結合缺失數據編碼與雙向 Mamba，實時精準評估眼動追蹤中的認知負荷。
AI 幫你先抓重點
AI 重點 1
缺失數據編碼（XMD）能明確表達眼動訊號的不確定性，顯著提升模型對斷斷續續資料的容錯性。
滑鼠懸停看 AI 判斷理由
傳統模型往往忽略缺失訊號，導致誤判；XMD 讓模型能辨識何時資料缺失，提升評估準確度，對實時監測系統至關重要。
AI 重點 2
雙向 Mamba-2 以線性計算複雜度捕捉長期時間依賴，兼顧效能與精度，為低功耗裝置提供可擴展的時間序列分析框架。
滑鼠懸停看 AI 判斷理由
長期依賴是認知負荷評估的關鍵，Mamba-2 在保持低延遲的同時，提供足夠的上下文資訊，讓模型在邊緣設備上仍能保持高準確率，改變了傳統深度模型的資源需求。
核心研究發現
- 1
在 CLARE 數據集上，MambaGaze 的準確率達 76.8%，較 CNN、Transformer、ResNet、VGG 基線高 4-12 個百分點。
- 2
在 CL-Drive 數據集上，MambaGaze 的準確率為 73.1%，同樣超越傳統基線。
- 3
在 NVIDIA Jetson 平台上，MambaGaze 可實時推論 43-68 FPS，功耗低於 7.5W，證明其可在可穿戴裝置上部署。
對教育工作者的啟發
此研究顯示在設計可穿戴認知負荷監測系統時，必須同時考慮缺失數據處理與低功耗時間序列模型。開發者可採用 XMD 編碼將觀測遮罩與時間差納入特徵，並使用雙向 Mamba-2 以線性複雜度捕捉長期依賴，確保即時推論與低功耗。實務上，可將模型部署於 Jetson Nano 或 Jetson Xavier NX，並透過 43-68 FPS 的實時表現，實現車載或飛行員監測。
原始文獻資訊
- 英文標題：
- MambaGaze: Bidirectional Mamba with Explicit Missing Data Modeling for Cognitive Load Assessment from Eye-Gaze Tracking Data
- 作者：
- Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。