用于模拟中央视力丧失的感知学习研究的凝视条件显示框架

我们提出了一种凝视条件显示框架的开发，该框架专为模拟中央视力丧失的感知和动眼神经研究而设计。该框架特别适用于研究经历模拟和病理性中央视力丧失的个体的代偿行为和动眼神经策略。

黄斑变性 （MD） 是西方世界视力障碍的主要原因之一。MD 患者倾向于发展自发的眼球运动策略来补偿他们的视力丧失，包括采用首选的视网膜轨迹或 PRL，这是一个他们更频繁地使用的备用外周区域来替换受损的中心凹。然而，并非所有患者都能成功发展 PRL，即使他们成功了，也可能需要几个月的时间。目前，尚无金标准康复疗法，MD 研究进一步受到招募、依从性和合并症问题的阻碍。为了帮助解决这些问题，越来越多的研究在模拟视力完整的个体的中央视力丧失范式中使用了眼动追踪引导的凝视条件显示。虽然模拟视力丧失与病理性中央视力丧失有质不同，但我们的框架提供了一个高度受控的模型，通过该模型来研究代偿性眼球运动并测试低视力下可能的康复干预措施。通过开发一个全面的框架，而不是依赖孤立和不连贯的任务，我们创造了一个有凝聚力的环境，我们可以在其中测试更大规模的假设，使我们能够检查任务之间的相互作用，评估多种措施的训练效果，并为未来的研究建立一致的方法。此外，与 MD 患者相比，模拟中心视力丧失研究的参与者在动眼神经代偿行为方面表现出相似性。在这里，我们提出了一个框架，用于进行与模拟中央视力丧失相关的凝视或有研究。我们强调利用该框架来测试健康个体在包含不同视觉处理水平的广泛感知任务上的行为和动眼神经表现。我们还讨论了如何调整该框架来培训 MD 患者。

黄斑变性 （MD） 是全球视力障碍的主要原因，预计到 2040 年，全球将有 2.48 亿人受到影响¹。晚期 MD 的特征是视野中心（中央凹）的光感受器受损。中心视力丧失对依赖中心视力的日常任务有严重影响，例如导航 2 （navigation²）、阅读³ （reading 3） 和识别面孔⁴ （recognize faces）。MD 的后果极大地影响了这些人的生活质量⁵ 并导致负面的心理后果⁶。被剥夺了中央视力的 MD 患者可能会自发地发展出代偿性动眼神经策略，涉及使用周边视网膜区域来替换中央凹（图1）。该区域被称为首选视网膜轨迹 （PRL）⁷，通常由患者在涉及注视、阅读和面部识别的任务中采用。有证据表明，在 MD 患者中，PRL 接管了中央凹的动眼神经参考职责 ^8,9。此外，在中心视力丧失患者中观察到注意力和认知控制的变化，表明视力丧失与认知功能之间存在关系¹⁰。

图 1.视力健康的个体和患有中心凹暗点的黄斑变性患者的感知体验图示。 中央凹暗点导致黄斑变性患者的中心视力丧失。一些个体可以通过使用周边视网膜位置（定义为首选视网膜位点 （PRL））来部分补偿中央凹视觉输入的损失。在发生 PRL 的患者中，这通常用于离心固定和日常任务。PRL 的视网膜位置、形状和大小可能因人而异。 请单击此处查看此图的较大版本。

虽然不存在恢复视力丧失或补偿中心视力丧失的黄金标准干预措施，但正在测试来自验光、职业治疗和视觉科学的实验方法，以改善周边视力的补偿^11,12。动眼神经方法侧重于教患者改善眼球运动控制和协调，包括教他们使用更适当的 PRL 11,12,13,14,15，^而感知干预侧重于改善 PRL 内的一般周边视觉能力或视力，部分克服周边视力的限制 16,17,18，^19,20.最近的研究使用基于眼动追踪的凝视条件显示作为研究中心视力丧失中眼球运动的范例 21,22,23,24,25,26,27,28,29。这种方法利用健康个体的模拟暗点（即阻塞视野中央区域的遮挡物）（图 1），缓解了募集和依从性问题，同时对几个参数提供高度控制，例如暗点的大小和形状，从而为 MD 患者的直接参与提供了一种有前途的替代方案。虽然中央视力丧失和模拟暗点之间存在一些差异^30,31，但在前者中观察到的一些动眼神经行为，例如 PRL 的发展，可以在后者中看到 27,30,32，这表明代偿性动眼神经策略的某些方面可以通过这种凝视条件范式引发。重要的是，模拟中央视力丧失为研究健康视觉系统和中央视力丧失后的可塑性提供了一个广泛的框架。

在这里，我们介绍了凝视条件框架的设计、开发和使用，该框架可用于测试健康个体的感知、动眼神经和注意力表现，并且经过一些修改后，还可以测试 MD 患者的感知、动眼神经和注意力表现（图 2）。我们还详细介绍了伴随凝视、外围训练的技术和心理物理考虑因素。一个关键的技术挑战涉及创造暗点³³ 平滑、短延迟运动的感觉。这种较短的延迟是通过选择合适的显示设备、眼动仪和作系统来实现^的 34,35,36。以前的工作记录了每个硬件如何增加延迟³⁷ 以及减少整体延迟、适应眨眼和减慢眼球运动³³ 的策略。我们范式的一个新颖方面是在健康和患者群体的感知研究的单一框架内进行多样化的培训和评估任务。该框架表征了受中央视力丧失影响的多个层次的视觉处理，特别是低层次视觉、高级视觉、注意力、动眼神经控制和认知控制。使用这种方法的修改版本进行的初步测试显示，健康对照和患者群体的视力都有所改善的证据³²。

图 2.研究视觉系统可塑性和黄斑变性视力康复的多维方法。 相互关联的维度（如视觉感知、动眼神经和认知控制）的插图，这些维度有助于视觉处理并受到中央视力丧失的影响。 请单击此处查看此图的较大版本。

所有参与者都是视力为 20/40 或以上且没有已知视力问题的健康个体。两位代表参与者均为女性，年龄分别为 27 岁和 24 岁。所有参与者都提供了知情同意，该研究获得了阿拉巴马大学伯明翰分校机构审查委员会 （IRB） 的批准。

1. 确定模拟中央视力丧失研究的理想系统

1. 确定一个能够以连续循环的方式有效地将信息从眼动仪传输到刺激生成软件的系统。使用³⁷ 中描述的方法测量不同系统组合的延迟，以确定延迟最低的系统组合。
   注意： 图 3 显示了四种不同系统组合的组合延迟比较，包括两个眼动仪（EyeLink 1000 Plus 塔式支架和 TRACKPixx3）、两个显示设备（CRT 监视器（刷新率 = 100Hz）和 Display++（刷新率 = 120Hz））以及两个作系统（Windows 10 和 Mac iOS）。每个组合测量 20 次。结果显示，当 Vpixx TrackPixx3 眼动仪与 Windows 10作系统结合使用时，系统延迟最低。

图 3：显示器、眼动追踪设备和作系统的不同组合之间的延迟比较。 条形表示每个组合 20 次重复的 1 个标准差±。使用 Mac作系统手机在慢动作模式下采取措施，刷新率达到 240Hz。TP/CRS/Win 与 E1000/CRT/Mac （t（38）=9.53， p<0.001）、E1000/CRS/Mac （t（38）=16.24， p<0.001） 和 E1000/CRS/Win （t（38）=3.94， p<0.001） 在统计学上不同。 请单击此处查看此图的较大版本。

2. 参与者通过凝视条件显示熟悉模拟中央视力丧失

注意：模拟中央视力丧失的一个基本组成部分是让参与者熟悉凝视条件显示。如果没有适当的熟悉，能力的衡量可能会与参与者在凝视条件显示中导航的努力混为一谈。该协议中的几个关键步骤确保对视线条件显示有足够的熟悉，以便能够可靠地测量视觉表现。

1. 向参加者提供有关他们将在特定会话期间执行的任务的视听说明。对于每个任务，都有专门的视频说明，其中包含实际任务的屏幕截图。然后，口头解释说明，以确保参与者对给定任务的预期有很好的理解。
2. 在开始每项主要任务之前，为参与者提供模拟试验。这提供了一个机会来澄清与任务相关的任何问题。
3. 在初次访问期间，在执行注视任务之前，对参与者进行注视训练，他们学习将模拟的暗点放置在屏幕上的白色中央框中，持续时间不同，空间容忍度在试验中增加，同时忽略可能出现在屏幕上的干扰物。
4. 此外，对参与者进行 PRL 诱导任务，旨在促进 PRL 样行为的发展。在此任务中，让参与者查看随机放置在屏幕上的覆盖目标的不透明圆盘（例如，Landolt C），并将暗点移动到靠近不透明圆盘的位置以显示目标。
   注意：该任务的动眼神经分析可以指示早期 PRL 样位置，以后可以用作训练位点。在这个实验范式中，圆形中央暗点小于 10° 视角。这些步骤使参与者能够熟悉视线条件显示，并准备好使用他们的周边视觉执行广泛的感知评估和训练任务。

3. 制定有效的指令

注意：说明在指导参与者在不同任务中如何响应刺激和管理他们的模拟暗点方面起着至关重要的作用。适当的说明必须详尽清晰，以避免任何混淆。应根据需要重复说明以确保理解。

1. 教学视频
   1. 视觉演示：提供视频以直观地演示任务的每个步骤。视频应清楚地说明如何在任务期间适当地管理模拟暗点以及如何对刺激做出反应。
   2. 旁白：提供一个简洁的脚本，以配合视觉演示，以简单的术语解释该过程。确保语言易于理解，并避免使用技术术语。
2. 脚本式口头指令
   1. 一致性：使用标准化脚本进行口头说明，以确保不同会议和参与者之间的一致性。示例：在整个任务中，会有多个休息时间让你的眼睛休息。在这些休息期间，请确保将头放在下巴托上。当您准备好继续任务时，按空格键，任务将再次开始。
   2. 清晰：缓慢而清晰地说话 - 确保强调任务的所有重要方面。
3. 视觉说明
   1. 屏幕说明：在屏幕上提供书面指导，参与者可以在完成任务之前和期间阅读。使用简短的句子来清晰地使用视觉辅助工具来演示参与者在每项任务中可能遇到的刺激。

4. 评估任务的设计与实施

注意：在此框架内设计的任务大致分为两大类：（1） 自由眼球运动任务和 （2） 注视受限任务。在自由眼球运动任务中，让参与者在屏幕上进行眼球运动，以识别出现在屏幕上随机位置的目标（或阅读文本），而在注视受限任务中，要求参与者在整个任务中将注视保持在中央白框内，并使用他们的周边视觉做出判断。 图 4 显示了每个类别的示例任务和描述。有关任务的更多详细信息，请参阅³⁸。

图 4：使用该框架设计的不同评估任务的可视化表示。 这些任务大致分为自由眼球运动任务，其中暗点跟随参与者的眼球运动自由查看目标（上面板）和注视受限任务，其中暗点需要在整个任务中放置在中央白框内（底部面板）。这个数字是从³⁸ 个修改而来的。 请单击此处查看此图的较大版本。

1. 自由眼球运动任务
   注意：免费眼动任务可测量参与者在执行任务时的眼球运动行为。这些促进了对自然任务（如阅读和视觉搜索）中眼睛运动的理解。
   1. 教学视频/口头说明
      1. 在校准之前，向参与者展示教学视频和脚本口头说明。
   2. 校准
      1. 在任务之间运行先前校准的验证，并在验证不佳或参与者在任务之间休息时运行其他校准的验证。
   3. 自由查看任务特定方法
      1. 执行自由查看任务，指示参与者使用他们的目光执行各种作，而不是专注于一个区域。选择使用以下变体之一执行任务。
      2. 将暗点靠近提示，从而产生刺激。在一段时间内保持对特定屏幕位置的注视。执行标准任务，如阅读或视觉搜索，中心视力被暗点遮挡。
      3. 在任务开始时，为参与者提供屏幕说明，然后进行一组练习试验。完成模拟试验后，在继续执行任务之前提供提醒说明。在衡量绩效之前，确保参与者理解并熟练使用视觉布局、所需的动眼动作和每项任务的响应特征。
      4. 为参与者提供听觉反馈，表明他们在完成每项任务时回答的准确性，因为使用暗点可能会错过视觉反馈。
      5. 在每项任务中加入最多 1 分钟的休息时间，以减少测试疲劳的机会。在几天内加入 3 分钟或更长时间的休息时间，包括更长的评估时间，以减少测试疲劳的机会。
2. 固定受限任务
   注意：注视受限任务可用于测试或训练特定视野位置的周边视觉。这些任务适用于测试早期和中期视觉处理，包括视力、对比敏感度、拥挤等，以及高级视觉处理，包括外源性和内源性注意力。对于这些任务，参与者学会保持稳定注视非常重要，以避免任务执行被专门用于稳定注视的注意力资源所混淆。在这些任务中，参与者被要求在注视辅助工具的帮助下将他们的中央视觉集中在屏幕中心（图 5B），同时对出现在他们周边视觉中的刺激做出反应。
   1. 教学视频/口头说明
      1. 在校准之前，向参与者展示教学视频和脚本口头说明。
   2. 校准
      1. 在任务之间运行先前校准的验证，并在验证不佳或参与者在任务之间休息时运行其他校准的验证。
   3. 固定约束任务特定方法
      1. 在固定受限的任务中，要求参与者在任务期间保持头部在下巴托中的位置，确保校准在整个过程中尽可能准确地保持在原始位置。
      2. 为参与者提供屏幕说明，然后进行一组模拟试验。完成模拟试验后，在继续执行任务之前，先在屏幕上提供一组提醒说明。
      3. 在这些任务中，要求参与者在注视辅助设备（白色矩形注视盒）的帮助下将他们的中央视觉集中在屏幕中心，同时对注视盒两侧的周边视觉中出现的刺激做出反应。
      4. 在评估过程中，要求参与者用右手食指在位于他们右侧的五按钮回答框上回答。如果不维持注视，则刺激将不会呈现，并且除非恢复注视，否则刺激将超时。
      5. 为参与者提供听觉反馈，表明他们在完成每项任务时回答的准确性，因为同样，由于使用暗点，可能会错过视觉反馈。
      6. 在每项任务中加入最多 1 分钟的休息时间，以减少测试疲劳的机会。在几天内加入 3 分钟或更长时间的休息时间，包括更长的评估时间，以减少测试疲劳的机会。
3. 开发合适的固定显示器
   注意：在尝试估计视网膜定义位置的性能时，涉及外周呈现的目标和阻碍中央视力的模拟暗点的任务带来了挑战。事实上，即使在中心凹任务中，眼睛也会以漂移和微扫视的形式做出微小的、不自主的运动）。因此，为了优化固定稳定性，在设计固定辅助设备时应仔细考虑。
   1. 开发一种固定辅助设计，其中包含一个大的固定十字和一个固定盒（图 5）。指导参与者将不透明的遮挡物保持在固定盒内，并使用固定十字的长臂作为屏幕中心的参考。
      注意：这种设计结合了靶心和十字准线类型的视觉辅助工具，这已被证明可以带来最佳的固定稳定性³⁹。此外，通过同时具有固定盒和固定十字，这种设计可以很容易地在转化环境中用于测试中心视力丧失的患者，就像 MD 患者一样。
4. 优化自适应程序以准确衡量性能
   注意：实施不同评估的一个关键方面是能够快速成功地估计这些任务子集（特别是视力、对比敏感度、拥挤和轮廓整合）中的性能阈值。挑战在于，传统楼梯可能收敛缓慢，并且目标性能接近阈值，从而导致挫败感和疲劳。为了规避这一点，我们实施了一个三阶段程序来估计参与者在这些任务中的表现。
   1. 在第一阶段，要求参与者在实际实验之前进行 12 次练习试验。在第二阶段，利用一个 2 下 1 上楼梯，在 3 次向下反转后终止（即，刺激变化的方向，从下（硬）到上（容易），也参考代表性结果部分），然后是第三阶段，由传统的 3 下 1 上楼梯组成，在 60 次试验后结束。
      注意：试点研究表明，该程序为大多数任务（视力、拥挤和对比敏感度任务）实现了可靠的阈值。但是，某些任务可能需要其他方法，尤其是当参与者之间的性能差异很大时。例如，在轮廓集成任务中，在程序的第一阶段（实践）之后，实施了附加程序。任务的难度是使用渐进楼梯法纵的，其中方向抖动 （0°、1°、2°、4°、6°、8°、10°、12°） 每 3 次试验增加一次，总共 24 次试验。然后，手术的第二和第三阶段 （适应性楼梯） 继续正常进行。一般来说，不同的任务可能需要略有不同的适应性程序。但是，3 阶段方法允许参与者练习并快速进入其阈值范围内，并在该范围内提供详细的测量。

图 5：用于促进参与者固定稳定性的固定辅助工具。 （A） 固定十字和固定盒用于固定稳定性任务。（B） 中心的注视十字、注视框和黑色十字用于低级视觉任务。 请单击此处查看此图的较大版本。

在本节中，我们展示了来自自由眼球运动和注视受限任务的说明性数据。本节的目标是说明使用该框架获得的数据及其测量周边视觉功能的能力。该部分分为四个不同的类别，每个类别都强调了在模拟中央视力丧失下准确估计视觉性能所需的关键要素。这些类别包括 （1） 低级和中级视觉任务的表现，（2） 高级视觉任务中的注意力测量，（3） 生态有效任务，以及 （4） 当中央视觉注视受阻时捕捉适应性眼球运动策略的动眼神经指标。所有参与者都是视力为 20/40 或以上且没有已知视力问题的健康个体。我们的代表参与者都是女性，年龄分别为 27 岁和 24 岁。所有参与者都提供了知情同意，该研究获得了阿拉巴马大学伯明翰分校机构审查委员会 （IRB） 的批准。

使用自适应楼梯完成低级和中级视觉任务的性能

图 6 和 图 7 说明了两名参与者在四个特定视觉任务中的表现进展：视力（图 A）、对比敏感度（图 B）、轮廓整合（图 C）和拥挤（图 D）。表演轨迹使用颜色编码的楼梯表示，其中绿色表示目标的左侧位置，紫色表示右侧位置。对于每个任务，阈值是通过平均每个位置的最后六次反转来计算的（以及分别为轮廓整合和拥挤任务中的每个形状或方向）。这些阈值由垂直于 y 轴的虚线标记。需要注意的是，对于视力、对比敏感度和拥挤任务，y 轴上的较低值对应于更好的性能，而对于轮廓整合任务，较高的值表示性能越好。

图 6.参与者 1 在利用自适应楼梯的任务中的表现：面板 A 、 B 、 C 和 D 分别对应于参与者在视力、对比敏感度、轮廓整合和拥挤任务上的表现。左侧位置的性能用红点标记，而右侧位置的性能用黑点表示。每个任务的阈值由垂直于 y 轴的虚线表示。请单击此处查看此图的较大版本。

图 7.参与者 2 在利用自适应楼梯的任务中的表现：面板 A 、 B 、 C 和 D 分别对应于参与者在视力、对比敏感度、轮廓整合和拥挤任务上的表现。左侧位置的性能用红点标记，而右侧位置的性能用黑点表示。每个任务的阈值由垂直于 y 轴的虚线表示。请单击此处查看此图的较大版本。

在实验过程中，参与者在视力、对比敏感度、轮廓整合和拥挤任务中表现出可靠的表现（图6 和 7）。

注意措施

图 8 说明了参与者在外生注意力任务中的表现，其中测量了一致（有效提示）和不一致（无效提示）试验的反应时间，按位置（左/右）分类。对于参与者 1，在左侧位置观察到提示类型的显着影响（Welch 的 t 检验：t（111.5） = -2.6，p < 0.05），表明基于提示一致性的反应时间存在显着差异（图 8）。然而，在正确的位置没有发现显著的效果。对于参与者 2，在两个位置观察到的提示都没有显着影响。 图 8 显示了一致的提示效果，正如在外生注意力任务中所预期的那样。

图 8.外源性注意力任务分析： 该图显示了两名参与者的反应时间（以秒为单位），数据根据目标呈现的位置进行分组。在此可视化中，蓝色条形表示一致和不一致试验的反应时间和准确率百分比。包括误差线以指示每个条件的标准差。上图左侧显示反应时间和准确率，下图右侧显示反应时间和准确率。 请单击此处查看此图的较大版本。

自由眼动任务的性能

MNRead 任务的性能是通过阅读每个句子所花费的时间来衡量的，当参与者无法再阅读句子时，任务结束。 图 9A 和 B 显示了两个参与者的 MNRead 任务性能。正如预期的那样，阅读每个句子所需的时间会随着字体大小的减小而增加。从这些结果中，我们可以估计关键指标，例如阅读敏锐度（正确读取的最小字体大小）、最大阅读速度和临界打印大小（参与者可以以最大速度阅读的最小打印大小）。这些指标可以在参与者内部和参与者之间进行比较。 图 9C 显示了 Trail Making 任务的性能，记录了 A 部分（按升序连接数字）和 B 部分（按顺序连接交替的数字和字母）的总完成时间。尽管元素数量相同，但参与者通常需要更长的时间才能完成 B 部分，这一发现与之前的研究一致⁴³。

图 9.生态有效评估任务分析：面板 A 中参与者 1 和面板 B 中参与者 2 的响应时间（以秒为单位）与句子字体大小的函数表示。面板 C 说明了跟踪制作任务的 A 部分和部分 B 的完成时间（以秒为单位）。在此图中，蓝色条形表示参与者 1 的绩效，而红色条形对应于参与者 2 的绩效。请单击此处查看此图的较大版本。

眼动分析

为了了解视觉训练后的周边观察策略，我们分析了固定分布以估计固定稳定性和 PRL^44,45 的位置。通过控制不同试验中不同的注视位置来分析试验中眼睛位置的分散。这种方法允许计算每个试验中眼睛位置的平均离散度。该指标是试验第一次注视后眼睛位置分散的试验内测量，与之前的研究一致^27,28。此外，通过使用凝视条件显示对健康视力个体进行感知训练可缩短眼跳潜伏期⁴⁶。我们通过确定二元等值线面积 （BCEA） 来计算色散来分析外周固定行为，该区域包括特定百分比的固定，通常为 68%，在一定时间段（例如，15-30 秒）。与以前的研究不同，我们对每个试验持续时间的固定分散进行标准化，然后在所有试验中对其进行平均（如图 10 第 2 列所示）。这种归一化确保即使固定点在试验中的中心位置不同，该方法也会在一个公共参考点绘制所有分布。此外，我们采用核密度估计 （KDE） 的概率密度分析来直观地表示具有高密度固定的区域（图 10，第 3 列）。该技术允许我们将 PRL 定义为与 KDE 函数的峰值相对应的区域。需要注意的是，这些分析提供了参与者随时间变化的注视模式的一般概述，但没有区分凝视模式在不同试验中的变化。

图 10.固定稳定性分析：该图显示了两个参与者的注视分布的 BCEA 和 KDE 图。在 BCEA 图中，蓝色椭圆包围了总注视点的 68%。在 KDE 图中，亮黄色区域表示具有最高固定密度的区域。请单击此处查看此图的较大版本。

补充文件。请点击此处下载此文件。

在这篇方法论论文中，我们提出了一个凝视条件框架，用于在模拟中央视力丧失中进行感知研究，该框架强调硬件、设计和方法论考虑，这些考虑需要 （1） 为凝视条件显示选择最短的系统延迟，（2） 管理广泛的视觉感知任务，以及 （3） 测量参与者在该范式中的动眼神经和感知表现。关于 （1），我们强调需要测试硬件和软件可靠性以维持对凝视偶然性的感知。应测试眼动仪设备和计算机软件和硬件的特定组合，最好是不止一种，以确保延迟足够低，不会破坏对意外情况的感知，重要的是，不允许参与者利用系统延迟来执行中央凹的任务。关于 （2），我们在使用凝视条件显示设计任务（并随后收集数据）时实施了几项检查。一个关键方面是确保参与者熟悉暗点引入的改良观察条件。这包括训练它们保持稳定的注视，这对于注视依赖性任务至关重要，并启动适当的动眼神经行为，这两者都对于成功完成感知任务至关重要。我们通过训练参与者注视暗点并在使用感知任务之前使用 PRL 诱导任务来实现这一目标。关于 （3），我们为每个任务提供了一个详细的框架，包括设置、说明、练习和自适应方法，以解决自由观看和注视控制任务。我们框架的一个显着特点是它能够容纳广泛的感知任务，旨在评估各种视觉处理水平的表现，包括低级、中级和高级任务。为了准确衡量绩效，必须在任务内和任务之间加入足够的休息时间，并构建心理生理需求，以便能够有效和可靠地评估绩效。这种方法可以最大限度地减少疲劳，尤其是对于中央视力完整的参与者，否则他们可能会因长时间使用视觉周边而感到疲劳。最后，我们介绍了分析试验中眼球运动的方法，通过计算包含一定时期内给定百分比的注视的 BCEA 来量化代表参与者不同周边观察策略的动眼行为。

以模拟中央视觉丧失为模型，检验感知学习的特异性和泛化性

使用模拟中央视力丧失的基本原理有两个：（1） 它提供了一个受控的环境来测试训练策略并评估学习如何转移到其他未经训练的任务和位置，以及 （2） 有效使用周边视觉需要在多个视觉处理级别上进行增强，包括低、中和高水平视觉。我们的目标是研究这些不同的视觉领域如何通过中央视力丧失后的感知学习共同进化。通过测量一系列学习成果，我们旨在描述各种成果测量的不同学习概况和泛化模式。

虽然并不详尽，但拟议的训练策略涵盖了视觉处理的所有三个领域，解决了已知至少部分可以从视觉表现和神经科学角度分离的视觉基本方面。在这项研究中，参与者接受了 20 次训练，每次持续约 45 分钟，参加随机分配的四项训练任务之一。在训练开始之前，通过 PRL 诱导任务确定每个参与者的特定首选视网膜位点 （PRL），然后在训练期间将该位点用作训练后的视网膜位点 （TRL）。测量各种评估任务的基线和训练后表现，以观察学习是否转移到其他任务和未经训练的位置（即 TRL 以外的位置）。此外，我们还检查了这些任务中眼球运动指标的训练前后变化。

局限性

虽然该框架目前用于训练和评估视力健康（使用模拟暗点）和黄斑变性 （MD） 患者的表现，但有几个限制值得考虑。在我们的研究中，我们采用了可见的暗点，这可能会导致代偿性眼球运动或其他策略，而现实世界中的不可见暗点可能不会发生。此外，使用静态暗点，而不是形状和大小会发生变化和增长的动态暗点（如在患者中所见），限制了我们研究中心视力丧失的纵向影响的能力。然而，使用显微视野计监测患者暗点的物理特性，例如大小和形状是可行的。此外，暗点的均匀背景可能会导致适应效应，未来的研究应检查非均匀背景的使用。此外，虽然我们使用计算机显示器模拟中央视力丧失，但在更自然的环境中检查其影响也很重要。扩展现实 （XR） 系统有可能为视力健康的个体提供更身临其境和主观的模拟中央视力丧失体验，但必须仔细考虑此类系统的延迟，以确保对暗点的平滑和逼真的感知。重要的是，使用 XR 还可以促进更自然的任务的使用，这些任务可以更好地模拟中心视力丧失者需要完成的现实世界任务。

结论

在模拟中央视力丧失的背景下使用凝视条件显示器测试视力的拟议框架具有广泛的适用性，可用于理解中央视力丧失后周边视觉的使用情况以及开发新的视觉训练干预措施。新颖的多维框架集成了多种方法，可在注视控制和自由观看条件下测试视力，并且可以支持注视或有训练干预。该框架的其他方面可以扩展到解决基于视网膜或皮质的视野丧失的其他情况，这些情况也依赖于在视力丧失的情况下针对特定视野位置的测量和/或训练。它还可以跨技术系统（例如现代扩展现实系统）进行转换，以便为解决低视力的研究和实践提供更大的可访问性。

作者声明，本文的出版不存在利益冲突。

这项工作得到了 NIH NEI 1 U01 R01EY031589 和 1R21EY033623-01 的支持。