一种基于CNN-Transformer的三元眼动行为分类方法

本发明公开了一种基于CNN‑Transformer的三元眼动行为分类方法，涉及眼动追踪与智能信号处理技术领域。本发明包括：接收原始眼动数据并进行预处理，在多个时间尺度上，对预处理后的眼动数据计算位移、速度、方向及标准差特征，生成多尺度特征序列；构建CNN‑Transformer混合模型，将多尺度特征序列输入CNN‑Transformer混合模型，得到分类输出结果。本发明采用"局部‑全局"分层建模策略，先通过CNN提取多尺度局部运动学特征，再利用Transformer捕捉长程时序依赖，相较单一架构基线模型，在三元事件识别上具有更好的收敛稳定性与泛化表现，且本发明通过CNN‑Transformer混合架构与Hyperband超参数优化的协同作用，大幅提升平滑追踪类别的F1分数，实现了突破性进展，有效缓解了类别不均衡导致的性能瓶颈。