自然行走中行为塑造视网膜运动统计数据集

数据集获取

源站：https://search.dataone.org/view/sha256%3A9d90244f353270a32f264392b3c2c3c2f7f097b23d97c39773261c26ab63b09b

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

行走于环境中会产生视网膜运动，人类依赖这种运动来完成多种视觉任务。视网膜运动模式由一组相互关联的因素决定，包括注视位置、注视稳定性、环境结构以及行走者的目标。这些运动信号的特征对神经组织和行为具有重要影响。然而，迄今为止，尚无实证性的原位测量来揭示眼动与身体运动的结合如何与真实三维环境相互作用，从而塑造视网膜运动信号的统计特性。在此，我们采集了行走过程中眼睛、身体及三维环境的测量数据，并描述了由此产生的视网膜运动模式的特征。

我们阐释了这些模式如何受世界中注视位置及行为的影响，以及它们如何为运动敏感度和感受野特性在视野中变化的方式提供模板。原始数据（未包含在本数据集中）：Pupil Labs Core眼动追踪器（面向世界的摄像头RGB视频、红外眼摄像头视频）Shadow Motion Capture系统（基于IMU的运动捕捉数据、传感器方向和相对位置数据）处理后数据（如指示则包含）：使用Pupil Capture软件处理眼动追踪数据，提供相对于3D注视向量的面向世界摄像头视角。使用Meshroom处理面向世界的视频，以提供摄像头位置和方向，以及3D网格地形重建。自定义MATLAB代码用于将3D注视向量与估计的摄像头位置对齐，提供相对于3D网格的近似眼球中心、眼睛方向（注视数据包含在数据集中）。自定义Python代码与Blender结合使用，计算眼睛透视深度图像。自定义MATLAB用于根据深度图像+眼平移+眼旋转测量来近似视网膜运动。

（包含视网膜运动直方图），.mat 文件：MATLAB，替代方案：Python + scipy.io.loadmat，或可使用 GNU Octave 来

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。