11:06arXiv cs.AI@Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles精选眼动追踪数据在实时认知负荷评估中面临两大挑战:眨眼和追踪失败导致的数据频繁缺失,以及长时程依赖的高效建模。MambaGaze框架通过显式缺失数据建模(XMD编码)和双向Mamba-2结构解决这些问题,在CLARE和CL-Drive数据集上分别达到76.8%和73.1%的准确率,超越CNN、Transformer等基线4-12个百分点。在NVIDIA Jetson边缘设备上实现43-68 FPS的实时推理,功耗低于7.5W,适合可穿戴认知负荷监测场景。该工作为安全关键应用(如驾驶员警觉监控、自动化驾驶舱辅助)提供了可行的AI方案。论文认知负荷评估眼动追踪Mamba缺失数据建模边缘部署推荐理由:眼动数据缺失是认知负荷评估的长期痛点,MambaGaze用双向Mamba显式建模缺失模式,做可穿戴AI或人机交互的团队可以直接参考其边缘部署方案。原文