精选理由
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。
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。
AI 翻译 · 中文
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。
Real-time cognitive load assessment from eye-tracking signals could potentially enable adaptive human-centered-AI such as safety-critical applications such as driver vigilance monitoring or automated flight deck assistan…