Una cámara de eventos genera un flujo de eventos basado en cambios de brillo, conservando solo las características de los objetos en movimiento, y aborda el alto consumo de energía asociado con el uso de cámaras de alta velocidad de cuadro para tareas de seguimiento ocular de alta velocidad. Sin embargo, la naturaleza incremental asincrónica de la salida de la cámara de eventos no ha sido totalmente aprovechada, y también existen problemas relacionados con conjuntos de datos de eventos faltantes. Combinando la codificación de información temporal y las propiedades de preservación de estado de una red neuronal de disparo (SNN) con una cámara de eventos, se propone un algoritmo de seguimiento ocular de corto alcance, así como un nuevo conjunto de datos basado en eventos para validación y evaluación. Según los resultados experimentales, la solución propuesta supera a los algoritmos de redes neuronales artificiales (ANN), mientras que el tiempo computacional sigue siendo solo el 12.5% del de los algoritmos SNN tradicionales. Además, el algoritmo propuesto permite el ajuste automático de la resolución temporal, con una resolución máxima alcanzable de 0.081 ms, mejorando la estabilidad de seguimiento manteniendo la precisión.