來源:映維網 作者 夢秋
在沉浸在VR環境中的時候,用戶經常會出現某種程度的暈動癥。這是阻礙VR普及的最大障礙之一,而即便經過數十年的研究,行業人士依然在探索有效的解決方案。
德州大學圣安東尼奧分校和休斯頓大學的研究人員最近發布了一份名為Automatic Detection and Prediction of Cybersickness Severity using Deep Neural Networks from user’s Physiological Signals(使用深層神經網絡并根據用戶生理信號自動檢測和預測暈動癥嚴重程度)的研究論文,并提出利用深層神經網絡來幫助檢測和預測暈動癥,從而幫助系統及時采取適合的緩解措施或提醒用戶。
由于精度高,采集暈動癥相關數據的標準方法一般是利用腦電圖(EEG)信號,而不是通過其他生理測量數據,如心率或呼吸頻率。但是,德州大學圣安東尼奧分校和休斯頓大學的研究人員認為生理數據的采集要比EEG數據簡單,并且需要更少的后處理。
針對生理數據之于EEG信號的劣勢,團隊把目光投向了深層神經網絡,利用機器學習和深度學習方法訓練了一個名為Convolutional Long Short-Term Memory的機器學習模型。
在實驗中,31名健康的被試將頭戴頭顯,手指接入GSR傳感器,胸口配備一個OmniSense HR傳感器,然后再體驗一款過山車模擬器。不出所料,大多數被試在數分鐘后就出現了某種形式的暈動癥。
團隊同時采集了被試的心率、呼吸頻率、心率變異性和皮膚電反應數據,并發現被試在經歷暈動癥時的生理信號與正常基線存在顯著差異。然后,研究人員比較了一個支持向量機分類器和三個深度神經分類器在兩分鐘內檢測和預測未來兩分鐘內的暈動癥程度。
結果表明,Convolutional Long Short-Term Memory分類器在根據生理信號檢測當前暈動癥程度方面的精確度達到97.44%,而預測未來暈動癥嚴重程度的精確率則為87.38%。
相關論文:Automatic Detection and Prediction of Cybersickness Severity using Deep Neural Networks from user’s Physiological Signals
研究人員指出,他們需要進行更多的研究,比如擴大被試人數和被試類型,同時針對不同類型的VR體驗進行測試。
但顯然,如果能夠精確地測量用戶當前的暈動癥程度,并且提前預判用戶的暈動癥嚴重程度,系統就能及時地采取相應的預防措施。
原文鏈接:https://yivian.com/news/79116.html