來(lái)源：映維網(wǎng)  作者 夢(mèng)秋

在沉浸在VR環(huán)境中的時(shí)候，用戶經(jīng)常會(huì)出現(xiàn)某種程度的暈動(dòng)癥。這是阻礙VR普及的最大障礙之一，而即便經(jīng)過(guò)數(shù)十年的研究，行業(yè)人士依然在探索有效的解決方案。

德州大學(xué)圣安東尼奧分校和休斯頓大學(xué)的研究人員最近發(fā)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(jīng)網(wǎng)絡(luò)并根據(jù)用戶生理信號(hào)自動(dòng)檢測(cè)和預(yù)測(cè)暈動(dòng)癥嚴(yán)重程度）的研究論文，并提出利用深層神經(jīng)網(wǎng)絡(luò)來(lái)幫助檢測(cè)和預(yù)測(cè)暈動(dòng)癥，從而幫助系統(tǒng)及時(shí)采取適合的緩解措施或提醒用戶。

由于精度高，采集暈動(dòng)癥相關(guān)數(shù)據(jù)的標(biāo)準(zhǔn)方法一般是利用腦電圖（EEG）信號(hào)，而不是通過(guò)其他生理測(cè)量數(shù)據(jù)，如心率或呼吸頻率。但是，德州大學(xué)圣安東尼奧分校和休斯頓大學(xué)的研究人員認(rèn)為生理數(shù)據(jù)的采集要比EEG數(shù)據(jù)簡(jiǎn)單，并且需要更少的后處理。

針對(duì)生理數(shù)據(jù)之于EEG信號(hào)的劣勢(shì)，團(tuán)隊(duì)把目光投向了深層神經(jīng)網(wǎng)絡(luò)，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法訓(xùn)練了一個(gè)名為Convolutional Long Short-Term Memory的機(jī)器學(xué)習(xí)模型。

在實(shí)驗(yàn)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(gè)OmniSense HR傳感器，然后再體驗(yàn)一款過(guò)山車(chē)模擬器。不出所料，大多數(shù)被試在數(shù)分鐘后就出現(xiàn)了某種形式的暈動(dòng)癥。

團(tuán)隊(duì)同時(shí)采集了被試的心率、呼吸頻率、心率變異性和皮膚電反應(yīng)數(shù)據(jù)，并發(fā)現(xiàn)被試在經(jīng)歷暈動(dòng)癥時(shí)的生理信號(hào)與正常基線存在顯著差異。然后，研究人員比較了一個(gè)支持向量機(jī)分類(lèi)器和三個(gè)深度神經(jīng)分類(lèi)器在兩分鐘內(nèi)檢測(cè)和預(yù)測(cè)未來(lái)兩分鐘內(nèi)的暈動(dòng)癥程度。

結(jié)果表明，Convolutional Long Short-Term Memory分類(lèi)器在根據(jù)生理信號(hào)檢測(cè)當(dāng)前暈動(dòng)癥程度方面的精確度達(dá)到97.44%，而預(yù)測(cè)未來(lái)暈動(dòng)癥嚴(yán)重程度的精確率則為87.38%。

相關(guān)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(jìn)行更多的研究，比如擴(kuò)大被試人數(shù)和被試類(lèi)型，同時(shí)針對(duì)不同類(lèi)型的VR體驗(yàn)進(jìn)行測(cè)試。

但顯然，如果能夠精確地測(cè)量用戶當(dāng)前的暈動(dòng)癥程度，并且提前預(yù)判用戶的暈動(dòng)癥嚴(yán)重程度，系統(tǒng)就能及時(shí)地采取相應(yīng)的預(yù)防措施。

原文鏈接：https://yivian.com/news/79116.html