Wenn Benutzer in eine VR-Umgebung eintauchen, leiden sie häufig an einer gewissen Reisekrankheit. Dies ist eines der größten Hindernisse für die Popularisierung von VR, und selbst nach Jahrzehnten der Forschung suchen Branchenfachleute immer noch nach effektiven Lösungen.
Forscher der University of Texas in San Antonio und der University of Houston haben kürzlich einen Artikel mit dem Titel "Automatische Erkennung und Vorhersage des Schweregrads der Cybersickness unter Verwendung tiefer neuronaler Netze aus physiologischen Signalen des Benutzers" veröffentlicht (unter Verwendung tiefer neuronaler Netze und automatische Erkennung und Vorhersage des Schweregrads der Reisekrankheit basierend auf den physiologischen Signalen des Benutzers). Grad) und schlug die Verwendung tiefer neuronaler Netze vor, um Reisekrankheiten zu erkennen und vorherzusagen, damit das System geeignete Minderungsmaßnahmen ergreifen oder Benutzer rechtzeitig daran erinnern kann.
Aufgrund der hohen Genauigkeit besteht die Standardmethode zum Sammeln von Daten im Zusammenhang mit Reisekrankheiten im Allgemeinen darin, Elektroenzephalogrammsignale (EEG) anstelle anderer physiologischer Messdaten wie Herzfrequenz oder Atemfrequenz zu verwenden. Forscher der University of Texas in San Antonio und der University of Houston glauben jedoch, dass die Erfassung physiologischer Daten einfacher ist als EEG-Daten und weniger Nachbearbeitung erfordert.
In Bezug auf die Nachteile physiologischer Daten für EEG-Signale wandte sich das Team tiefen neuronalen Netzen zu und trainierte ein maschinelles Lernmodell namens Convolutional Long Short-Term Memory unter Verwendung von Methoden des maschinellen Lernens und des tiefen Lernens.
In dem Experiment trugen 31 gesunde Probanden ein Headset, verbanden ihre Finger mit dem GSR-Sensor, rüsteten ihre Brust mit einem OmniSense HR-Sensor aus und erlebten anschließend einen Achterbahnsimulator. Es überrascht nicht, dass die meisten Probanden innerhalb weniger Minuten irgendeine Form von Reisekrankheit entwickelten.
Das Team sammelte auch die Daten zu Herzfrequenz, Atemfrequenz, Herzfrequenzvariabilität und elektrischer Hautreaktion der Probanden und stellte fest, dass sich die physiologischen Signale der Probanden bei Reisekrankheit signifikant von der normalen Basislinie unterschieden. Anschließend verglichen die Forscher einen Support-Vektor-Maschinenklassifikator und drei tiefe neuronale Klassifikatoren, um den Grad der Reisekrankheit in den nächsten zwei Minuten in zwei Minuten zu erkennen und vorherzusagen.
Die Ergebnisse zeigen, dass die Genauigkeit des Convolutional Long Short-Term Memory-Klassifikators bei der Erkennung des aktuellen Grades der Reisekrankheit basierend auf physiologischen Signalen 97,44% erreicht und die Genauigkeit der Vorhersage des Schweregrads der zukünftigen Reisekrankheit 87,38% beträgt.
Verwandte Artikel: Automatische Erkennung und Vorhersage des Schweregrads der Cybersickness mithilfe tiefer neuronaler Netze anhand der physiologischen Signale des Benutzers
Die Forscher wiesen darauf hin, dass sie mehr Forschung betreiben müssen, beispielsweise die Anzahl der Probanden und Arten von Probanden zu erhöhen, während sie auf verschiedene Arten von VR-Erfahrungen testen.
Wenn der aktuelle Grad der Reisekrankheit des Benutzers genau gemessen werden kann und der Schweregrad der Reisekrankheit des Benutzers im Voraus vorhergesagt werden kann, kann das System natürlich rechtzeitig entsprechende vorbeugende Maßnahmen ergreifen.
© 2020 www.ourvrworld.com