研究员将头部运动模式作为晕动症检测生理标记，准确率达76％
将头部运动模式作为一种全新的晕动症检测生理标记
（映维网Nweon 2024年08月28日）对于虚拟现实而言，晕动症依然是一个关键的普及障碍。在一项研究中，美国爱荷华州立大学团队探讨了头部运动模式作为一种全新的晕动症检测生理标记。
与传统的标记不同，头部运动提供了一个连续的、非侵入性的测量，可以通过嵌入在所有商用VR头显中的传感器轻松捕获。团队使用了一个涉及75名被试的公开数据集，并分析了六个轴的头部运动。
然后，他们对头部运动数据集及其衍生品（包括速度、加速度和抖动）进行广泛的特征提取过程，包括统计特征、时间特征和光谱特征。接下来，他们采用递归特征消去法来选择最重要和最有效的特征。在一系列实验中，研究人员训练了各种机器学习算法。
结果表明，根据头部运动预测晕动症的准确率为76%，精度为83%。
近年来，虚拟现实作为一种可以为用户提供沉浸式交互体验的技术而受到欢迎。娱乐、教育、培训和医疗保健等领域已经发现了虚拟现实的应用，因为它能够模拟现实环境并提供临场感。
但VR存在一定的局限性，包括在虚拟环境中可能出现的晕动症，这会导致用户出现恶心、头晕、定向障碍和疲劳等症状，而且无法广泛接受和享受VR体验。
晕动症可由多种因素引起，包括硬件、软件、用户的个体差异和用户的任务等等。尽管确切的机制尚未完全建模，但它包括线索冲突（视觉感官线索与身体自身的感官线索相矛盾时）和姿势不稳定（一个人保持平衡的能力）等因素。
目前的研究主要集中在一种特定形式的姿势摇摆，即头部运动。研究表明，经历头晕的个体和前庭功能不足的患者表现出不同的头部运动模式。
所以，团队的目标是使用头部运动信号作为晕动症的潜在标识符。头部运动数据可以是一种可靠、低成本且易于访问的数据来源。
已经有研究人员探索了使用机器学习预测晕动症的方法，并显示出了令人鼓舞的结果。通过识别从生理数据中提取的模式和适当的标识符，机器学习模型可训练来预测晕动症。
但目前尚没有一项研究利用和处理头部运动数据来训练机器学习模型来预测晕动症。所以，爱荷华州立大学团队开发了一个预测模型，从而为晕动症状提供了预测能力。
这种方法使用头部运动数据及其衍生品：速度、加速度和抖动。然后应用广泛的特征提取技术来提取广泛的统计特征、时间特征和频谱特征。
为了缓解数据样本相对较小的问题，研究人员使用了一种称为递归特征消除的特征选择技术，在每个实验中只选择最有用的特征。然后，基于特征运行各种机器学习模型，以针对保留测试集进行测试。
相关论文：Cybersickness Detection through Head Movement Patterns: A Promising Approach
结果表明，根据头部运动预测晕动症的准确率为76%，精度为83%。这显示了头部运动模式作为理解和缓解晕动症的重要因素的潜在有效性。这项研究通过分析一种新的生理标记来源，可以作为晕动症的指标，为晕动症领域做出了贡献。
结果同时确定了最有价值的一组值得提取的头部运动特征。研究人员希望未来的工作可以包括进一步探索头部运动数据，结合眼动数据来创建实时晕动检测系统。
