研究员分析VR行走任务数据集及其在晕动症预测中的应用
数据集
（映维网Nweon 2025年02月12日）VR在培训、教育、医疗和娱乐等各个行业迅速确立了自己的地位。然而，认知负担、身体负担和晕动症对开发者而言可能是不可预测的。研究人员之前已经提供了用于预测用户静止时的晕动症的数据集，但很少有标记数据集用于预测用户行走时的晕动症。
所以，德州大学圣安东尼奥分校，加州大学，密苏里大学哥伦比亚分校，密苏里大学团队从39名被试中收集了头部方向、头部位置、眼动追踪、图像、外部传感器的生理读数，以及VR中自我报告的晕动症严重程度、身体负荷和精神负荷。
在整个数据收集过程中，被试需要真正行走在迷宫中，并完成挑战注意力和工作记忆的任务。为了展示数据集的实用性，团队进行了一个训练分类器的案例研究，其中对晕动症严重程度的分类达到了95%的准确率。
研究人员指出，直观分类器的显著性能使得所述数据集成为未来研究人员开发晕动症检测的理想选择。为了更好地理解有助于分类的特征，他们进行了SHAP分析，强调了眼动追踪和生理测量对行走时晕动症预测的重要性。这个开放的数据集可以帮助未来的研究人员研究晕动症和认知负荷之间的联系，并开发预测模型。
由于沉浸式虚拟现实技术的发展，人机交互现在有了新的探索途径。从教育、医疗保健、工业培训到游戏，这种技术可能会改变一系列的行业。然而，当个人沉浸在虚拟体验中时，他们可能会遇到生理和心理方面的困难。
在大多数流行的VR体验中，玩家需要同时执行多项任务，有的是体力任务，有的是脑力任务。以《半衰期：爱莉克斯》为例，玩家必须与敌人战斗（物理），解决谜题（心理），并在不熟悉的环境中穿行（物理和心理）。对于开发者来说，在VR中找到精神和身体需求之间的平衡可能是一项艰巨的任务，需要大量的游戏测试。
遗憾的是，目前很少有全面的数据集可以用来帮助预测和应对VR用户的身心需求。为了解决这一研究空白，德州大学圣安东尼奥分校，加州大学，密苏里大学哥伦比亚分校，密苏里大学
团队提供了一个全新的数据集，目标是评估和预测房间级VR体验期间的晕动症、工作记忆、精神负荷、身体负荷和注意力。
与之前的研究相反，团队的方法是在参与者身体行走时收集晕动症和认知数据。由于现成的硬件支持房间规模的运动，广域导航和基于位置的VR，可以利用大量的物理空间，VR中的真实行走正变得越来越普遍。在需要快速有效的导航或反映真实世界运动的场景中，真正的行走比传统的操纵杆驱动的虚拟穿越方法更有优势。
另外，双重任务可以作为评估虚拟现实和晕动症对工作记忆、注意力和认知负荷影响的有价值指标。尽管许多研究表明，与静止任务相比，在真实行走任务中晕动症的发生率通常较低，但在真实行走任务中依然有可能出现晕动症。所以，在真正的行走任务中，晕动症依然可能影响用户体验、任务表现和潜在的认知负荷。
作为一个展示数据集效用的案例研究，团队评估了数种深度学习模型在分类晕动症方面的准确性，因为目前大多数可用的数据集都集中在多模式晕动症预测。另外，团队进行了SHAP 的人工智能分析，以确定深度学习模型所利用的主要特征。
在整个数据收集过程中，被试需要真正行走在迷宫中，并完成挑战注意力和工作记忆的任务。为了展示数据集的实用性，团队进行了一个训练分类器的案例研究，其中对晕动症严重程度的分类达到了95%的准确率。
研究人员指出，直观分类器的显著性能使得所述数据集成为未来研究人员开发晕动症检测的理想选择。为了更好地理解有助于分类的特征，他们进行了SHAP分析，强调了眼动追踪和生理测量对行走时晕动症预测的重要性。这个开放的数据集可以帮助未来的研究人员研究晕动症和认知负荷之间的联系，并开发预测模型。
总的来说，团队收集了一个数据集来了解虚拟现实中晕动症、注意力、精神负荷、身体负荷和工作记忆之间的关系。参与者的任务是通过真正的步行走15分钟的迷宫导航。在整个实验过程中，他们收集了用户在执行工作记忆和注意力任务时的头部追踪、眼动追踪、晕机、精神负荷和身体负荷的自我报告数据。
结果表明，随着时间的推移，参与者的晕动症越来越严重。另外，症状较重的参与者对他们的工作记忆表现和自我报告的身体负荷的要求明显高于病情较轻的参与者。
接下来，作为使用数据集的一个例子，团队开发了数个深度学习模型，目的是基于头部追踪、眼动跟踪、GSR和HR传感器数据作为输入来预测晕动症。使用几个简单的深度学习模型，GRU， LSTM和MLP，团队能够以95%的准确率有效地对晕动症进行分类。
最后，他们执行了SHAP分析，以确定哪些特征对分类器影响最大。最终，VR开发者可以利用这个数据集来创建虚拟环境和预测模型。
更多信息请访问这个页面。
