比利时鲁汶大学提出轻量级VR晕动症检测方法，准确率达93％
准确率达93%
（映维网Nweon 2026年05月04日）造成用户出现恶心、头晕、视觉疲劳等症状的晕动症长期困扰着业界。日前，比利时鲁汶大学发表了一项研究，利用眼动和头部追踪数据，配合轻量级集成学习模型，可实现高效、低成本的实时晕动症检测。在跨用户测试中，这一解决方案取得93%的检测准确率。
现有晕动症检测方法多依赖脑电、心电等生理信号，不仅需要额外传感器，而且模型复杂、计算负担重。研究团队另辟蹊径，仅使用VR头显内置的眼动和头部追踪数据：共40维原始信号。通过特征筛选，他们发现瞳孔位置、注视原点、眼睛原点、头部旋转角度等23维特征最具判别力，可解释约92%的检测性能。
在模型选择方面，团队对比了LSTM、GRU、CNN-LSTM等多种深度学习模型，以及随机森林、XGBoost等集成学习模型。结果显示，XGBoost集成模型在10折交叉验证中取得了平均准确率92%，对“无”“低”“中”“高”四类晕动症等级的F1分数更为均衡，而训练时间仅数秒，推理时间每样本约0.06毫秒。相比之下，部分深度学习模型在同样数据上表现不稳定，且训练时间更长。
晕动症存在显著个体差异，有的用户很容易感到不适，有的则几乎没有症状。所以，研究团队设计了三级用户特定训练数据策略：级别1为不同VR场景中的数据，级别2为同一场景不同片段数据，级别3为同一场景相似片段数据。实验表明，仅使用级别3（相似内容片段）的数据训练，准确率可达94%；若结合级别1和级别3，在跨用户设置下准确率为93%，在用户个性化设置下（针对个体用户进行校准）仍能达到88%。
团队进一步选取了六名类别分布相对均衡的用户进行个性化检测。基线模型（仅使用其他用户数据）平均准确率仅65%，且无法识别低、中、高度晕动症样本。引入用户的“不同场景数据（级别1）”和“相似片段数据（级别3）”后，平均准确率提升至88%，各等级的F1分数也明显改善，而训练时间仅增加0.15秒，推理时间增加0.011毫秒。
研究者指出，这一轻量级方法尤其适合现实部署：可先使用大量跨用户数据训练通用基础模型，再针对新用户收集少量其在不同VR场景中的眼动和头部数据，即可快速个性化校准，实现会话内的实时晕动症预警。另外，这一方法不依赖额外传感器，计算成本低，有望成为VR产品内置舒适度调节的有效工具。
但需要注意的是，目前这项研究依然基于开源数据集Simulation 2021，样本量有限，且尚未在真实VR系统中验证。团队计划未来在更多样化的用户和场景中测试，并探索从通用预训练到个性化微调的实用路径。
