來源：映維網(wǎng) 作者 夢秋
在沉浸在VR環(huán)境中的時候，用戶經(jīng)常會出現(xiàn)某種程度的暈動癥。這是阻礙VR普及的最大障礙之一，而即便經(jīng)過數(shù)十年的研究，行業(yè)人士依然在探索有效的解決方案。
德州大學圣安東尼奧分校和休斯頓大學的研究人員最近發(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)絡并根據(jù)用戶生理信號自動檢測和預測暈動癥嚴重程度）的研究論文，并提出利用深層神經(jīng)網(wǎng)絡來幫助檢測和預測暈動癥，從而幫助系統(tǒng)及時采取適合的緩解措施或提醒用戶。
由于精度高，采集暈動癥相關數(shù)據(jù)的標準方法一般是利用腦電圖（EEG）信號，而不是通過其他生理測量數(shù)據(jù)，如心率或呼吸頻率。但是，德州大學圣安東尼奧分校和休斯頓大學的研究人員認為生理數(shù)據(jù)的采集要比EEG數(shù)據(jù)簡單，并且需要更少的后處理。
針對生理數(shù)據(jù)之于EEG信號的劣勢，團隊把目光投向了深層神經(jīng)網(wǎng)絡，利用機器學習和深度學習方法訓練了一個名為Convolutional Long Short-Term Memory的機器學習模型。
在實驗中，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OmniSense HR傳感器，然后再體驗一款過山車模擬器。不出所料，大多數(shù)被試在數(shù)分鐘后就出現(xiàn)了某種形式的暈動癥。
團隊同時采集了被試的心率、呼吸頻率、心率變異性和皮膚電反應數(shù)據(jù)，并發(fā)現(xiàn)被試在經(jīng)歷暈動癥時的生理信號與正常基線存在顯著差異。然后，研究人員比較了一個支持向量機分類器和三個深度神經(jīng)分類器在兩分鐘內(nèi)檢測和預測未來兩分鐘內(nèi)的暈動癥程度。
結(jié)果表明，Convolutional Long Short-Term Memory分類器在根據(jù)生理信號檢測當前暈動癥程度方面的精確度達到97.44%，而預測未來暈動癥嚴重程度的精確率則為87.38%。
相關論文：Automatic Detection and Prediction of Cybersickness Severity using Deep Neural Networks from user’s Physiological Signals
研究人員指出，他們需要進行更多的研究，比如擴大被試人數(shù)和被試類型，同時針對不同類型的VR體驗進行測試。
但顯然，如果能夠精確地測量用戶當前的暈動癥程度，并且提前預判用戶的暈動癥嚴重程度，系統(tǒng)就能及時地采取相應的預防措施。
原文鏈接：https://yivian.com/news/79116.html
