该论文提出了一种名为 LiteVR 的可解释人工智能框架，用于检测基于长短期记忆（LSTM）、门控循环单元（GRU）和多层感知机（MLP）的三种模型诉说其结果并减少功能维度和计算成本，其中眼动跟踪功能是检测疾病最为显著的特征。该框架可帮助研究人员和从业人员分析、检测和在独立 VR HMDs 中部署基于 DL 的 cybersickness detection 模型。

Feb, 2023

通过分析头部运动作为一种新的生理标记来检测 VR 引起的晕动症，该研究使用公开可获得的数据集对头部运动进行了广泛的特征提取，并借助机器学习算法预测晕动症的准确率达到 76% 和精确度达到 83%。

Feb, 2024

本文提出了一个用于预测虚拟现实环境中晕动症的数据集，数据集包含多个参与者的生理响应（EDA 和心率）和自报晕动症状，数据集提供了宝贵的资源，以开发和评估晕动症预测模型，并促进晕动症的更多研究。

Feb, 2023

该研究使用机器学习技术识别了虚拟现实（VR）中的晕动症，提出了 VR.net 数据集以便进行风险因素检测和病情预测。

Jun, 2023

本文通过评估 VR 病的身体症状水平来解决黑匣子问题，预测和提供 VR 病的主要身体症状的程度，并介绍了一个包括各种帧率，生理信号和主观分数的 360 视频的新的大规模数据集。在 VRSA 基准测试和我们新收集的数据集上，我们的方法表现出不仅可与主观分数实现最高相关性，而且能够更好地理解哪些症状是 VR 病的主要原因。

Apr, 2021

本文提出了一种新的 VR 视频运动异常的客观评价方法，该方法使用卷积自编码器编码 VR 视频中的运动信息，以测量 VR 视频中异常运动的程度，从而评估 VR 病的程度。

Apr, 2018

使用卷积神经网络在遮住眼睛和眉毛的全脸图像中准确识别七种不同的情绪，通过对虚拟现实游戏中玩家情感数据的收集与分析，提高游戏玩法分析，帮助游戏开发者创建更具吸引力和沉浸感的游戏体验。

Dec, 2023

近年来，许多研究人员开始研究虚拟现实（VR）追踪和交互数据在各种机器学习目的中的应用，包括用户识别、预测晕动症和估计学习收益。本文介绍了一项由我们基于 VR 的全尺寸装配模拟测试台（FAST）捕获的新的开放数据集。该数据集包括了来自 108 名参与者（50 名女性，56 名男性，2 名非二元）在 VR 中学习如何组装两个不同的全尺寸结构的数据。除了解释数据集的收集方式和描述包含的数据外，我们还讨论了该数据集如何被未来研究人员使用。

Mar, 2024

研究表明，通过将分析过程转移到沉浸式虚拟现实 (VR) 环境中，可以帮助研究人员理解由人工智能生成的解决方案，进而发现新的解释和理解实验性量子光学，并且能够加快后续的发现迭代。

Feb, 2024

本文提出了一种基于深度学习的辅助系统，旨在提高视障人士的环境感知体验，通过 RGBD 数据和建立的语义地图预测行走指令、进行障碍物避让，在多种情境下得到了很好的实验效果并有效提高了视障人士的环境感知体验。

Aug, 2019