Feb, 2024

创新的虚拟现实中的晕动检测：探索头部运动模式

PDF
TL;DR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%。
发现论文，激发创造
  • LiteVR: 可解释的轻量级晕动检测，使用可解释人工智能

    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

  • 通过头部运动模式解释性抑郁症检测

    通过采用两种不同方法和特征，从头部运动数据中发现和学习头运动单元（kinemes），利用机器学习方法对抑郁症进行分类并评估其准确性，结果表明头运动模式是用于检测抑郁症症状的有效生物标志物，能观察到与之前的研究一致的解释性的 kineme 模式。

    Jul, 2023

  • VR-LENS：基于超级学习的 VR 晕动检测和可解释 AI 指导下的部署

    本研究提出了一个基于可解释人工智能技术的框架 VR-LENS，用于开发和部署处理虚拟现实引起的眩晕情况检测模型。通过超级学习算法集成，使用 SHapley、Morris、Local Interpretable Model-Agnostic、Partial Dependence Plot 等解释方法识别最具有代表性的特征来重新训练模型，使用整合传感器数据集，我们的模型在分类和回归方面均超过了现有技术。而且，可以将该算法部署在一般 VR 设备上，实现快速检测。

    Feb, 2023

  • 通过虚拟导航任务预测网络晕动症的数据集

    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

  • VR.net：虚拟现实运动晕眩研究的真实世界数据集

    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

  • 基于深度卷积自编码器的虚拟现实视频运动异常度测量及晕眩评估

    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

  • 佩戴式运动传感器自动监测婴儿姿态和运动

    利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。

    Sep, 2019

  • 虚拟现实中的自身形象动画：动作信号伪像对全身姿态重建的影响

    该研究探讨了虚拟现实应用中自身角色的动作信息与重建误差之间的关系，并发现方法对降解的敏感度尤其体现在动作重建速度误差。

    Apr, 2024

  • 基于虚拟现实的身体追踪促进肌肉骨骼训练

    我们设计了一个基于 HoloLens 2 的应用程序，通过自主训练和自动评估来实现老年人和受伤人员的肌肉骨骼训练，我们评估了 HoloLens 2 的运动数据是否足以控制和预测肌肉骨骼训练中的身体动作和关节角度，结果显示 HoloLens 2 的运动数据与上半身运动和下肢关节角度的外部跟踪存在高度相关性。

    Aug, 2023

  • 探索 VR 晕眩的更深入理解：针对 VR 内容的身体症状预测

    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