[論文レビュー] Cybersickness Detection through Head Movement Patterns: A Promising Approach

Masoud Salehi, Nikoo Javadpour+3 more|arXiv (Cornell University)|Feb 5, 2024

Robotics and Automated Systems被引用数 7

ひとこと要約

論文はVRにおけるサイバースickness検出の連続的で非侵襲的なマーカーとして頭部運動パターンを調査し、有望な予測性能を報告します。

ABSTRACT

Despite the widespread adoption of Virtual Reality (VR) technology, cybersickness remains a barrier for some users. This research investigates head movement patterns as a novel physiological marker for cybersickness detection. Unlike traditional markers, head movements provide a continuous, non-invasive measure that can be easily captured through the sensors embedded in all commercial VR headsets. We used a publicly available dataset from a VR experiment involving 75 participants and analyzed head movements across six axes. An extensive feature extraction process was then performed on the head movement dataset and its derivatives, including velocity, acceleration, and jerk. Three categories of features were extracted, encompassing statistical, temporal, and spectral features. Subsequently, we employed the Recursive Feature Elimination method to select the most important and effective features. In a series of experiments, we trained a variety of machine learning algorithms. The results demonstrate a 76% accuracy and 83% precision in predicting cybersickness in the subjects based on the head movements. This study contribution to the cybersickness literature lies in offering a preliminary analysis of a new source of data and providing insight into the relationship of head movements and cybersickness.

研究の動機と目的

• VRで新しい生理的マーカー（頭部運動）によるサイバースickness検出を動機づける。
• 公共のVRデータセットを用いて六軸にわたる豊富な頭部運動特徴を抽出する。
• 頭部運動特徴に基づくサイバースicknessを予測するために機械学習モデルを比較する。

提案手法

• 公開データセットから六軸の頭部運動データを抽出する。
• 導関数（速度、加速度、ジャーク）を計算し、統計、時間的、スペクトル的特徴を導出する。
• Recursive Feature Eliminationを適用して関連特徴を選択する。
• さまざまな機械学習分類器を訓練し、サイバースickness予測の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 VRで頭部運動パターンはサイバースicknessの信頼できる指標となり得るか？
• RQ2 頭部運動からどの特徴（統計、時間的、スペクトル）を用いるとサイバースicknessを最もよく予測できるか？
• RQ3 頭部運動特徴を用いたサイバースickness検出で異なるMLモデルはどれほど効果的か？

主な発見

• 頭部運動に基づく特徴はサイバースicknessを76%の精度と83%の適合率で予測できる。
• 三カテゴリーの特徴セット（統計、時間的、スペクトル）はサイバースicknessに関連する意味のある情報を捉える。
• Recursive Feature Eliminationは分類にとって最も情報量の多い特徴を特定するのに役立つ。
• 本研究は頭部運動とサイバースicknessを結びつける予備的証拠を提供し、今後の研究の新しいデータ源を示唆する。