Studie identifiziert Technik, die den Schweregrad von VR-Cybersickness genau vorhersagt

Einige Personen am College of Texas in San Antonio haben kürzlich einige ermutigende Ergebnisse im laufenden Kampf gegen Cybersickness in der virtuellen Realität veröffentlicht.

Cybersickness ist eine Art von Reisekrankheit, die häufig in VR auftritt, mit Anzeichen wie Übelkeit, Orientierungslosigkeit oder Migräne.

(Über: Stephan Sorkin auf Unsplash)

Eine herkömmliche Methode zum Sammeln von Cybersickness-Daten besteht im Allgemeinen darin, Signale von einem Elektroenzephalogramm – oder EEG – zu verwenden, anstatt andere physikalische Messungen wie Herz- oder Atemfrequenz zu verwenden. Allerdings da Rifatul Islam sowie co. Hier erklären, sind die letzteren Arten von physischen Informationen tatsächlich viel weniger komplex und erfordern viel weniger Nachbearbeitung im Gegensatz zu EEG-Daten.

Physische Dimensionen wie diese scheinen also ein einfacheres Mittel zu sein, um Cyberkrankheit während einer VR-Sitzung zu verfolgen.

Vor diesem Hintergrund führten diese Forscher eine Forschungsstudie durch, bei der es im Wesentlichen darum ging, mit eleganter künstlicher Intelligenz sowie mit tiefgreifenden Methoden zu experimentieren. Ihre Hoffnung bestand darin, eine Lösung zu finden, mit der die Intensität der Cybersick-Symptome so erfolgreich wie möglich erkannt und vorhergesagt werden konnte.

Sie verbanden 31 gesunde Personen mit HTC-Vive Head-Mounted-Display-Bildschirmen, wo sie für einige Minuten einem Achterbahn-Simulator ausgesetzt wurden. Es überrascht nicht, dass viele der Teilnehmer ohne Zweifel irgendeine Art von Cybersick hatten, wie ihre eigenen subjektiven Berichte sowie die auf Video aufgezeichneten physischen Daten nahelegen.

(Über: UnlockUnit)

Die Ergebnisse der Forschungsstudie sind äußerst ermutigend. Unter den von ihnen überprüften Techniken wurde das Ausmaß der Cyberkrankheit mit einer Genauigkeit von 97,44 % entdeckt und auch mit einer Genauigkeit von 87,38 % vorhergesehen. Dies geschah unter Verwendung von nur den vorangegangenen 2 Minuten physiologischer Daten, die von jedem Teilnehmer gesammelt wurden, der das Virtual-Reality-Headset trug. Sie nennen dieses Equipment-Learning-Design den eher glamourös klingenden Namen „piled Convolutional Long Short-Term Memory“, kurz CNN-LSTM-Design. Rollt von der Zunge, nicht wahr?

In der Lage zu sein, die Schwere der Cybersickness genau vorherzusagen, wäre immens vorteilhaft, wenn es nahelegt, dass spezifische Gegenmaßnahmen genau zu dem Zeitpunkt eingeleitet werden können, zu dem es so aussieht, als würden die Symptome beginnen. Aufgrund dieser Situation hätten wir sicherlich die Möglichkeit, präventiv (im übertragenen oder wörtlichen Sinne) innerhalb der VR-Umgebung die Bremse zu ziehen und hoffentlich den Ausbruch schlechter Cybersickness-Vibes zu verhindern.

Soweit wir das beurteilen können, bietet diese Studie des Islam und auch von Kollegen einen der genauesten Ansätze zur Entdeckung und Vorhersage von Cybersickness, indem sie Kommentare aus physischen Daten neben dem EEG verwendet. Doch wie immer gibt es noch mehr zu tun.

Wie die Forscher empfehlen, sollten in Zukunft vergleichbare Anstrengungen unternommen werden. Aber es wäre ein ausgezeichnetes Konzept, dies mit einer besonders heterogenen Gruppe von Personen zu tun (für den Anfang waren nur zwei Freiwillige in dieser Studie Frauen) oder VR-Umgebungen in Betracht zu ziehen, die weniger extrem sind als ein Achterbahnsimulator. Diese Art von Bemühungen wird dazu dienen, die Effektivität ihrer Suche zu steigern und uns hoffentlich auch näher zu bringen, wie ideal man Cyberkrankheit direkt in den Hintern treten kann.

Ressource: Islamet al. (2020)