Development of Classifiers to Determine Factors Associated With Older Adult's Cognitive Functions and Game User Experience in VR Using Head Kinematics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Virtual reality (VR) is increasingly being used to promote exercise among older adults. The data captured through VR may be useful indicator of the game user's experience as well as providing insight into functional ability of older adults. This paper presents classifiers to predict game user experience variables using VR data from community-dwelling older adults. Head-kinematic data of the VR headset was collected from 13 participants over a six-week period with three 20-minutes exergame sessions per week (e.g., 360 minutes per participant). Cognitive function was assessed using the Montreal Cognitive Assessment (MoCa) and multisensory response-time (RT). Game user experience was captured through perceived-levels of cybersickness, enjoyment, and exertion after each session. Data was used as references for discrete binary and ternary classification patterns. Combinations of kinematic features were used to train different classifiers: K-nearest-neighbors (KNN), linear discriminant analysis (LDA), support vector machines (SVM), and decision trees. Maximum classification accuracy of 70% was found for MoCa, 68% for perceived exertion, 60% for cybersickness, 59% for multisensory RT, and 53% for perceived enjoyment. Results suggest unobtrusive recording of head kinematics from VR headsets combined with machine learning classifiers could be used to predict cognition, exertion, and game user experience among older adults.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle