Modelling the relationship between the objective measures of car sickness
Notice bibliographique
Résumé
Car sickness is anticipated to occur more frequently in self-driving vehicles because of their design, especially the electronics and seating arrangements optimized for work and entertainment. Therefore, mitigating motion sickness is a crucial research area that is essential to the effective use of electronics in autonomous vehicles and, ultimately, their broad adoption. An investigation using machine learning techniques in combination with physiological measures (electrocardiogram, electrodermal activity and head movement) was done to detect and predict the severity of car sickness. A total of 40 adults (20 male and 20 female) were exposed to two 20-minute rides on a motion-base simulator, one while reading and one while performing no task. Car sickness incidence and severity were subjectively measured during the conditions using the Fast Motion Sickness Scale (FMS) questionnaire every two minutes and the Simulator Sickness Questionnaire (SSQ) at the beginning, midpoint and end of the experiment. Car sickness symptoms were successfully elicited in 31 participants (77.5%) while avoiding simulator sickness. Head movement had the strongest relationship with car sickness, and there was a moderate correlation between heart rate and skin conductance, and with a subset of participants, heart rate had a moderate correlation with car sickness. A classification score of 77% distinguishing between motion-sick and non-motion-sick participants was found using the random forest model. Overall, the findings suggest that physiological measures alone cannot be relied upon to reliably detect or predict the onset or severity of car sickness in real-time.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».