Resting-state EEG in the Vestibular Region Can Predict Motion Sickness Induced by a Motion-Simulated in-car VR Platform
Notice bibliographique
Résumé
Monitoring in-car VR motion sickness (VRMS) by neurophysiological signals is a formidable challenge due to unavoidable motion artifacts caused by the moving vehicle and necessary physical movements by the user to interact with the VR environment. Therefore, this paper for the first time investigates if resting-state neurophysiological features and self-reports of stress levels collected prior to exposure to a motion-simulated in-car VRMS induction platform could predict final motion sickness ratings. Our results of linear regression modeling show that the traditional EEG power spectrum was the only resting-state feature set that could predict in-car VRMS ratings. Further, the best regression result was achieved by beta power spectrum in the left parietal area with adjusted R2=22.6% versus 11.6% in the right. This result not only confirmed the left parietal involvement in motion sickness susceptibility observed in a previous resting-state fMRI study, but also advanced that methodology to mobile neurotechnologies, represented by mobile EEG, referenced by other types of resting-state features. Together, this study may offer a new mobile neurotechnology-based approach to predict passengers' VRMS levels before they start to use VR apps in a moving vehicle.
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».