Cybersickness Marker Prediction Using a Biosensors-Instrumented VR Headset: A Pilot Study
Notice bibliographique
Résumé
Cybersickness is a major concern in virtual reality (VR) experiences. Understanding and quantifying this phenomenon is essential to improve user comfort and enhance the overall VR experience. In this study, we explore the use of a custom-built por table VR headset equipped with multimodal biosensors to develop markers of cybersickness. The headset can record/stream electroencephalography (EEG), electrooculography (EOG), electrocardiography (ECG), and head movement data in real-time. A pilot experiment with eight participants was conducted where, at the end of a VR session at the gamers’ homes, participants rated their cybersickness symptoms across eight dimensions: headache, eyestrain, increased salivation and sweat, nausea, fullness of the head, dizziness with eyes open, and vertigo. From the collected biosignals, a series of features were extracted, ranked and explored as uni-or multi-modal markers for the different cybersickness ratings. Overall, it was found that EEG features were useful as correlates of vertigo, dizziness, and increased sweat, while head movements for nausea and headache. When multimodal markers were explored, improved cybersickness characterization was achieved for seven of the eight ratings. It is hoped that these findings will help researchers to better understand cybersickness and offers ways to improve the VR experience for users.
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 | 0,000 | 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) | 0,000 | 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 ».