To pre-process or not to pre-process? On the role of EEG enhancement for cybersickness characterization and the importance of amplitude modulation features
Notice bibliographique
Résumé
Virtual Reality (VR) has expanded beyond the entertainment field and has become a valuable tool across different verticals, including healthcare, education, and professional training, just to name a few. Despite these advancements, widespread usage of VR systems is still limited, mostly due to motion sickness symptoms, such as dizziness, nausea, and headaches, which are collectively termed “cybersickness”. In this paper, we explore the use of electroencephalography (EEG) as a tool for real-time characterization of cybersickness. In particular, we aim to answer three research questions: (1) what neural patterns are indicative of cybersickness levels, (2) do EEG amplitude modulation features convey more important and explainable patterns, and (3) what role does EEG pre-processing play in overall cybersickness characterization. Experimental results show that minimal pre-processing retains artifacts that may be useful for cybersickness detection (e.g., head and eye movements), while more advanced methods enable the extraction of more interpretable neural patterns that may help the research community gain additional insights on the neural underpinnings of cybersickness. Our experiments show that the proposed amplitude modulation features comprise roughly 60% of the top-selected features for EEG-based cybersickness detection.
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 | 0,001 |
| 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 ».