基于从EEG信号中提取的特征的虚拟现实沉浸的生物标志物:机器学习方法
Hamed Tadayyoni1, Michael S Ramirez Campos2, Alvaro Joffre Uribe Quevedo3
1Faculty of Health Sciences, Ontario Tech University, Oshawa, ON L1G 0C5, Canada.
Brain sciences
|May 25, 2024
概括
客观地衡量虚拟现实 (VR) 训练的沉浸度至关重要. 这项研究使用脑电图 (EEG) 和机器学习在VR任务中准确检测沉浸水平,为自适应式训练系统铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人与计算机的交互
背景情况:
- 虚拟现实 (VR) 提供沉浸式培训环境,但客观的沉浸式测量仍然是一个挑战.
- 目前的沉浸评估依赖于主观的任务后问卷,限制实时反.
- 准确的沉浸度指标对于优化VR培训效率和技能转移至关重要.
研究的目的:
- 开发一种客观的方法来测量虚拟现实 (VR) 培训期间的沉浸水平.
- 调查使用脑电图 (EEG) 和机器学习进行实时沉浸检测.
- 根据任务的难度来区分各种沉浸状态.
主要方法:
- 从参与VR拼图游戏的14名参与者收集了脑电图 (EEG) 数据.
- 利用机器学习算法在不同任务难度级别 (容易,难) 和基线条件下分析EEG数据.
- 评估机器学习模型在分类不同沉浸状态中的准确性.
主要成果:
- 机器学习模型在分类EEG数据方面取得了高准确性.
- 以86%的准确度区分容易与困难的困难状态.
- 在基线和VR状态之间以97%的准确度进行区分.
结论:
- 脑电图和机器学习可以提供客观的,实时的沉浸在VR的测量.
- 这种方法可以识别强大的浸泡生物标志物.
- 有潜力动态调整VR训练难度,以优化用户参与度和学习成果.
