优化虚拟现实设计通过用户沉浸级别检测与新的功能融合和可解释的人工智能

科学领域:

• 计算机科学 计算机科学
• 人与计算机的交互
• 人工智能的人工智能

背景情况:

• 虚拟现实 (VR) 和沉浸式技术在游戏,医疗保健和教育等各个领域提供现实的互动体验.
• 优化VR应用程序设计需要准确测量用户沉浸度,定义为用户在虚拟环境中被吸收的感觉.
• 目前用于检测用户沉浸在VR中的方法在效率和准确性方面面临挑战.

研究的目的:

• 开发和评估一种高效的机器学习模型,用于检测用户在虚拟现实 (VR) 中的沉浸程度.
• 引入一种新的特征生成技术,即多项式随机森林 (PRF),用于增强沉浸检测.
• 将拟议的PRF模型的性能与现有的最先进的机器学习方法进行比较.

主要方法:

• 利用一个基准数据集,包括VR环境中的用户体验,用于模型培训和评估.
• 应用了先进的深度和机器学习技术,包括用于特征生成的新型多项式随机森林 (PRF).
• 集成的超参数优化,交叉验证和可解释的人工智能 (XAI) 用于模型验证和解释.

主要成果:

• 拟议的多项式随机森林 (PRF) 技术通过提取多项式和类预测概率特征来显著改进特征集.
• 用PRF增强的随机森林模型在检测用户沉浸水平方面超过了其他最先进的方法.
• 使用PRF技术实现了98%的高沉浸水平检测准确率.

结论:

• PRF技术提供了一种高效和高度准确的方法来检测用户沉浸在虚拟现实中的情况.
• 开发的模型展示了通过提供可靠的沉浸洞察力来显著提高VR应用程序的设计过程的潜力.
• 可解释的人工智能 (XAI) 为模型的决策提供了透明度,促进了对VR沉浸检测的信任和进一步发展.