跳到主页内容
美国国旗

美国政府的官方网站

Dot政府

gov意味着它是官方的。
联邦政府网站通常以.gov或.mil结尾。之前分享敏感信息,确保你在联邦政府政府网站。

Https系统

该站点是安全的。
这个https(https)://确保您连接到官方网站,并且您提供的任何信息都是加密的并安全传输。

访问密钥 NCBI主页 MyNCBI主页 主要内容 主导航
.2019年12月;8(6):439-444.
doi:10.1089/g4h.2019.0045。 Epub 2019年7月11日。

虚拟现实环境中确定引发网络病因素的分类器的开发

附属公司

一种分类器的开发,用于确定虚拟现实环境中导致网络病的因素

奥古斯托·加西亚-阿贡德斯等。 奥运会健康J. 2019年12月.

摘要

目标:此贡献的目标是开发一种分类器,能够根据生物信号和游戏参数的组合,确定沉浸在虚拟现实(VR)场景中后是否发生了网络病(CS)。方法:我们收集了总共66名参与者的心电图、眼电图、呼吸和皮肤电导率数据。此外,我们还捕获了相关的游戏参数,例如化身的线性和角速度以及加速度、头部运动和屏幕上的碰撞。数据是在参与者进行10分钟虚拟现实体验时收集的,虚拟现实体验是在Unity开发的。这种经历迫使参与者进行旋转和横向运动,以引发CS。在第一个简单场景中捕获基线。然后将数据拆分为每级别、每60秒和每30秒窗口。此外,参与者填写了浸泡前后模拟疾病问卷。然后将模拟疾病评分用作二元(CS vs.无CS)和三元(无CS-mild CS-severe CS)分类模式的参考。测试了几种分类方法(支持向量机、K近邻和神经网络)。结果:二元分类和三元分类的最大分类准确率分别为82%和56%。结论:考虑到演示中呈现的样本量和各种运动模式,我们得出结论,生物信号和游戏参数的组合足以确定CS的发生。然而,需要进行大量的进一步研究,以将二元分类的准确性提高到现实场景的适当值,并确定对其严重程度进行分类的更好方法。

关键词:生物信号;网络病;虚拟现实。

PubMed免责声明

类似文章

引用人

LinkOut-更多资源