Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/49837
Files in This Item:
File SizeFormat 
WedreyNunesDaSilva_DISSERT.pdf14,81 MBAdobe PDFView/Open
Title: Análise da cybersickness através de biosinais : uma abordagem com machine learning simbólico
Authors: Silva, Wedrey Nunes da
Orientador(es):: Jacobi, Ricardo Pezzuol
Assunto:: Realidade virtual
Realidade virtual - doenças
Aprendizado de máquina
Aprendizado de máquina simbólico
Issue Date: 13-Aug-2024
Citation: SILVA, Wedrey Nunes da. Análise da cybersickness através de biosinais : uma abordagem com machine learning simbólico. 2024. 140 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2024.
Abstract: A Cybersickness (CS) representa um dos principais obstáculos para o uso da Realidade Virtual (RV), frequentemente desencadeada pelo uso de dispositivos Head-mounted Display (HMD). Os sintomas associados à CS podem variar entre indivíduos e incluem náusea, vertigem, fadiga ocular e dor de cabeça, podendo persistir por minutos ou até horas após a exposição à VR. Apesar de várias teorias sobre as possíveis causas da CS, ainda não há um método fácil ou sistemático para sua medição e quantificação. Geralmente, os pesquisadores recorrem a medidas subjetivas, como questionários autorrelatados pré e pós-experiência, como o Virtual Reality Sickness Questionnaire (VRSQ) [1]. Em estudos anteriores, várias abordagens foram utilizadas para medir a intensidade da CS, incluindo medidas subjetivas e objetivas. De acordo com a literatura, a Cybersickness tem um impacto considerável em sinais fisiológicos, como ondas delta no Electroencephalogram (EEG), Heart Rate (HR), Heart Rate Variability (HRV), Galvanic Skin Response (GSR) e Electrogastrography (EGG), que apresentam correlação significativa com essa condição. Porém, existe uma lacuna significativa em pesquisas que explorem a aplicação da Aprendizagem de Máquina Simbólico para identificar as causas da CS em jogos de Realidade Virtual, com foco em interpretações compreensíveis para os seres humanos. Neste contexto, nossa principal hipótese é que a combinação de avaliações quantitativas (dados de biosinais e do jogo) e subjetivas (dados dos questionários Cybersickness Profile Questionnaire (CSPQ)), aplicando técnicas de Machine Learning Simbólico, seja eficaz na identificação das causas da CS. Para validar essa hipótese, desenvolvemos um software para registrar os biosinais e autorrelatos dos sintomas pelos participantes, durante os experimentos com 17 voluntários. No decorrer dos experimentos, os participantes ficaram imersos em dois jogos de VR, enquanto seus sinais fisiológicos (ECG, EDA e ACC) e dados do jogo foram capturados. Os resultados de nossa pesquisa confirmaram a eficácia do modelo e abordagem proposta, na elaboração de um ranking dos fatores mais pertinentes para os sintomas da Cybersickness.
Abstract: Cybersickness (CS) represents one of the main obstacles to the use of Virtual Reality (VR), often triggered by the use of Head-mounted Display (HMD) devices. Symptoms associated with CS can vary among individuals and include nausea, dizziness, eye fatigue, and headache, which may persist for minutes or even hours after VR exposure. Despite various theories on the potential causes of CS, there is still no easy or systematic method for its measurement and quantification. Researchers typically rely on subjective measures, such as pre and post-experience self-reported questionnaires, such as the Virtual Reality Sickness Questionnaire (VRSQ) [1]. In previous studies, various approaches were used to measure the intensity of CS, including both subjective and objective measures. According to the literature, Cybersickness has a considerable impact on physiological signals, such as delta waves in Electroencephalogram (EEG), Heart Rate (HR), Heart Rate Variability (HRV), Galvanic Skin Response (GSR), and Electrogastrography (EGG), which show significant correlation with this condition. However, there is a significant gap in research exploring the application of Symbolic Machine Learning to identify the causes of CS in Virtual Reality games, focusing on interpretations understandable to humans. In this context, our main hypothesis is that the combination of quantitative (biosignal and game data) and subjective assessments (data from Cybersickness Profile Questionnaire (CSPQ) questionnaires), applying Symbolic Machine Learning techniques, will be eective in identifying the causes of CS. To validate this hypothesis, we developed software to record the biosignals and self-reported symptoms by participants during experiments with 17 volunteers. Throughout the experiments, the participants were immersed in two VR games, while their physiological signals (ECG, EDA, and ACC) and game data were captured. The results of our research confirmed the eectiveness of the proposed model and approach, in developing a ranking of the most relevant factors for the symptoms of Cybersickness.
metadata.dc.description.unidade: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Description: Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2024.
metadata.dc.description.ppg: Programa de Pós-Graduação em Informática
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/49837/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.