Análise da cybersickness através de biosinais : uma abordagem com machine learning simbólico

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.