LiteVR：基于可解释 AI 的可解释轻量级晕动症检测
摘要
晕动症是与虚拟现实（VR）用户体验相关的常见不适。现有若干基于机器学习（ML）和深度学习（DL）的自动化方法来检测晕动症。然而，大多数此类晕动症检测方法被认为计算密集且为黑盒方法。因此，这些技术既不可信，也不实用，无法部署在独立的、受能耗限制的 VR 头戴式设备（HMDs）上。在本工作中，我们提出一个基于可解释人工智能（XAI）的框架 LiteVR，用于晕动症检测，解释模型输出并降低特征维度与整体计算成本。首先，我们基于长短期记忆（LSTM）、门控循环单元（GRU）和多层感知机（MLP）开发了三个晕动症 DL 模型。然后，我们采用事后解释方法，如 SHapley Additive Explanations（SHAP），来解释结果并提取晕动症最具主导性的特征。最后，我们使用减少后的特征数量重新训练 DL 模型。我们的结果表明，眼动追踪特征是晕动症检测中最具主导性的特征。此外，基于 XAI 的特征排序与降维，我们将模型大小显著缩减至多 4.3 倍、训练时间至多 5.6 倍、推理时间至多 3.8 倍，同时具有更高的晕动症检测准确率和较低的回归误差（即在快速运动量表（FMS）上）。我们提出的轻量 LSTM 模型在分类晕动症和回归（即 FMS 1-10）中获得了 94% 的准确率，均方根误差（RMSE）为 0.30，优于当前最优方法。我们提出的 LiteVR 框架可帮助研究者和从业者分析、检测并在独立 VR HMDs 中部署其基于 DL 的晕动症检测模型。
引用
@article{arxiv.2302.03037,
title = {LiteVR: Interpretable and Lightweight Cybersickness Detection using Explainable AI},
author = {Ripan Kumar Kundu and Rifatul Islam and John Quarles and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2302.03037},
year = {2023}
}
备注
Accepted for publication in IEEE VR 2023 conference. arXiv admin note: substantial text overlap with arXiv:2302.01985