TruVR：基于可解释机器学习的可信晕动症检测
人机交互
2022-09-13 v1 机器学习
摘要
晕动症在使用虚拟现实（VR）系统时可表现为恶心、眩晕、头痛、眼疲劳及其他不适。先前报道的用于检测（分类）和预测（回归）VR 晕动症的机器学习（ML）和深度学习（DL）算法使用黑盒模型；因此，它们缺乏可解释性。此外，VR 传感器产生大量数据，导致复杂且庞大的模型。因此，在晕动症检测模型中具有内在可解释性可显著提高模型的可信度，并揭示 ML/DL 模型得出特定决策的原因和方式。为解决此问题，我们提出了三种可解释机器学习（xML）模型来检测和预测晕动症：1）可解释提升机（EBM），2）决策树（DT），和 3）逻辑回归（LR）。我们使用公开可用的生理和游戏数据集评估基于 xML 的模型。结果表明，EBM 对生理数据集和游戏数据集的晕动症检测准确率分别为 99.75% 和 94.10%。另一方面，在预测晕动症时，EBM 在生理数据集上的均方根误差（RMSE）为 0.071，在游戏数据集上为 0.27。此外，基于 EBM 的全局解释揭示了暴露时长、旋转和加速度是游戏数据集中引起晕动症的关键特征。相比之下，皮电反应和心率在生理数据集中最为显著。我们的结果还表明，基于 EBM 的局部解释可以识别个体样本的晕动症致因因素。我们相信所提出的基于 xML 的晕动症检测方法可帮助未来研究人员理解、分析并设计更简单的晕动症检测与缓解模型。
引用
@article{arxiv.2209.05257,
title = {TruVR: Trustworthy Cybersickness Detection using Explainable Machine Learning},
author = {Ripan Kumar Kundu and Rifatul Islam and Prasad Calyam and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2209.05257},
year = {2022}
}
备注
Accepted copy, to be published in ISAMR 2022