视觉诱发晕动病的估计与VR/AR界面交互技术的可复用性

# 视觉诱发晕动病的估计与VR/AR界面交互技术的可复用性 ## 1. 视觉诱发晕动病的研究 ### 1.1 研究背景与目的 视觉诱发晕动病（VIMS）受多种视觉运动因素影响，如视觉滚动运动可能最易引发，而视觉偏航运动效果相对最弱，且特定范围的旋转速度对VIMS有影响。动态视觉运动也会影响主观不适评级的时间变化。本研究旨在探究简单全局运动（GM）对VIMS的影响能否应用于电影等动态图像引发的不适，即研究全局运动速度如何影响实际动态图像中的VIMS，并开发基于GM速度分量估计随时间变化的不适水平的模型。 ### 1.2 研究过程 #### 1.2.1 模型开发 为研究全局运动速度对实际动态图像中VIMS的影响，需找到连接电影相机运动速度和实验获得的主观不适评级的数学函数。相机运动用平移（pan）、倾斜（tilt）、滚动（roll）和缩放（zoom）表示，分别对应全局运动中的偏航、俯仰和滚动。 模型输入为相机运动速度，可通过分析电影的局部运动向量（LMV）和全局运动向量（GMV）获得；输出为与主观不适评级拟合的值，主观不适评级是观察者观看视频电影时每分钟实验获得的。 本研究首先使用包含引发VIMS范围内相机运动速度的视频帧计数代替相机运动速度。以下是模型的示意： | 相机运动类型 | 速度表示 | | ---- | ---- | | 平移 | Vpan | | 倾斜 | Vtilt | | 滚动 | Vroll | | 缩放 | Vzoom | 不适评级公式为：$DR(t) = f (V_{pan}, V_{tilt}, V_{roll}, V_{zoom})$ #### 1.2.2 动态图像及其估计的相机运动 制作了一个20分钟的计算机图形（CG）动态图像，模拟虚拟城市场景。该CG电影的相机运动基本基于2003年日本引发VIMS事件的视频电影中的相机运动进行再现。根据先前基础研究中简单GM对VIMS的影响，获得包含引发VIMS范围内相机运动速度的帧数，从相关图表可知，大约在7分钟和16分钟时帧数较多。 #### 1.2.3 主观不适评级的测量 视觉刺激由5分钟灰色图像、20分钟上述视频片段和2分钟灰色图像依次呈现。设置了四个不同的小实验 booth，每个 booth 配有液晶显示器、下巴、头部和手臂支撑，观看距离为1.0米，有20英寸和37英寸两种不同尺寸的显示器。 33名19 - 52岁的成年人作为观察者参与研究，在实验开始时填写模拟器晕动病问卷（SSQ），观看27分钟视频电影，每分钟报告一次“一般不适”的SSQ得分，分为“无”、“轻微”、“中度”和“严重”四个等级，使用四向操纵杆报告得分。同时，当电影图像上出现小红点时，观察者需按下响应盒上的按钮。观看结束后，再次填写SSQ，并在之后每15分钟填写一次。测量结果显示了平均不适评级随时间的变化。 ### 1.3 建模分析 对比基于相机运动速度数据的帧计数和主观不适评级，可发现两点： 1. 帧计数增加时，不适评级增加。 2. 即使帧计数没有增加，评级也会随时间逐渐增加。 这表明VIMS的发展可能有两个不同的时间成分：瞬态成分和累积成分。 为开发估计不适水平的模型，研究了是否可以通过帧计数数据的加权平均值来再现主观不适评级，采用以下数学表达式： $DR(t_n) = FC(t_n) * w_n + FC(t_{n - 1}) * w_{n - 1} + FC(t_{n - 2}) * w_{n - 2} + \cdots$ 其中，$FC(t_n)$ 为时间 $t_n$ 的帧计数。 通过多元回归分析得到函数，由于共线性问题，采用一个当前和三个先前的帧计数值。具体权重为：$W_n = 0.319$，$W_{n - 1} = 0.164$，$W_{n - 2} = 0.068$，$W_{n - 3} = 0.139$。 不适评级与回归之间的差异呈线性趋势：$(Difference) = 16.361xTime - 171.86$，这可能代表累积效应，即经过一段时间的视觉运动暴露