免手持裝置的情感與認知負荷檢測：虛擬實境中手勢動作的應用

核心概念

本研究探討利用虛擬實境中的手勢動作特徵來偵測使用者的情感狀態和認知負荷。

摘要

本研究通過一項使用者研究(n=22)探討了使用自由手勢輸入作為檢測虛擬實境中使用者情感和認知負荷的方法。在多項虛擬實境任務中,我們提取了參與者手勢形成的速度、距離、手部張力和頭部運動等特徵。從這些特徵中,我們描述了情感、認知負荷與運動之間的關係,並開發了分類模型來預測使用者的情感和認知負荷。

研究發現,任務引發的情感和認知負荷與手勢特徵如速度、距離和手部張力存在顯著差異。標準支持向量分類(SVC)模型能夠準確預測兩個水平(低、高)的情感價值、情感喚起和認知負荷。這些結果展示了Motion as Emotion作為一種準確可靠的方法,能夠從自由手勢中推斷使用者的情感和認知負荷,而無需任何額外的可穿戴傳感器或對標準虛擬實境頭戴設備進行修改。

统计

參與者在具有挑戰性的任務條件下,手勢形成的速度顯著較慢。
參與者在具有挑戰性的任務條件下,手勢形成的距離顯著較短。
參與者在具有挑戰性的任務條件下,手部張力顯著較高。
參與者在具有挑戰性的任務條件下,頭部運動顯著較少。

引用

"我們的使用者研究(n=22)探討了自由手勢輸入作為檢測虛擬實境中使用者情感和認知負荷的方法。"
"我們提取了參與者手勢形成的速度、距離、手部張力和頭部運動等特徵,並開發了分類模型來預測使用者的情感和認知負荷。"
"這些結果展示了Motion as Emotion作為一種準確可靠的方法,能夠從自由手勢中推斷使用者的情感和認知負荷。"

从中提取的关键见解

Motion as Emotion: Detecting Affect and Cognitive Load from Free-Hand Gestures in VR

by Phoebe Chua,... 在 arxiv.org 09-20-2024

https://arxiv.org/pdf/2409.12921.pdf

更深入的查询

如何進一步提高基於手勢動作的情感和認知負荷檢測的準確性和泛化性?

要進一步提高基於手勢動作的情感和認知負荷檢測的準確性和泛化性，可以考慮以下幾個策略：

多模態數據融合：結合手勢動作數據與其他生理信號（如心率變異性、皮膚電反應等）進行分析，這樣可以提供更全面的情感和認知負荷指標。多模態數據融合能夠捕捉到不同來源的信號，從而提高模型的準確性。

高級特徵提取：利用深度學習技術自動提取手勢動作中的高級特徵，這些特徵可能比傳統的手工特徵更具代表性。通過卷積神經網絡（CNN）等模型，可以從手勢的時序數據中學習到更複雜的模式。

增強學習和自適應模型：開發能夠隨著用戶交互而自我調整的模型，這樣可以根據用戶的特定行為模式進行優化，從而提高泛化性。增強學習可以幫助模型在不同的情境下學習最佳的反應策略。

擴展數據集：增加多樣化的參與者和情境，以擴展訓練數據集。這樣可以提高模型在不同人群和環境下的適應能力，從而增強其泛化性。

持續的用戶反饋：在實際應用中收集用戶的反饋，並根據這些反饋不斷調整和改進檢測模型。這種迭代過程能夠幫助模型更好地適應用戶的需求和行為變化。

除了手勢動作,還有哪些其他可用的隱式人機交互信號可以用於情感和認知負荷的檢測?

除了手勢動作，還有多種隱式人機交互信號可以用於情感和認知負荷的檢測，包括：

眼動追蹤：通過分析用戶的眼動模式（如注視時間、掃視速度和瞳孔擴張）來推斷其情感狀態和認知負荷。眼動追蹤能夠提供有關用戶注意力和情緒反應的寶貴信息。

語音特徵：語音的音調、語速和語音強度等特徵可以反映用戶的情感狀態。情緒化的語音表達通常伴隨著特定的語音模式，這些模式可以用於情感識別。

生理信號：如心率、皮膚電反應（EDA）、呼吸率等生理指標，這些信號能夠反映用戶的生理狀態，並與情感和認知負荷相關聯。

行為模式：用戶在使用設備時的行為模式（如點擊頻率、滑動速度和操作精度）也可以用來推斷其情感和認知負荷。這些行為模式能夠提供有關用戶心理狀態的間接證據。

環境因素：考慮到環境的影響，如噪音水平、光照強度等，這些因素可能會影響用戶的情感和認知負荷，並且可以作為額外的信號進行分析。

虛擬實境中的手勢動作特徵與現實世界中的手勢動作特徵是否存在差異,這對情感和認知負荷檢測有何影響?

虛擬實境中的手勢動作特徵與現實世界中的手勢動作特徵確實存在差異，這些差異對情感和認知負荷檢測有重要影響：

動作自由度：在虛擬實境中，手勢動作通常具有更高的自由度，因為用戶可以在三維空間中進行操作，而現實世界中的手勢往往受到物理環境的限制。這種自由度可能導致用戶在虛擬環境中表現出不同的手勢模式，從而影響情感和認知負荷的檢測。

感知和反饋：虛擬實境中的手勢動作缺乏現實世界中的觸覺反饋，這可能會影響用戶的動作精確性和自信心。在缺乏觸覺反饋的情況下，用戶可能會表現出更大的動作變異性，這可能會影響情感和認知負荷的評估。

心理投入：在虛擬實境中，使用者的沉浸感和心理投入程度可能會影響其手勢動作的特徵。高沉浸感可能導致更自然的手勢表現，而低沉浸感則可能使手勢變得僵硬或不自然，這會影響情感和認知負荷的識別。

動作模式的學習：用戶在虛擬環境中可能需要時間來適應新的手勢動作模式，這與他們在現實世界中的經驗不同。這種學習過程可能會影響情感和認知負荷的檢測，因為用戶在適應過程中可能會表現出不同的情感反應。

情境依賴性：虛擬實境中的手勢動作特徵可能受到特定任務或情境的影響，這與現實世界中的手勢表達有所不同。這種情境依賴性可能使得在虛擬環境中進行情感和認知負荷檢測時，需要考慮更多的上下文因素。

總之，虛擬實境中的手勢動作特徵與現實世界中的手勢動作特徵之間的差異，對情感和認知負荷的檢測具有深遠的影響，這要求研究者在設計檢測系統時，充分考慮這些差異。