机构名称：
¥ 1.0
Cybersickness是与虚拟现实（VR）用户体验相关的常见疾病。基于机器学习（ML）和深度学习（DL）的几种自动化方法，以检测网络病。但是，这些Cybersickness检测方法中的大多数被视为计算密集型和黑盒方法。因此，这些技术既不值得信赖，也不是实用的，因为它可以在独立的能源受限的VR头部安装设备（HMD）上。在这项工作中，我们提出了可解释的人工智能（XAI）基于Cybersickness检测的框架LiteVR，解释了模型的结果，降低了功能维度和整体计算成本。首先，我们基于长期短期记忆（LSTM），门控复发单元（GRU）和多层感知器（MLP）开发了三个Cybersickness DL模型。然后，我们采用了事后解释，例如Shapley添加说明（SHAP），以解释结果并提取Cybersickness的最主要特征。最后，我们以减少的功能数量重新训练DL模型。我们的结果表明，引人注目的特征是Cybersickness Declection的最主要的。此外，基于基于XAI的功能排名和降低维度，我们显着将模型的大小降低了4.3倍，训练时间最高为5.6倍，其推理时间最高为3.8倍，最高可降低Cybersick Nessick Nespection tection coctection tection coctiction Percipation Percipation和低回归误差（即快速运动尺度）（FMS）。我们提出的LITE LSTM模型在分类网络病和回归（即FMS 1-10）中获得了94％的精度，其根平方误差（RMSE）为0。30，表现优于最先进的。我们提出的LITEVR框架可以帮助研究人员和从业人员在独立的VR HMD中分析，检测和部署其基于DL的Cybersickness检测模型。
liteVr：使用可解释的AI
主要关键词
相关文件推荐
