在探討 VR 普及過程中，暈動症依然是一個亟待解決的關鍵障礙。美國愛荷華州立大學的研究團隊，針對這一挑戰，研究了頭部運動模式作為暈動症檢測的新穎生理指標，為這一領域帶來了突破性的進展。
與傳統方法不同，該研究聚焦於頭部運動的連續性、非侵入性特徵，這些特徵能夠輕鬆通過商用 VR 頭顯內置的傳感器捕獲，無需額外設備，提升了測量的便捷性與用戶接受度。團隊利用包含 75 名受試者的廣泛數據集，深入分析了六個軸向的頭部運動數據，進一步挖掘其背後的生理資訊。
為了精準捕捉與暈動症相關的關鍵特徵，研究團隊實施了詳盡的特徵提取流程，涵蓋了統計特徵、時間特徵和光譜特徵等多個維度，旨在全面剖析頭部運動與暈動症之間的複雜關聯。隨後，通過遞歸特徵消除法，科學篩選出了最具預測價值的特徵子集，確保了模型的高效與精確。
在機器學習算法的訓練與測試中，研究取得了令人矚目的成果：基於頭部運動數據的暈動症預測模型，實現了 76% 的準確率和 83% 的精確度。這一成果不僅驗證了頭部運動模式作為暈動症生理標記的可行性，也為 VR 技術的無障礙體驗開闢了新途徑。
VR 技術以其沉浸式交互體驗，正逐步滲透至娛樂、教育、培訓及醫療等多個領域，展現出廣闊的應用前景。然而，暈動症作為 VR 體驗的一大痛點，限制了其更廣泛的普及與接受度。暈動症的發生機制複雜多樣，涉及硬體性能、軟體設計、個體差異及任務特性等多方面因素，尤其是視覺與體感資訊的衝突及姿勢控制的不穩定，是其核心誘因。
本研究聚焦於頭部運動這一特定姿勢變化，發現其模式與暈動症症狀之間存在顯著關聯，為暈動症的早期識別與干預提供了新視角。頭部運動數據作為一種低成本、易獲取的資源，其潛力得到了充分挖掘與驗證，為開發高效、便捷的暈動症預測系統奠定了堅實基礎。
展望未來，研究團隊期待能夠進一步拓展頭部運動數據的應用範圍，結合眼動追蹤等先進技術，構建更加全面、實時的暈動檢測系統，為 VR 用戶帶來更加舒適、無虞的沉浸式體驗。同時，這一研究也為其他領域中的生理信號分析提供了寶貴參考，推動了跨學科研究的深入發展。
