論文の概要: Toward Postural State Classification in Immersive VR with Multimodal Data and Explainability Analysis

• arxiv url: http://arxiv.org/abs/2608.28844v1
• Date: Fri, 28 Aug 2026 20:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.767075
• Title: Toward Postural State Classification in Immersive VR with Multimodal Data and Explainability Analysis
• Title（参考訳）: マルチモーダルデータと説明可能性分析を用いた没入型VRの姿勢状態分類に向けて
• Abstract要約: 本研究では、視覚的摂動下での姿勢状態を分類するための機械学習(ML)とディープラーニング(DL)モデルを比較する。 キネマティック、筋電図(EMG)、電磁気放射能(EDA)信号を含むマルチモーダルデータセットを用いた。 モデルのうち、マムバにインスパイアされたCNN(MI-CNN)は96.76%の精度を達成した。
• 参考スコア（独自算出の注目度）: 9.386262755183862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring a safe virtual reality (VR) experience requires systems that can predict and respond when users lose their balance. Although prior work has examined fall prediction and motion sickness, many approaches are regression-based and postural state classification remains less explored. This study compares machine learning (ML) and deep learning (DL) models for classifying postural states in VR under visual perturbations. We used a multimodal dataset containing kinematic, electromyographic (EMG), and electrodermal activity (EDA) signals. The data were prepared for a binary task to distinguish balanced from imbalanced postural states, and participant-wise downsampling addressed class imbalance. All models were evaluated with Leave-One-Participant-Out (LOPO) cross-validation to test generalization to unseen participants. Among the models, the Mamba-inspired CNN (MI-CNN) achieved the highest accuracy of 96.76%. SHapley Additive exPlanations (SHAP) analysis improved interpretability and identified the most influential classification factors. The SHAP results showed that kinematic features were dominant, indicating that body-motion patterns are informative for detecting imbalance in VR. We also evaluated MI-CNN using only the top two-thirds of features ranked by SHAP importance. Despite a 33% reduction in input dimensionality, the model maintained performance, achieving 0.957 accuracy and 0.957 F1-score, with about a 1% decrease compared with the full-feature model. These findings suggest that multimodal sensing, temporal deep learning, and explainable AI can support reliable classification of balance-related instability in VR. Accurate recognition of imbalanced postural states may raise awareness of fall risk and guide safer, adaptive VR systems that respond to instability while improving user safety and experience. Code is available at: https://github.com/NipaAnjum/MI-CNN.
• Abstract（参考訳）: 安全なバーチャルリアリティ(VR)エクスペリエンスを保証するには、ユーザがバランスを失った時に予測と応答が可能なシステムが必要です。 以前の研究では、転倒予測と運動障害について検討されてきたが、多くのアプローチは回帰ベースであり、姿勢状態の分類はいまだに調査されていない。 本研究では、視覚的摂動下での姿勢状態を分類するための機械学習(ML)とディープラーニング(DL)モデルを比較する。 キネマティック、筋電図(EMG)、電磁気放射能(EDA)信号を含むマルチモーダルデータセットを用いた。 データは、バランスの取れていない姿勢状態とバランスの取れた姿勢状態とを区別するバイナリタスクの準備と、対処されたクラス不均衡を参加者が見下ろすために準備された。 全モデルがLOPO(Leave-One-Participant-Out)クロスバリデーションで評価された。 モデルのうち、マムバにインスパイアされたCNN(MI-CNN)は96.76%の精度を達成した。 shapley Additive exPlanations (SHAP) 解析により解釈性が向上し,最も影響力のある分類因子が同定された。 SHAPの結果,運動特性が支配的であり,身体運動パターンがVRの不均衡の検出に有用であることが示唆された。 また,SHAPの重要度の高い上位3分の2の機能のみを用いてMI-CNNを評価した。 入力次元が33%低下したにもかかわらず、モデルの性能は0.957の精度と0.957のF1スコアを達成し、フル機能のモデルと比べて約1%低下した。 これらの結果は,多モードセンシング,時間的深層学習,説明可能なAIが,VRにおけるバランス関連不安定性の信頼性の高い分類を支援することを示唆している。 不均衡な姿勢状態の正確な認識は、転倒リスクの認識を高め、ユーザーの安全性と経験を改善しながら不安定に対応するより安全な適応型VRシステムを誘導する。 コードは、https://github.com/NipaAnjum/MI-CNNで入手できる。

関連論文リスト

• Introducing WARM-VR: Benchmark Dataset for Multimodal Wearable Affect Recognition in Virtual Reality [12.32040756213776]
  WARM-VRは、没入型マルチセンサー環境における影響認識をサポートするために設計された、新しいデータセットである。 19～37歳の被験者31名からウェアラブルセンサーを用いてデータを収集した。
  論文  参考訳（メタデータ） (2026-04-30T20:00:56Z)
• Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
  不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。 最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。 本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
  論文  参考訳（メタデータ） (2026-04-17T06:31:29Z)
• Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
  VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。 標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。 本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
  論文  参考訳（メタデータ） (2026-02-10T12:25:43Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Predicting User Grasp Intentions in Virtual Reality [0.0]
  対象の種類,サイズ,操作の異なる810の試験において,分類と回帰のアプローチを評価した。 回帰ベースのアプローチはより堅牢なパフォーマンスを示し、タイミングエラーは0.25秒以内、距離エラーは5～20cm程度である。 私たちの結果は、VRインタラクションを強化する機械学習モデルの可能性を強調します。
  論文  参考訳（メタデータ） (2025-08-05T15:17:19Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Adaptive Score Alignment Learning for Continual Perceptual Quality Assessment of 360-Degree Videos in Virtual Reality [20.511561848185444]
  適応スコアアライメント学習(ASAL:Adaptive Score Alignment Learning)という,VRビデオの知覚品質を評価する新しい手法を提案する。 ASALは相関損失と誤り損失を統合し、人間の主観的評価と知覚品質の予測精度を高める。 我々はVR-VQAとそのCLのための総合的なベンチマークを確立し、新しいデータ分割と評価指標を導入しました。
  論文  参考訳（メタデータ） (2025-02-27T00:29:04Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• VR-LENS: Super Learning-based Cybersickness Detection and Explainable AI-Guided Deployment in Virtual Reality [1.9642496463491053]
  本研究は、サイバーシック検出MLモデルを開発するための、説明可能な人工知能(XAI)ベースのフレームワークであるVR-LENSを提案する。 我々はまず,サイバーシック検出のための新しいスーパーラーニングベースのアンサンブルMLモデルを開発した。 本手法は, 眼球運動, プレイヤー位置, ガルバニックスキン/ハートレート応答を, 統合センサ, ゲームプレイ, 生体生理学的データセットの最も重要な特徴として同定した。
  論文  参考訳（メタデータ） (2023-02-03T20:15:51Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。