가상현실에서의 개인 맞춤형 사이버멀미 선제적 예측 모델 개발

Abstract

가상현실(Virtual Reality, VR) 사용성을 저해하는 사이버멀미 현상을 완화하기 위해 최근 연구들은 인공지능 기반의 사이버멀미 예측 모델을 제안해 왔으나, 대부분은 사용자가 사이버멀미를 경험한 후 적용되어 선제적 대응에는 제한적이다. 또한, 사이버멀미 측정 지표인 Fast Motion Sickness Scale (FMS)은 사용자마다 상대적일 수 있어, 개인화된 모델의 중요성이 강조된다. 본 논문은 Head Mounted Display (HMD) 센서 데이터를 기반으로, 장기 시계열 예측 모델인 PatchTST를 활용한 사이버멀미 선제적 예측 모델을 제안한다. 실험 결과, MAE 0.14, RMSE 0.67로 baseline 모델에 준하는 성능을 보였다. PatchTST의 활용 가능성을 바탕으로 개인 맞춤형 모델을 개발하였으며, Accuracy 0.71을 달성하였다. 이는 장기 시계열 예측 모델을 활용한 사이버멀미 선제적 예측과 개인 맞춤형 모델 발전의 가능성을 시사한다.

To mitigate cybersickness, which disrupts the usability of virtual reality (VR), recent studies have proposed prediction models using artificial intelligence. However, most of these models can only be applied after users have experienced cybersickness, limiting their usefulness for proactive response. The importance of personalized cybersickness prediction models is underscored by the fact that the Fast Motion Sickness Scale (FMS), an indicator for measuring cybersickness, is somewhat subjective for each individual. This paper proposes a model for the early prediction of cybersickness based on sensor data from a Head Mounted Display (HMD), utilizing a long-term time-series forecasting model called PatchTST. The experimental results demonstrate that the proposed model achieved performance comparable to the baseline models, with a mean absolute error (MAE) of 0.14 and a root mean square error (RMSE) of 0.67. By leveraging PatchTST’s the potential for early prediction, we developed a personalized model that achieved an accuracy of 0.71. These results suggest the feasibility of an early prediction model for cybersickness and highlight the potential for developing personalized models.