在沉浸在VR环境中的时候，用户经常会出现某种程度的晕动症。这是阻碍VR普及的最大障碍之一，而即便经过数十年的研究，行业人士依然在探索有效的解决方案。
德州大学圣安东尼奥分校和休斯顿大学的研究人员最近发布了一份名为Automatic Detection and Prediction of Cybersickness Severity using Deep Neural Networks from user’s Physiological Signals（使用深层神经网络并根据用户生理信号自动检测和预测晕动症严重程度）的研究论文，并提出利用深层神经网络来帮助检测和预测晕动症，从而帮助系统及时采取适合的缓解措施或提醒用户。
由于精度高，采集晕动症相关数据的标准方法一般是利用脑电图（EEG）信号，而不是通过其他生理测量数据，如心率或呼吸频率。但是，德州大学圣安东尼奥分校和休斯顿大学的研究人员认为生理数据的采集要比EEG数据简单，并且需要更少的后处理。
针对生理数据之于EEG信号的劣势，团队把目光投向了深层神经网络，利用机器学习和深度学习方法训练了一个名为Convolutional Long Short-Term Memory的机器学习模型。
在实验中，31名健康的被试将头戴头显，手指接入GSR传感器，胸口配备一个OmniSense HR传感器，然后再体验一款过山车模拟器。不出所料，大多数被试在数分钟后就出现了某种形式的晕动症。
团队同时采集了被试的心率、呼吸频率、心率变异性和皮肤电反应数据，并发现被试在经历晕动症时的生理信号与正常基线存在显著差异。然后，研究人员比较了一个支持向量机分类器和三个深度神经分类器在两分钟内检测和预测未来两分钟内的晕动症程度。
结果表明，Convolutional Long Short-Term Memory分类器在根据生理信号检测当前晕动症程度方面的精确度达到97.44%，而预测未来晕动症严重程度的精确率则为87.38%。
相关论文：Automatic Detection and Prediction of Cybersickness Severity using Deep Neural Networks from user’s Physiological Signals
研究人员指出，他们需要进行更多的研究，比如扩大被试人数和被试类型，同时针对不同类型的VR体验进行测试。
但显然，如果能够精确地测量用户当前的晕动症程度，并且提前预判用户的晕动症严重程度，系统就能及时地采取相应的预防措施。