Разработка программного обеспечения для анализа влияния технологий виртуальной реальности на процесс перемещения человека

Артем Дмитриевич Обухов; Денис Леонидович Дедов; Андрей Андреевич Волков; Надежда Андреевна Вехтева; Александра Олеговна Назарова

doi:10.17308/sait/1995-5499/2023/4/167-181

Артем Дмитриевич Обухов Тамбовский государственный технический университет https://orcid.org/0000-0002-3450-5213
Денис Леонидович Дедов Тамбовский государственный технический университет https://orcid.org/0000-0002-6243-837X
Андрей Андреевич Волков Тамбовский государственный технический университет https://orcid.org/0000-0001-7109-9114
Надежда Андреевна Вехтева Тамбовский государственный технический университет https://orcid.org/0000-0002-8751-7445
Александра Олеговна Назарова Тамбовский государственный технический университет https://orcid.org/0000-0002-4741-1451

DOI: https://doi.org/10.17308/sait/1995-5499/2023/4/167-181

Ключевые слова: анализ движения человека, VR, статистический анализ, беговые платформы, отслеживание движения, Python, обработка сигналов

Аннотация

Среди распространенных подходов к организации перемещения в виртуальной реальности можно выделить использование специализированных контроллеров, беговых дорожек и всенаправленных платформ. В рамках данного исследования рассматривается влияние виртуальной реальности на процесс перемещения человека на различных видах платформ. Для отслеживания специфики данного процесса используются два вида оборудования: датчики виртуальной реальности (трекеры), отслеживающие траекторию перемещения, датчик мышечной активности, закрепленный на ноге пользователя. Разработан и формализован алгоритм сбора, обработки и анализа информации о процессе движения с использованием выбранного оборудования. Проведены экспериментальные исследования по влиянию виртуальной реальности на процесс перемещения человека в двух средах: в обычных условиях и на беговой дорожке. Разработанный алгоритм успешно апробирован в рамках экспериментальных исследований, что позволило оценить эффект влияния виртуальной реальности на траекторию движения и мышечную активность. Собранные данные (траектории и скорость трекеров, мышечная активность) обработаны статистическими методами (тест Шапиро — Уилка и U-тест Манна — Уитни), что позволило оценить нормальность распределения данных и осуществить попарное сравнение выборок, полученных при движении как в шлеме виртуальной реальности, так и без него. В результате не обнаружено статистически значимой разницы между траекториями движения ног. Выявлено различие в мышечной активности человека и скорости перемещения в процессе использования виртуальной реальности. Таким образом, гипотеза частично подтверждается. В результате исследования было подтверждено, что существует определенная разница в характере перемещения человека при использовании технологий виртуальной реальности.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Артем Дмитриевич Обухов, Тамбовский государственный технический университет

д-р техн. наук, доцент кафедры САПР Тамбовского государственного технического университета

Денис Леонидович Дедов, Тамбовский государственный технический университет

канд. техн. наук, старший научный сотрудник Управления фундаментальных и прикладных исследований Тамбовского государственного технического университета

Андрей Андреевич Волков, Тамбовский государственный технический университет

младший научный сотрудник Управления фундаментальных и прикладных исследований Тамбовского государственного технического университета

Надежда Андреевна Вехтева, Тамбовский государственный технический университет

младший научный сотрудник Управления фундаментальных и прикладных исследований Тамбовского государственного технического университета

Александра Олеговна Назарова, Тамбовский государственный технический университет

студент кафедры САПР Тамбовского государственного технического университета

Литература

1. Cummings J. J. and Bailenson J. N. (2016). How immersive is enough? A meta-analysis of the effect of immersive technology on user presence. Media psychology. 19(2). P. 272–309.
2. Colyer S. L., Evans M., Cosker D. P. and Salo A. I. (2018). A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system. Sports medicine-open. 4(1). P. 1–15.
3. Auralius M. and Yoon J. W. (2011). An automatic speed control system of a treadmill with ultrasonic sensors. Journal of Institute of Control, Robotics and Systems. 17(5). P. 505–511.
4. Qi Y., Soh C. B., Gunawan E. and Low K. S. (2014). Ambulatory measurement of three-dimensional foot displacement during treadmill walking using wearable wireless ultrasonic sensor network. IEEE journal of biomedical and health informatics. 19(2). P. 446–452.
5. Gauglitz G. (2005). Direct optical sensors: principles and selected applications. Analytical and bioanalytical chemistry. 381. P. 141–155.
6. Gembalczyk G., Duda S., Kciuk S., Gąsiorek D. and Mężyk A. (2019). Mechatronic treadmill for gait reeducation with control algorithm of treadmill speed adaptation. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 233(7). P. 2239– 2247.
7. Wu M., Hornby T. G., Landry J. M., Roth H. and Schmit B. D. (2011). A cable-driven locomotor training system for restoration of gait in human SCI. Gait & posture. 33(2). P. 256–260.
8. Wang X., Garg S., Tran S. N., Bai Q. and Alty J. (2021). Hand tremor detection in videos with cluttered background using neural network based approaches. Health Information Science and Systems. 9. P. 1–14.
9. Caserman P., Garcia-Agundez A., Konrad R., Göbel S. and Steinmetz R. (2019). Real-time body tracking in virtual reality using a Vive tracker. Virtual Reality. 23. P. 155–168.
10. Wang L., Hu W. and Tan T. (2003). Recent developments in human motion analysis. Pattern recognition. 36(3). P. 585–601.
11. Li L. and Luo M. (2020, September). Research on an improved single neuron PI control strategy. In 2020 International Conference on Computer Network, Electronic and Automation (ICCNEA). IEEE. P. 409–413.
12. Asl H. J., Pyo S. H. and Yoon J. (2018, May). An intelligent control scheme to facilitate abrupt stopping on self-adjustable treadmills. In 2018 IEEE International Conference on Robotics and Automation (ICRA). IEEE. P. 1639–1644.
13. Kamkar S., Ghezloo F., Moghaddam H. A., Borji A. and Lashgari R. (2020). Multiple-target tracking in human and machine vision. PLoS computational biology. 16(4). e1007698.
14. Barris S. and Button C. (2008). A review of vision-based motion analysis in sport. Sports Medicine. 38. P. 1025–1043.
15. Tsutsui H., Miura J. and Shirai Y. (2001, August). Optical flow-based person tracking by multiple cameras. In Conference Documentation International Conference on Multisensor Fusion and Integration for Intelligent Systems. MFI 2001 (Cat. No. 01TH8590). IEEE. P. 91–96.
16. Bradski G. (2000). The openCV library. Dr. Dobb’s Journal: Software Tools for the Professional Programmer. 25(11). P. 120–123.
17. Di Capua M. and Akin D. L. (2013). Body Pose Measurement System: System Validation and Range of Motion/Kinematic Analysis of Three Pressure Suits. In 43rd International Conference on Environmental Systems. P. 3424.
18. Raibulet C., Arcelli Fontana F. and Carettoni S. (2020). A preliminary analysis of self-adaptive systems according to different issues. Software Quality Journal. 28. P. 1213–1243.
19. Oudah M., Al-Naji A. and Chahl J. (2020). Hand gesture recognition based on computer vision: a review of techniques. Journal of Imaging. 6(8). P. 73.
20. Obukhov A. D., Krasnyanskiy M. N., Dedov D. L. and Nazarova A. O. (2022). The study of virtual reality influence on the process of professional training of miners. Virtual Reality. P. 1–25.
21. Kovalev A. I., Rogachev A. O., Klimova O. A. and Kasimov A. F. (2020). Electrophysiological indicators of perception of the illusion of movement of one’s own body in virtual reality (Elektrofiziologicheskie pokazateli vospriyatiya illyuzii dvizheniya sobstvennogo tela v usloviyah virtual’noj real’nosti). Bulletin of the Moscow University. Episode 14. Psychology. (2). P. 26–44.
22. Zia ur Rehman M., Gilani S. O., Waris A., Niazi I. K., Slabaugh G., Farina D. and Kamavuako E. N. (2018). Stacked sparse autoencoders for EMG-based classification of hand motions: A comparative multi day analyses between surface and intramuscular EMG. Applied Sciences. 8(7). P. 1126.
23. Luzyanin I. S., Petrochenkov A. B. and Krause B. (2016, May). Problems of tiny changes analysis in complex time series using dynamic time warping algorithm. In 2016 XIX IEEE International Conference on Soft Computing and Measurements (SCM). IEEE. P. 419–422.
24. Zykov S. V., Neznanov A. A. and Maksimenkova O. V. (2018). Criteria for deviation of the distribution of random variables from the normal in the mathematical support of software systems to support measurements in education (Kriterii otkloneniya raspredeleniya sluchajnyh velichin ot normal’nogo v matematicheskom obespechenii programmnyh sistem podderzhki izmerenij v obrazovanii). Software systems: theory and applications. 9(4 (39)). P. 199–218.
25. Bergmann R., Ludbrook J. and Spooren W. P. (2000). Different outcomes of the Wilcoxon — Mann — Whitney test from different statistics packages. The American Statistician. 54(1). P. 72–77.