嵌入式与情境式：AR面部训练反馈的评估研究

文献标题

Embedded vs. Situated: An Evaluation of AR Facial Training Feedback

出版信息

• 主题领域: 面向面部肌肉训练的增强现实（AR）反馈
• 关键词: 增强现实, 面部训练, 嵌入式反馈, 情境可视化, 认知负荷, 用户体验, 运动学习, ARCore, 肌肉激活, 实时反馈

背景与问题

• 问题/挑战: 现有的面部肌肉训练系统依赖于与面部空间分离的视觉反馈，这降低了可解释性和有效性。尽管嵌入式AR反馈在大肌肉训练中已被证明有效，但其在细粒度面部运动中的应用仍未得到充分探索。
• 重要性: 有效的面部肌肉训练在康复（如面瘫）、表演训练（如演员、公众演讲者）和运动技能习得中具有重要应用。理解反馈位置如何影响表现和用户体验对于设计更优的系统至关重要。
• 动机与相关工作: 先前基于AR的运动学习系统已证明空间对齐反馈对大肌肉任务的益处。然而，面部训练系统主要使用情境反馈，这增加了认知挑战。本文通过评估嵌入式反馈在面部训练中的应用来填补这一空白。

解决方案

• 提出的方法: 本研究评估了三种AR反馈条件——ARSelfie（嵌入式）、Mannequin（代理嵌入式）和BarChart（情境式）——以及无反馈的Baseline条件，以分析它们在面部肌肉训练中的表现、认知负荷和用户体验的影响。
• 创新点:
  1. 将嵌入式AR反馈原则从大肌肉训练扩展到细粒度面部训练。
  2. 提供嵌入式与情境反馈在面部肌肉训练中的权衡的实证证据。
  3. 提出在AR系统中平衡表现准确性、反馈可解释性和用户舒适性的设计指南。
• 流程与关键技术:
  1. 使用Google ARCore开发了一款移动AR应用，实时跟踪面部标志点并估算肌肉激活。
  2. 设计了四种可视化条件：ARSelfie、Mannequin、BarChart和Baseline。
  3. 进行了一项被试内实验（N = 24），参与者在所有条件下完成了三种面部训练（微笑、抬眉、反皱眉）。
  4. 测量了训练准确性、认知负荷（NASA-TLX，外在认知负荷）和用户体验（UEQ）。

结果

• 具体发现:
  • BarChart 实现了最高的准确性（平均值 = 16.88），但施加了最高的认知负荷。
  • ARSelfie 和 Mannequin 减少了认知负荷（ECL: 6.50 和 7.71，分别）且用户体验评分更高。
  • ARSelfie 是最受欢迎的条件，其次是 Mannequin、BarChart 和 Baseline。
• 相较基线的优势:
  • 嵌入式反馈（ARSelfie 和 Mannequin）相比 BarChart 和 Baseline 降低了认知努力并改善了用户体验。
  • 情境反馈（BarChart）支持更高的准确性，但由于注意力转移需要更多的认知努力。
• 实验/评估:
  • 参与者在四种反馈条件下完成了三种面部训练的六个循环。
  • 指标包括准确性、首次达到最佳重复的时间、最佳重复次数、NASA-TLX工作负荷、UEQ评分和ECL分数。
  • 结果通过重复测量ANOVA和主题性定性分析进行分析。
• 局限性与未来工作:
  • 短期实验在受控实验室环境中进行；长期学习效果和实际应用尚未测试。
  • 反馈系统依赖于基于启发式的肌肉激活估算；需要通过生理测量（如EMG）进行验证。
  • 样本量小且参与者群体同质性较高，限制了普适性；未来研究应包括多样化人群和临床群体。

总结

本研究探讨了空间反馈位置对使用AR进行面部肌肉训练的影响。嵌入式反馈（ARSelfie 和 Mannequin）相比情境反馈（BarChart）降低了认知负荷并增强了用户体验，尽管 BarChart 实现了更高的准确性。研究结果表明，大肌肉训练中的空间对齐反馈原则可以有效应用于面部训练。设计建议包括结合空间对齐与显式幅度指示器，并提供可定制的自我表示选项。这些见解对康复、表演训练和运动技能习得具有重要意义。