模拟电肌肉刺激感知力以改善用户记忆

文献标题

Modeling Perceived Force of Electrical Muscle Stimulation to Improve User’s Recall

出版信息

• 主题领域: 改善电刺激肌肉（EMS）界面中力回忆的准确性，以促进身体技能的习得。
• 关键词: 电刺激肌肉, 力回忆, 触觉, 技能习得, 用户建模, 感知偏差, 回归模型, 力反馈, 人机交互, 动作技能。

背景与问题

• 问题/挑战: 现有的EMS界面在演示动作方面效果显著，但在准确演示力方面存在不足，导致用户回忆错误显著。用户在感知低力水平时往往会高估力，平均高估值为19%。
• 重要性: 在需要精确力应用的任务中（如演奏乐器或操作工具），准确的力演示对技能习得至关重要。如果不解决这一问题，EMS界面在人机交互（HCI）领域的潜力将无法充分发挥。
• 动机与相关研究: 之前的研究主要集中于改善EMS轨迹和姿态的准确性，但忽略了力感知和回忆问题。尽管EMS已被用于虚拟现实（VR）和增强现实（AR）的沉浸式交互，这些应用并未优先考虑力演示的准确性。本研究通过建模用户对EMS演示力的感知来减少回忆误差，从而填补这一研究空白。

解决方案

• 提出的方法: 开发用户对EMS演示力回忆的感知模型，并利用该模型调整目标力以提高回忆准确性。
• 创新点:
  1. 确定并量化EMS界面中的力高估问题。
  2. 开发个性化回归模型以预测并调整力回忆中的感知偏差。
  3. 通过实验验证该方法，回忆误差减少了35%。
  4. 探讨力专注型EMS系统的潜在应用。
• 流程与关键技术:
  1. 进行用户研究以测量EMS演示力的回忆误差。
  2. 开发并评估三种回归模型（线性、二次、幂律）以预测用户回忆。
  3. 使用未见过的目标力验证表现最佳的个性化模型。
  4. 比较模型调整后的EMS演示与基线EMS演示在回忆准确性方面的表现。

结果

• 具体发现:
  • 使用模型调整后的EMS演示相比基线EMS演示，回忆误差中位数减少了35%。
  • 力高估误差在低力水平最为显著（例如，500g时中位误差为80.2%），在高力水平有所减少。
  • 对于12名参与者中的6人，线性回归模型表现最佳，而约束二次模型和幂模型对其他参与者效果更好。
• 相较基线的优势: 模型调整后的EMS演示在低力和中力水平上显著优于基线EMS演示。
• 实验/评估:
  • 第一阶段：测量三个目标力水平（最低值、中点值、最大值）下的回忆误差，每位参与者完成30次试验。
  • 第二阶段：使用交叉验证开发个性化回归模型，并与全局模型进行比较。
  • 第三阶段：在15个未见过的目标力上验证模型，显示回忆准确性显著提高。
• 局限性与未来工作:
  • 用于生成模型的校准试验数量有限。
  • 多阶段研究设计可能引入混杂因素，但通过随机化试验条件进行了缓解。
  • 研究集中于简单回归模型，未来可探索机器学习方法。
  • 由于EMS敏感性的个体差异，结果可能无法推广到更大的人群。

总结

本研究通过开发个性化感知模型来调整目标力，解决了EMS界面中的力回忆误差问题。该方法将回忆误差中位数减少了35%，在低力和中力水平上尤为有效。研究结果强调了用户感知建模对于精确力演示的重要性，并为EMS在技能习得中的应用开辟了新的可能性。未来研究可以探索更复杂的建模技术，并将方法扩展到动态和多模态EMS系统。