Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Virtual-Reality-Experimente mit physiologischen Maßnahmen

Published: August 29, 2018 doi: 10.3791/58318
Automatic Translation
1, 1, 1, 1,2,3, 1, 1, 1
1Chair of Cognitive Science, ETH Zürich, 2Geographic Information Visualization and Analysis, University of Zürich, 3Digital Society Initiative, University of Zürich

Summary

Virtuelle Realität (VR) Experimente können schwierig sein, zu implementieren und erfordern eine sorgfältige Planung. Dieses Protokoll beschreibt eine Methode für die Gestaltung und Durchführung von VR-Experimenten, die physiologischen Daten von menschlichen Teilnehmern sammeln. Die Experimente im Rahmen von virtuellen Umgebungen (EVE) wird eingesetzt, um diesen Prozess zu beschleunigen.

Abstract

Virtuelle Realität (VR) Experimente sind wegen ihre interne und externe Validität im Vergleich zu realen Beobachtungen und Experimente, bzw. vermehrt eingesetzt. VR ist besonders nützlich für geographische Visualisierungen und Untersuchungen des räumlichen Verhaltens. In räumlichen Verhalten-Forschung, VR bietet eine Plattform für die Untersuchung der Beziehung zwischen Navigation und physiologische Maßnahmen (zB., Haut Leitwert, Herzfrequenz, Blutdruck). Insbesondere ermöglichen physiologische Maßnahmen Forscher neuartige Fragen zu frühere Theorien der räumlichen Fähigkeiten, Strategien und Leistung zu beschränken. Individuelle Unterschiede in der Navigationsleistung können beispielsweise durch das Ausmaß erklärt werden, auf die Veränderungen der Erregung die Auswirkungen der Schwierigkeit der Aufgabe vermitteln. Jedoch die Komplexität in der Entwicklung und Durchführung von Experimenten VR ablenkt Experimentatoren aus ihrer primären Forschungsziele und Unregelmäßigkeiten bei der Datenerhebung und-Analyse einzuführen. Um diesen Herausforderungen zu begegnen, die Experimente in virtuellen Umgebungen (EVE) Framework Standardmodule wie Teilnehmer training mit dem Steuerelement enthält Schnittstelle, Datenerfassung mithilfe von Fragebögen, die Synchronisation der physiologischen Messungen und Datenspeicherung. Eva bietet auch die notwendige Infrastruktur für Daten-Management, Visualisierung und Auswertung. Der vorliegende Beitrag beschreibt eine Protokoll, die EVE Framework, um die Navigation in der VR mit physiologischen Sensoren Experimente beschäftigt. Das Protokoll listet die notwendigen Schritte zur Rekrutierung Teilnehmer, Anbringen der physiologischen Sensoren verwalten das Experiment mit EVE und Beurteilung der erhobenen Daten mit EVE Bewertungsinstrumente. Insgesamt wird dieses Protokoll Zukunftsforschung erleichtern, durch die Optimierung der Gestaltung und Umsetzung von VR-Experimenten mit physiologischen Sensoren.

Introduction

Verstehen, wie Einzelpersonen navigieren hat wichtige Implikationen für mehrere Bereiche, einschließlich Kognitionswissenschaft1,2,3, Neurowissenschaften4,5und Informatik6 , 7. Navigation ist in realen und virtuellen Umgebungen untersucht worden. Ein Vorteil von realen Experimenten ist die Navigation nicht die Vermittlung von einer Auswerteeinheit erfordert und realistischer räumliche Verhalten erzeugen kann. Im Gegensatz dazu erlauben virtuelle Realität (VR) Experimente für eine genauere Messung des Verhaltens (z.B.., Flugbahnen zu Fuß) und physiologischen (z.B.., Herzfrequenz) Daten sowie experimentelle Kontrolle (dh., interne Gültigkeit). Dieser Ansatz kann wiederum in einfachere Interpretation der Daten und somit robuster Theorien der Navigation führen. Darüber hinaus kann VR Neurowissenschaften profitieren, weil Forscher können die neuronale Korrelate der Navigation zu untersuchen, während die Teilnehmer in der virtuellen Umgebung beschäftigt sind, aber nicht körperlich bewegen. Für Informatiker erfordert die Navigation in der VR Eigenentwicklungen in Rechenleistung, Speicher und Computergrafik um ein intensives Erlebnis zu gewährleisten. Erkenntnisse aus VR Experimente können auch in Architektur und Kartographie angewendet werden, durch die Gestaltung des Gebäudes informieren Layouts8 und Map Funktionen9 reale Navigation zu erleichtern. Vor kurzem führten die Fortschritte in der VR-Technologie kombiniert mit einem dramatischen Rückgang der Kosten zu einer Erhöhung der Anzahl der Laboratorien beschäftigen VR für ihre experimentellen Designs. Aufgrund dieser wachsenden Popularität müssen Forscher überlegen, wie die Umsetzung von VR-Applikationen optimieren und standardisieren die Experiment-Workflow. Dieser Ansatz wird Shift Hilferessourcen von der Implementierung zur Entwicklung der Theorie und erweitern die vorhandenen Fähigkeiten der VR.

VR-Setups können zwischen mehr und weniger realistisch in Bezug auf die anzeigen und Bedienelemente liegen. Realistischere VR-Installationen sind in der Regel erfordern zusätzlicher Infrastruktur wie große Verfolgung Räume und hochauflösenden10zeigt. Diese Systeme oft beschäftigen umgeleitete zu Fuß Algorithmen um unmerklichen Drehungen und Übersetzungen in das visuelle Feedback, die Benutzern zur Verfügung gestellt zu injizieren und effektiv vergrößern die virtuelle Umgebung, die durch die Teilnehmer11 bewegen können , 12. Diese Algorithmen können generalisiert in, dass sie nicht das Wissen über ökologische Struktur13 benötigen oder prädiktive, dass sie bestimmte Pfade für Benutzer14annehmen. Obwohl die meisten Untersuchungen auf umgeleiteten walking Head mounted Displays (HMD) genutzt, einige Forscher eine Version dieser Technik mit walking-in-Place als Teil eines großen Projektionssystems beschäftigen (z. B.., Höhlen)15. Während HMDs auf den Kopf des Teilnehmers durchgeführt werden können, neigen Höhle zeigt eine größere horizontale Blickfeld16,17, zu schaffen. Allerdings braucht man weniger Infrastruktur für VR-Systeme mit desktop-Displays18,19. Neurowissenschaftliche Forschung beschäftigt auch VR-Systeme in Kombination mit der funktionellen Magnetresonanztomographie (fMRI) während des Scannens20, in Kombination mit fMRI nach dem Scannen21,22, und in Kombination mit Elektroenzephalographie (EEG) während der Aufnahme von23,24. Software-Frameworks sind notwendig, um die Koordination verschiedener anzeigen und Bedienelemente, die für die Navigation Forschung verwendet werden.

Forschung, die VR und physiologische Daten beinhaltet Herausforderungen zusätzliche wie Datenerfassung und Synchronisation. Physiologische Daten können jedoch für die Untersuchungen der implizite Prozesse, die die Beziehung zwischen Navigation Potenzial und räumliche Verhalten vermitteln können. In der Tat ist die Beziehung zwischen Stress und Navigation untersucht worden, mit Desktop-VR und eine Kombination aus verschiedenen physiologischen Sensoren (i.e., Herzfrequenz, Blutdruck, Hautleitwert, Speichel Cortisol und Alpha-Amylase)25 , 26 , 27 , 28. Z. B. van Gerven und Kollegen29 untersuchte die Auswirkungen von Stress auf Navigation Strategie und Performance mit einer virtual-Reality-Version einer Morris Wasser Labyrinth Aufgabe und verschiedene physiologische Maßnahmen (zB., Haut Leitwert, Herzfrequenz, Blutdruck). Ihre Ergebnisse zeigen, dass Stress Navigation Strategie in Bezug auf die Wahrzeichen Verwendung vorhergesagt (i.e., egozentrischen versus Allocentric) aber bezog sich nicht auf Navigationsleistung. Im Allgemeinen sind Erkenntnisse aus früheren Studien über die Wirkung von Stress auf Navigationsleistung und das räumliche Gedächtnis ziemlich inkonsistent. Dieses Muster kann auf die Trennung von den Stressor zurückzuführen sein (zB., die kalte druckluftstationen Verfahren26, Star Spiegelungs-Tracing-Task25) von der eigentlichen Navigation Aufgabe, die Verwendung von einfachen Labyrinth-artigen virtuelle Umgebungen ( z.B.., virtuelle Morris Wasser Labyrinth26, virtuelle Radialarm Labyrinth28), und Unterschiede im methodischen Details (zB., Art der Stressor, Art der physiologischen Daten). Unterschiede im Format der physiologischen Daten können auch für die Durchführung und Auswertung solcher Studien problematisch sein.

Die Experimente in virtuelle Experimente (EVE) Rahmen erleichtert die Gestaltung, Durchführung und Auswertung der VR Experimente, insbesondere solche mit zusätzlichen Peripheriegeräten (z. B.., Eye Tracker, physiologische Geräte)30. Das EVE-Framework ist frei als Open-Source-Projekt auf GitHub (https://cog-ethz.github.io/EVE/) zur Verfügung. Dieses Framework basiert auf der beliebten Unity 3D game-Engine (https://unity3d.com/) und die MySQL-Datenbank-Management-System (https://www.mysql.com/). Forscher können EVE Rahmen verwenden, um die verschiedenen Phasen eines VR-Experiments, Pre- und Post-Studie Fragebögen, Basisberechnungen für physiologische Daten, einschließlich Ausbildung mit der Bedienoberfläche, die Hauptnavigation Aufgabe vorzubereiten und Tests für räumliche Gedächtnis der navigierten Umwelt (zB., Urteile des relativen Richtung). Experimentatoren können auch steuern, die Synchronisation von Daten aus verschiedenen Quellen und auf verschiedenen Ebenen der Aggregation (zB. über Studien, Blöcke oder Sitzungen). Datenquellen möglicherweise physischen (i.e., verbunden mit der Benutzer; siehe Tabelle der Materialien) oder virtuell (dh., abhängig von Wechselwirkungen zwischen der Teilnehmer Avatar und der virtuellen Umgebung). Zum Beispiel kann ein Experiment verlangen Aufzeichnung von Herzfrequenz und Position/Ausrichtung des Teilnehmers wenn des Teilnehmers Avatar bewegt sich durch einen bestimmten Bereich der virtuellen Umgebung. Alle diese Daten automatisch in einer MySQL-Datenbank gespeichert und ausgewertet mit Replay-Funktionen und das R-Paket Evertools (https://github.com/cog-ethz/evertools/). Evertools bietet ausführenden Funktionen, grundlegende Deskriptive Statistik und diagnostische tools für die Verteilung der Daten.

EVE-Rahmen kann mit einer Vielzahl von physischen Infrastrukturen und VR-Systeme bereitgestellt werden. In diesem Protokoll beschreiben wir eine bestimmte Implementierung bei der NeuroLab an der ETH Zürich (Abbildung 1). Der NeuroLab ist ein 12 m x 6 m Raum mit einer isolierten Kammer für EEG Experimente, eine Kabine mit VR-System (2,6 m x 2,0 m) und einem drapierten Bereich zum Anbringen von physiologischen Sensoren. Das VR-System beinhaltet ein 55" Ultra-high-Definition-TV-Display, einen High-End-Gaming-Computer, eine Joystick-Steuerung-Schnittstelle und verschiedene physiologische Sensoren (siehe Tabelle der Materialien). In den folgenden Abschnitten wir beschreiben das Protokoll zur Durchführung eines Experiments der Navigation in der NeuroLab mit Eva Rahmen und physiologische Sensoren, repräsentative Ergebnisse aus einer Studie über Stress und Navigation, und besprechen Sie die Möglichkeiten und Herausforderungen im Zusammenhang mit diesem System.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Das folgende Protokoll wurde in Übereinstimmung mit Richtlinien genehmigt von der Ethik-Kommission der ETH Zürich im Rahmen des Vorschlags EK 2013-N-73.

(1) rekrutieren Sie und bereiten Sie die Teilnehmer

  1. Wählen Sie die Teilnehmer mit bestimmten Demographie (zB., Alter, Geschlecht, Bildungsstand) mit einem Teilnehmer Rekrutierungssystem oder Mailing-Liste (zB., UAST; http://www.uast.uzh.ch/).
  2. Kontaktieren Sie ausgewählte Teilnehmer per E-mail. Erklären Sie in dieser E-mail den Teilnehmern der Sitzungsdauer und Anforderungen. Damit die Teilnehmer wissen, dass sie eine locker sitzende oben (für Blutdruckmessung), unterlassen Alkohol für 12 h vor dem Experiment tragen und verzichten müssen von mehreren anderen Tätigkeiten (zB., Koffein, Rauchen, Essen und Bewegung) für 3 h vor dem Experiment.

2. bereiten Sie das Experiment und physiologische Geräte, Eva

  1. Vor jeder experimentellen Starten der Computer, der Experimentator-Monitor und den Test Monitor.
  2. Sicherstellen Sie, dass die Zimmer mit Ventilator, das Thermometer und die Feuchtigkeit-Monitor auf.
  3. Schalten Sie die Maschine, die Messung der elektrodermaler Aktivität (EDA) und der Elektrokardiographie (EKG; zB., PowerLab von ADInstruments). Siehe Tabelle der Materialien.
  4. Öffnen Sie die EDA/ECG-Software (EVA derzeit unterstützt Labchart von ADInstruments) und erstellen Sie eine neue Einstellungsdatei. Wählen Sie eine Abtastrate von 1.000 Hz und die entsprechende Anzahl an Kanälen (zB., eins für EDA und eins für EKG). Speichern Sie die Einstellungsdatei und speichern Sie erneut eine Version unter einem anderen Namen für jede experimentelle Sitzung.
  5. Für die EDA-Elektroden führen eine offenen NULL (dh., ohne irgendetwas angebrachten Elektroden) um eine Grundlinie Maß System Leitfähigkeit zu erhalten.
  6. Sicherstellen, dass die Steuer-Schnittstelle (zB., Joystick) an den Computer angeschlossen ist.
  7. Öffnen Sie auf dem Experimentator Monitor die ausführbare Datei der Einheit für das Experiment.
    1. Öffnen Sie das Menü "Einstellungen experimentieren" in EVE, und geben Sie die Experiment-Parameter (zB., Teilnehmer-ID-Nummer, physiologische Messdatei, versuchsbedingung, Raumtemperatur und Luftfeuchtigkeit).
    2. "Experiment starten" klicken.

3. Versuchsdurchführung

  1. Einleitung und Zustimmung Verfahren
    1. Abholung des Teilnehmers am vereinbarten Treffpunkt Ort und führen ihn/Sie an das Labor.
    2. Zeigen Sie, dass die Sitzung ca. 90 min. nimmt und bitten Sie die Teilnehmer, Uhr oder Handy speichern.
    3. Bitten Sie die Teilnehmer in der experimentellen Stuhl zu sitzen und das experimentelle Verfahren entsprechend vorbereiteten verbale Skript erläutert.
    4. Bitten Sie die Teilnehmer das Informationsblatt lesen und unterzeichnen die Einwilligungserklärung.
  2. Anschluss von EDA und EKG-Sensoren
    1. Reinigen Sie der Zeigefinger und der Ringfinger der nichtdominanten Hand mit einem feuchten Tuch ohne Seife. Stellen Sie sicher, dass sie trocken sind, und schließen Sie die beiden EDA-Elektroden an der medialen Phalangen.
    2. Reinigen Sie die Haut auf der Brust die EKG-Elektroden mit einem feuchten Tuch platziert.
    3. Platzieren Sie die weißen, schwarzen und roten Elektroden am Körper des Teilnehmers zwischen den Rippen nach Abbildung 2. Legen Sie die weißen Elektrode auf dem rechten Oberbauch (UR) und die schwarze Elektrode auf dem linken Oberbauch (UL). Legen Sie die rote Elektrode auf dem linken Unterbauch (LL). Stellen Sie sicher, dass die drei Elektroden nicht direkt über eine Rippe sind.
    4. Anschließen Sie die drei farbcodierten ECG Drähte an die entsprechenden Elektroden des Teilnehmers Körper befestigt.
  3. Pre-Experiment-Fragebogen
    1. Bieten die Teilnehmer mit einer Tastatur und einer Maus, die Beantwortung der Fragebögen verwendet werden (zB., demographische Fragen, den ersten Teil des Stress Zustand Kurzfragebogen, der Santa Barbara Gefühl der Richtung Skala), und informieren Sie ihn oder sie, dass Sie werden auf dem Computer eine Reihe von Fragen aufgefordert.
    2. Informieren Sie die Teilnehmer, dass sie der Experimentator Fragen zu den Fragebögen jederzeit stellen können.
    3. Schließen Sie die beiden Seitenwände der Kabine, während der Teilnehmer die Fragebogen ausfüllt.
  4. Vorbereitungen für physiologische Messungen. Diese Schritte können durchgeführt werden, während die Teilnehmer die Fragebogen ausfüllt.
    1. Informieren Sie die Teilnehmer, dass der Experimentator die physiologische Geräte nun vorbereiten werden.
    2. Überprüfen Sie, dass die Elektroden an den richtigen Stellen angebracht sind.
    3. Befestigen Sie die Blutdruckmanschette an der nicht-dominanten Arm.
    4. Geben Sie Anweisungen an den Teilnehmer über die genaue Messung des Blutdrucks. Sagen Sie die Teilnehmer zu minimieren Arm und Körperbewegungen, die Blutdruck-Manschette auf Herzhöhe halten und pflegen eine aufrechte Körperhaltung mit seine oder ihre Füße flach auf den Boden.
    5. Verbinden Sie die beiden EDA Drähte an die Elektroden an den Fingern.
    6. Schalten Sie das Licht über dem Monitor und Dimmen Sie andere Deckenbeleuchtung auf die niedrigste Stufe zu.
    7. Hand des Joysticks an dem Teilnehmer und sicherzustellen, dass die Maus aus dem Bildschirm des Monitors Tests ist.
    8. 0 (null) des EDA-Kanals, um ein gewisses Maß an individueller Ausgangsniveau der Hautleitwert zu erhalten.
    9. Öffnen Sie in der EDA/ECG-Software im Dialogfeld "Bio Amp". Wählen Sie die Reichweite des Signals, in denen das Herz schlagen Signal rund ein Drittel des Vorschaufensters deckt (5 mV in den meisten Fällen).
    10. Starten Sie die Aufnahme mit der EDA/ECG-Software, und prüfen Sie, ob ein Signal in die EDA/ECG-Software-Fenster auf dem Experimentator Monitor sichtbar ist.
    11. Blutdruck, die Aufnahme durch Drücken der entsprechenden Taste in der Blutdruck-Maschine zu starten.
    12. Wechseln Sie zu der offenen Einheit-Programm, und drücken Sie "Messung starten". Eine Fixierung Kreuz sollte angezeigt werden.
  5. Joystick-Training und die Basislinie video
    1. Bitten Sie die Teilnehmer zu sehen und folgen der Video-Training, die ihm oder ihr beauftragt den Joystick verwenden.
    2. Bitten Sie die Teilnehmer das Labyrinth Ausbildung zu vervollständigen, um üben mit dem Joystick. In diesem Training-Labyrinth werden Teilnehmer angewiesen, den Pfeilen folgen, die angeben, einer Route und schwimmenden Edelsteine zu sammeln.
    3. Wenn das Experiment Ton enthält, legen Sie die Kopfhörer am Kopf des Teilnehmers.
    4. Bitten Sie die Teilnehmer mit dem Basisplan Natur Video ohne sich zu bewegen. Dieses Video wird verwendet, um eine Baseline-Messung der physiologischen Daten des Teilnehmers während der nachfolgenden Analyse zu berücksichtigen.
  6. Navigation-Aufgabe
    1. Stellen Sie sicher, dass die Teilnehmer die Anweisungen in Bezug auf die Aufgabe abgeschlossen sein Navigation gelesen haben. Erkundigen Sie sich, ob die Teilnehmer Fragen hat, bevor die Navigation Aufgabe beginnt. Sagen Sie des Teilnehmers, dass sie nicht während der Navigation Aufgabe Fragen sollte.
    2. Bitten Sie die Teilnehmer, drücken den Auslöser auf dem Joystick, wenn er oder sie bereit ist, die Aufgabe der Navigation zu beginnen.
  7. Physiologische Schlussbestimmungen und Ablösung der physiologischen Sensoren
    1. Warten Sie, bis das System die letzte Blutdruckmessung abgeschlossen hat.
    2. Stoppen Sie EDA und EKG durch Drücken der Stop-Taste in der EDA/ECG-Software.
    3. Entfernen Sie die Blutdruckmanschette.
    4. Entfernen Sie die EDA-Elektroden aus der Teilnehmer.
    5. Bitten Sie die Teilnehmer nicht die EKG-Elektroden bis zum Ende des Experiments zu entfernen.
    6. Entfernen Sie den Joystick und Kopfhörer.
  8. Nach dem Experiment Fragebögen
    1. Den Teilnehmer mit einer Tastatur und einer Maus für die Post-Experiment-Fragebogen zur Verfügung zu stellen (zB., der zweite Teil des Stress Zustand Kurzfragebogen, der Self-Assessment-Prüfpuppe, die Simulator-Krankheit-Fragebogen).
    2. Informieren Sie die Teilnehmer, dass sie eine Reihe weiterer Fragen auf dem Computer aufgefordert werden und, dass er oder sie Fragen Fragen, wenn nötig.
  9. Ende der experimentellen Sitzung
    1. Informieren Sie die Teilnehmer, dass der experimentelle Teil nun abgeschlossen ist. Danke, dass ihr oder ihm im Experiment.
    2. Sagen Sie des Teilnehmers, dass er/Sie jetzt die EKG-Elektroden entfernen können.
    3. Die Teilnehmer zahlen Sie und bitten sie, den gedruckten Beleg zu unterzeichnen.
    4. Fragen Sie, ob der Teilnehmer Fragen über den Zweck des Experiments hat, und begleiten Sie ihm oder ihr außerhalb der Versuchsraum.

4. nach jeder experimentelle Sitzung

  1. Öffnen Sie das Menü "Bewertung" in EVE um Experiment Diagnostik durchführen zu können (zB., replay-Trajektorien), bearbeiten und speichern, physiologische Messung in der EDA/ECG-Software.
  2. Drücken Sie im Menü "Bewertung" in EVE den "Event-Marker hinzufügen"-Button, um Ereignisse in der physiologischen Messdateien kennzeichnen. Dieser Schritt ist wichtig für die Analyse der physiologischen Daten in Bezug auf bestimmten experimentellen Phasen.
  3. Speichern Sie die EDA/ECG-Datei in der messungsdatei physiologische in der EDA/ECG-Software.
  4. Exportieren Sie die experimentellen Daten für das Backup mit dem Evertools-Paket.
  5. Das EDA/ECG-Gerät ausschalten und die EDA-Elektroden mit Alkoholtupfer reinigen.
  6. Mark, die der Teilnehmer in die Teilnehmer Rekrutierungssystem auftauchte.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Von jedem Teilnehmer in der NeuroLab, physiologische Daten erheben wir in der Regel (zB., ECG), fragebogendaten (zB., das Santa Barbara Gefühl der Richtung Skala oder SBSOD31), und Navigationsdaten (zB., Wege durch die virtuelle Umgebung). Beispielsweise wurden Veränderungen der Herzfrequenz (abgeleitet von EKG-Daten) mit Veränderungen der Spannungszustände in Kombination mit anderen physiologischen32 und Selbstaussagen Maßnahmen33verbunden. Unser System ermöglicht für verschiedene Arten von Fragebögen, wie der Stress Zustand Kurzfragebogen34 und die SBSOD31 vorgelegt werden. Die SBSOD ist ein selbstbericht Maßnahmen räumliche Fähigkeit, die oft korreliert mit der Navigation Verhalten in realen und virtuellen, groß angelegten Umgebungen35. Darüber hinaus können Navigationsdaten verwendet werden, um Teilnehmer räumliche Entscheidungen ableiten (zB., zögern, Navigation Effizienz) in stressigen Kontexte36.

Eine repräsentative Studie untersuchte die Wirkung von Stress auf den Erwerb von räumlichen Wissens während der Navigation. Wir haben 60 Teilnehmer getestet (29 Frauen und 31 Männer; mittleres Alter = 23,3) individuell während einer Sitzung 90 min. Während der Navigation Aufgabe jeder Sitzung, wurden die Teilnehmer in zwei Gruppen (zB., Stress und kein Stress) und absolvierte drei lernen und Testphasen während EDA und EKG Daten kontinuierlich aufgezeichnet wurden. Die Learning-Phasen beteiligt, finden eine Reihe von vier Standorten (Abbildung 3) mit Hilfe einer Karte, die über einen Button auf dem Joystick ausgelöst werden könnte. Die Testphase beteiligt Navigation zu jedem dieser Orte in einer bestimmten Reihenfolge mit einem Timer sichtbar. Für nur der Beanspruchungsgruppe waren Teilnehmer für die Zeitdauer, die benötigt, um diese Orte zu finden auch monetär bestraft. Diese monetären Druck war die einzige Manipulation von Stress in der vorliegenden Studie.

Wie vorhergesagt, die physiologischen Daten aus diesem Experiment angegeben höhere Erregung für die Beanspruchungsgruppe als keine Beanspruchungsgruppe in Bezug auf die Herzfrequenz, t(58) = 2.14, Se = 1.03, p =.04, aber nicht in Bezug auf EDA, t(58) =-0.68, Se = 0,02, p =.50 (Abbildung 4). Darüber hinaus gab es eine negative Korrelation zwischen SBSOD Score und der Zeitaufwand für die vier Ziel-Standorte finden während der Lernphase, r(58) =-0.40, p =.002, aber nicht in der Testphase, r(58) = -0,25, p =.057. Nach der visualisierten Trajektorien erschienen die Teilnehmer in der Beanspruchungsgruppe, weniger in der virtuellen Umgebung verteilt zu sein. Zusammen, diese Ergebnisse deuten darauf hin, dass höhere Erregung und räumliche Fähigkeit auf eine effizientere Navigation Verhalten bezogen werden können.

Figure 1
Abbildung 1 : Fotos von der NeuroLab an der ETH Zürich. (ein) Blick auf den Experimentator und Teilnehmer während der Prüfung. Der Experimentator kann die Teilnehmer Fortschritte in Echtzeit überwachen. (b) Detailansicht des Teilnehmers Navigieren durch die virtuelle Umgebung während physiologische Daten gesammelt werden. Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 2
Abbildung 2 : Diagramm, die Platzierung der drei EKG-Elektroden darstellt. Diese Zahl ist abgewandelter Form Schaum (kostenlose Open Access Meducation)37gewesen, die unter einer Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License lizenziert ist. Das Bild wurde geändert, um die Elektroden notwendig für ein 3-elektrodensystem hervorzuheben. Diese Elektroden sollte zwischen den Rippen auf der rechten Oberbauch (UR), linken Oberbauch (UL) und linken Unterbauch (LL) Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 3
Abbildung 3 : Screenshots aus einer Navigation experimentieren in der NeuroLab. (ein) Screenshot vom Joystick Video-Training. Die Teilnehmer wurden gebeten, die Bewegungen des Joysticks aus dem Video in der rechten oberen Ecke zu reproduzieren. (b) Screenshot vom Joystick-Training-Labyrinth. Teilnehmer bewegt durch ein Labyrinth von folgenden schwimmende Pfeile und Edelsteine zu sammeln. (c) Screenshot von der Lernphase der Navigation Aufgabe. Teilnehmer konnten den Auslöser auf dem Joystick drücken, um eine Karte der virtuellen Umgebung zu nennen. Eine Liste der Zielorte wurde auf der rechten Seite des Bildschirms angezeigt. (d) Screenshot von der Prüfung Phase der Navigation Aufgabe. Teilnehmer wurden gebeten, die gleichen Positionen in einer bestimmten Reihenfolge zu finden, während eine bewegte Uhr und beweglichen Belohnung zu sehen waren. Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 4
Abbildung 4 : Vertreter ergibt sich aus einem Navigation Experiment in der NeuroLab mit physiologischen Geräte und dem EVE-Framework. (ein) A Diagramm repräsentieren das Verhältnis zwischen Gruppe (Beanspruchungsgruppe in Aquamarin und Kontrolle in lachsrosa) und mittlere Herzfrequenz (nach Korrekturen für grundlegende Werte38). Mittlere Herzfrequenz ist bei der Beanspruchungsgruppe deutlich höher als bei der Kontrollgruppe. (b), eine Scatter Plot repräsentieren die Beziehung zwischen SBSOD Punktzahl und Zeit verbracht (in schwarz) lernen und testen (in grau). Es gibt eine signifikante negative Beziehung zwischen SBSOD Partitur und Zeitaufwand lernen und eine ähnliche Tendenz zum Zeitaufwand zu testen. (c) eine Karte der virtuellen Umgebung, die zeigt aggregiert Daten vom Stress (Aquamarin) und Kontrollgruppen (lachsrosa). Dunklere Färbung zeigt, dass ein höherer Anteil der Wege entlang dieser Strecke aus einer bestimmten Gruppe. Für Brachflächen betrug der Anteil der Wege für die beiden Gruppen ähnlich. Ziel-Orte sind auch mit schwarzen Punkten markiert. Wie gezeigt, wurde der Beanspruchungsgruppe wahrscheinlicher als die Kontrollgruppe auf direktere Wege zwischen den Ziel-Standorten bewegen. Bitte klicken Sie hier für eine größere Version dieser Figur.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

In der vorliegenden Arbeit beschrieben, ein Protokoll für die Durchführung von Experimenten in der VR mit physiologischen Geräte mit dem EVE-Framework. Solche Experimente sind einzigartig aufgrund von Überlegungen, zusätzliche Hardware (zB., physiologische und andere Peripheriegeräte), die vorbereitenden Schritte für die physiologische Datenerhebung mit VR und Daten-Management-Anforderungen. Dieses Protokoll bietet die notwendigen Schritte für Experimentatoren, die Absicht, Daten aus mehrere Peripheriegeräte gleichzeitig zu erfassen. Z. B. die Verwendung von physiologischen Geräte erfordert Reinigung und Anbringen der Elektroden an bestimmten Stellen am Körper des Teilnehmers (zB., die Brust und Fingern) so nicht stören andere Peripheriegeräte (zB., die Joystick). Der Zeitplan für diese Maßnahmen berücksichtigt die potenziellen Drift in die physiologische Signale und das entsprechende Fenster, in dem die Daten zuverlässig sind. Der Experimentator Berücksichtigung des Timings ist auch entscheidend für vorbereitende Schritte in jede experimentelle Sitzung. Beispielsweise müssen Teilnehmer eine Baseline-Phase abschließen (zB., ein Natur-Video ansehen) in Reihenfolge für den Experimentator, Konto für individuelle Unterschiede in der physiologischen Reaktivität sowie eine Trainingsphase mit der Bedienoberfläche in Reihenfolge für der Experimentator auf ihre Fähigkeit, aus ihrer räumlichen Entscheidungsfindung in VR16,17manövrieren zu entwirren. Darüber hinaus erhöhen die Synchronisation und Speicherung dieser Daten in ihrer Komplexität mit der Anzahl der Datenquellen. In diesem Protokoll beschriebene EVE-Rahmen bietet eine Lösung für Studien mit mehreren Datenquellen in der VR. Darüber hinaus ermöglicht die Flexibilität des Rahmens EVE Forscher das Versuchsdesign nach ihre Forschungsfragen ändern und hinzufügen neue Peripheriegeräte wie Eye-Tracker und Elektroenzephalographie.

Es gibt jedoch einige Einschränkungen zu diesem Ansatz. Arbeiten mit dem EVE-Framework erfordert zunächst, einige Kenntnisse der Informatik und grundlegende Programmierkenntnisse. Zweitens beruht die Interpretation der physiologischen Daten auf eine lange Tradition der empirischen Forschung, der bei der Planung berücksichtigt werden muss und Analyse solcher Studien. Kenntnisse dieser Literatur ist entscheidend, da die physiologischen Daten leicht missverstanden werden können (zB., verwirrend, Stress und Erregung). Drittens: viele Experimente in der VR sind anfällig für Kritik bezüglich externe Validität in Bezug auf die virtuelle Umgebung und Kontrolle Schnittstelle. Zum Beispiel Desktop-VR oft beschäftigt handheld Joysticks und bietet keine realistische propriozeptive Feedback während des Gehens. Im Vergleich zu den Studien in realen Umgebungen, tendenziell virtuelle Umgebungen zu einer Unterschätzung der Entfernungen39 und weniger Präzision bei der räumlichen Aktualisierung ohne propriozeptive Feedback (ohne physisch)40führen. Jedoch kann Abstand Schätzung und Wende Wahrnehmung in der VR mit expliziten visuelles Feedback41,42verbessert werden.

Die bisherige Forschung hat gezeigt, dass Experimente in VR noch realistische räumliche18,39 und sozialen36,43,44 Verhalten reproduzieren können. Darüber hinaus ermöglicht VR mehr experimentelle Kontrolle und systematische Variationen, die in realen Szenarien45schwierig sein würde. Frameworks wie EVE können auch die Entwicklung eines Forschungsprogramms mit VR durch die Bereitstellung von Möglichkeiten für die Reproduktion und die Erweiterung der bisherigen Arbeit erleichtern. Zum Beispiel können Forscher leicht vorhandenen Experiment um zusätzliche Fragebögen oder eine andere Studie Struktur ändern. Ein paar weitere Vorteile von Eva Framework sind effiziente Datenverwaltung, die Verfügbarkeit von Online-Tutorien und das Potenzial für andere zu ihrer Entwicklung beitragen. In der Tat, gibt es EVE Rahmen kostenlos als ein Open-Source-Projekt, die Zusammenarbeit fördert.

Laufende Studien in diesem Labor untersuchen die Auswirkungen von Umweltfaktoren auf die Wahrnehmung und physiologischen Reaktionen von Teilnehmern mit unterschiedlichen sozio-ökonomischen Hintergründen und den Einfluss der überlasteten Umgebungen auf die physiologischen Antworten von Teilnehmern in einer virtuellen Masse eingetaucht. In der Zukunft kann dieses Protokoll integrieren Multiuser, Netzwerktechnologie, die Teilnehmer an verschiedenen physischen Standorten nahezu Interaktion ermöglichen. Zu guter Letzt ist Eva Rahmen derzeit erweitert Analyse Datenpakete über einfache Diagnose und die Visualisierung von Geodaten ausgeweitet.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts preisgeben.

Acknowledgments

Die virtuelle Umgebung wurde freundlicherweise zur Verfügung gestellt von VIS-Games (http://www.vis-games.de) in der virtuellen Realität forschen.

Materials

Name Company Catalog Number Comments
Alienware Area 51 Base Dell  210-ADHC Computation
138 cm 4K Ultra-HD LED-TV Samsung UE55JU6470U Display
SureSigns VS2+ Philips Healthcare 863278 Blood Pressure
PowerLab 8/35 AD Instruments PL3508 Skin Conductance
PowerLab 26T (LTS) AD Instruments ML4856 Heart Rate
Extreme 3D Pro Joystick Logitech 963290-0403 HID

DOWNLOAD MATERIALS LIST

References

  1. Gallistel, C. R. The Organization of Learning. , MIT Press. Cambridge, MA. (1990).
  2. Waller, D., Nadel, L. Handbook of Spatial Cognition. , American Psychological Association. Washington D.C. (2013).
  3. Denis, M. Space and Spatial Cognition: A Multidisciplinary Perspective. , Routledge. Abingdon, Oxon. (2017).
  4. Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. The cognitive map in humans: spatial navigation and beyond. Nature Neuroscience. 20, 1504 (2017).
  5. O'Keefe, J., Nadel, L. The Hippocampus as a Cognitive Map. , Clarendon Press. Oxford. (1978).
  6. Kuipers, B. J. Modelling spatial knowledge. Cognitive Science. 2, 129-153 (1978).
  7. Heppenstall, A. J., Crooks, A. T., See, L. M., Batty, M. Agent-Based Models of Geographical Systems. , Springer. Netherlands. Dordrecht. (2012).
  8. Kuliga, S. F., Thrash, T., Dalton, R. C., Hölscher, C. Virtual reality as an empirical research tool - Exploring user experience in a real building and a corresponding virtual model. Computers, Environment and Urban Systems. 54, 363-375 (2015).
  9. Credé, S., Fabrikant, S. I. Let's Put the Skyscrapers on the Display-Decoupling Spatial Learning from Working Memory. Proceedings of Workshops and Posters at the 13th International Conference on Spatial Information Theory (COSIT 2017). , 163-170 (2018).
  10. Hodgson, E., Bachmann, E. R., Vincent, D., Zmuda, M., Waller, D., Calusdian, J. WeaVR: a self-contained and wearable immersive virtual environment simulation system). Behavior Research Methods. 47 (1), 296-307 (2015).
  11. Nilsson, N., et al. 15 Years of Research on Redirected Walking in Immersive Virtual Environments. IEEE Computer Graphics and Applications. , 1-19 (2018).
  12. Razzaque, S., Kohn, Z., Whitton, M. C. Redirected walking. Proceedings of EUROGRAPHICS. , 105-106 (2001).
  13. Hodgson, E., Bachmann, E. Comparing Four Approaches to Generalized Redirected Walking: Simulation and Live User Data. IEEE Transactions on Visualization and Computer Graphics. 19 (4), 634-643 (2013).
  14. Nescher, T., Huang, Y. -Y., Kunz, A. Planning redirection techniques for optimal free walking experience using model predictive control. 2014 IEEE Symposium on 3D User Interfaces (3DUI). , 111-118 (2014).
  15. Razzaque, S., Swapp, D., Slater, M., Whitton, M. C., Steed, A. Redirected walking in place. Eurographics workshop on virtual environments. , 123-130 (2002).
  16. Meilinger, T., Knauff, M., Bulthoff, H. Working Memory in Wayfinding-A Dual Task Experiment in a Virtual City. Cognitive Science: A Multidisciplinary Journal. 32 (4), 755-770 (2008).
  17. Grübel, J., Thrash, T., Hölscher, C., Schinazi, V. R. Evaluation of a conceptual framework for predicting navigation performance in virtual reality. PLOS ONE. 12 (9), 0184682 (2017).
  18. Weisberg, S. M., Schinazi, V. R., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Variations in Cognitive Maps: Understanding Individual Differences in Navigation. Journal of experimental psychology. Learning, memory, and cognition. , (2014).
  19. Wiener, J. M., Hölscher, C., Büchner, S., Konieczny, L. Gaze behaviour during space perception and spatial decision making. Psychological research. 76 (6), 713-729 (2012).
  20. Hassabis, D., Chu, C., Rees, G., Weiskopf, N., Molyneux, P. D., Maguire, E. A. Decoding Neuronal Ensembles in the Human Hippocampus. Current Biology. 19 (7), 546-554 (2009).
  21. Maguire, E. A., Nannery, R., Spiers, H. J. Navigation around London by a taxi driver with bilateral hippocampal lesions. Brain. 129, 2894-2907 (2006).
  22. Marchette, S. A., Vass, L. K., Ryan, J., Epstein, R. A. Anchoring the neural compass: coding of local spatial reference frames in human medial parietal lobe. Nature neuroscience. 17 (11), 1598-1606 (2014).
  23. Vass, L. K., et al. Oscillations Go the Distance: Low-Frequency Human Hippocampal Oscillations Code Spatial Distance in the Absence of Sensory Cues during Teleportation. Neuron. 89 (6), 1180-1186 (2016).
  24. Sharma, G., Gramann, K., Chandra, S., Singh, V., Mittal, A. P. Brain connectivity during encoding and retrieval of spatial information: individual differences in navigation skills. Brain Informatics. 4 (3), (2017).
  25. Richardson, A. E., VanderKaay Tomasulo, M. M. Influence of acute stress on spatial tasks in humans. Physiology & Behavior. 103 (5), 459-466 (2011).
  26. Duncko, R., Cornwell, B., Cui, L., Merikangas, K. R., Grillon, C. Acute exposure to stress improves performance in trace eyeblink conditioning and spatial learning tasks in healthy men. Learning & memory (Cold Spring Harbor, N.Y.). 14 (5), 329-335 (2007).
  27. Klopp, C., Garcia, C., Schulman, A. H., Ward, C. P., Tartar, J. L. Acute social stress increases biochemical and self report markers of stress without altering spatial learning in humans. Neuro endocrinology letters. 33 (4), 425-430 (2012).
  28. Guenzel, F. M., Wolf, O. T., Schwabe, L. Sex differences in stress effects on response and spatial memory formation. Neurobiology of Learning and Memory. 109, 46-55 (2014).
  29. van Gerven, D. J. H., Ferguson, T., Skelton, R. W. Acute stress switches spatial navigation strategy from egocentric to allocentric in a virtual Morris water maze. Neurobiology of Learning and Memory. 132, 29-39 (2016).
  30. Grübel, J., Weibel, R., Jiang, M. H., Hölscher, C., Hackman, D. A., Schinazi, V. R. EVE: A Framework for Experiments in Virtual Environments. Spatial Cognition X: Lecture Notes in Artificial Intelligence. , 159-176 (2017).
  31. Hegarty, M., Richardson, A. E., Montello, D. R., Lovelace, K., Subbiah, I. Development of a self-report measure of environmental spatial ability. Intelligence. 30, 425-447 (2002).
  32. Ziegler, M. G. Psychological Stress and the Autonomic Nervous System. Primer on the Autonomic Nervous System. , 189-190 (2004).
  33. Michaelis, J. R., Rupp, M. A., Montalvo, F., McConnell, D. S., Smither, J. A. The Effect of Vigil Length on Stress and Cognitive Fatigue. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 59 (1), 916-920 (2015).
  34. Helton, W. S. Validation of a Short Stress State Questionnaire. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 48 (11), 1238-1242 (2004).
  35. Wolbers, T., Hegarty, M. What determines our navigational abilities. Trends in Cognitive Sciences. 14 (3), 138-146 (2010).
  36. Moussaïd, M., et al. Crowd behaviour during high-stress evacuations in an immersive virtual environment. Journal of The Royal Society Interface. 13 (122), (2016).
  37. Cadogan, M. Lead positioning. , Available from: https://lifeinthefastlane.com/ecg-library/basics/lead-positioning/ (2017).
  38. Wilder, J. The law of initial value in neurology and psychiatry. The Journal of Nervous and Mental Disease. 125 (1), 73-86 (1957).
  39. Loomis, J., Knapp, J. Visual Perception of Egocentric Distance in Real and Virtual Environments. Virtual and Adaptive Environments. , 21-46 (2003).
  40. Richardson, A. R., Waller, D. The effect of feedback training on distance estimation in virtual environments. Applied Cognitive Psychology. 19 (8), 1089-1108 (2005).
  41. Klatzky, R. L., Loomis, J. M., Beall, A. C., Chance, S. S., Golledge, R. G. Spatial updating of self-position and orientation during real, imagined, and virtual locomotion. Psychological Science. 9, 293-298 (1998).
  42. Bakker, N. H., Werkhoven, P. J., Passenier, P. O. Calibrating Visual Path Integration in VEs. Presence: Teleoperators and Virtual Environments. 10 (2), 216-224 (2001).
  43. Thrash, T., et al. Evaluation of control interfaces for desktop virtual environments. Presence. 24 (4), (2015).
  44. Kinateder, M., Warren, W. H. Social Influence on Evacuation Behavior in Real and Virtual Environments. Frontiers in Robotics and AI. 3, 43 (2016).
  45. Loomis, J. M., Blascovich, J. J., Beall, A. C. Immersive virtual environment technology as basic research tool in psychology. Behavior Research Methods, Instruments & Computers. 31 (4), 557-564 (1999).

Tags

Verhalten Ausgabe 138 Kognitionswissenschaft virtuelle Realität virtuelle Umgebungen physiologische Sensoren raumkognition navigation
Virtual-Reality-Experimente mit physiologischen Maßnahmen
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Weibel, R. P., Grübel, J.,… More

Weibel, R. P., Grübel, J., Zhao, H., Thrash, T., Meloni, D., Hölscher, C., Schinazi, V. R. Virtual Reality Experiments with Physiological Measures. J. Vis. Exp. (138), e58318, doi:10.3791/58318 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter