JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Behavior

Virtual Reality eksperimenter med fysiologiske tiltak

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

Summary

Virtual reality (VR) eksperimenter kan være vanskelig å iverksette og krever nitid planlegging. Denne protokollen beskriver en metode for design og implementering av VR eksperimenter som henter fysiologiske data fra menneskelige deltakere. Eksperimenter i virtuelle miljøer (EVE) rammeverk er ansatt for å akselerere denne prosessen.

Abstract

Virtual reality (VR) eksperimenter er stadig ansatt på grunn av interne og eksterne gyldigheten sammenlignet med virkelige verden observasjon og laboratorieforsøk, henholdsvis. VR er spesielt nyttig for geografiske effekter og undersøkelser av romlige atferd. I romlig atferd forskning, VR gir en plattform for å studere forholdet mellom navigasjon og fysiologiske tiltak (f.eks., skin konduktans, hjertefrekvens, blod trykk). Spesielt tillate fysiologiske tiltak forskere å ta romanen spørsmål og begrense tidligere teorier om romlige evner, strategier og ytelse. For eksempel kan individuelle forskjeller i navigering ytelse forklares med omfanget som endringer i opphisselse megle virkningene av oppgaven problemer. Men kan kompleksiteten i design og implementering av VR eksperimenter distrahere forskere fra deres primære forskning mål og introdusere uregelmessigheter i innsamling og analyse. For å møte disse utfordringene eksperimenter i virtuelle miljøer (EVE) rammeverket inkluderer standardisert moduler som deltaker med kontroll grensesnitt, datainnsamling ved hjelp av spørreskjemaer, synkroniseringen av fysiologiske målinger og datalagring. EVE gir også nødvendig infrastruktur for databehandling, visualisering og evaluering. Dagens papir beskriver en protokoll som benytter EVE rammen å utføre navigasjon eksperimenter i VR med fysiologiske sensorer. Protokoll viser trinnene nødvendig for å rekruttere deltakere, feste fysiologiske sensorene, administrere eksperimentet bruker EVE, og vurdere de innsamlede dataene med EVE sikkerhetsverktøy. Samlet vil denne protokollen lette fremtidig forskning ved å strømlinjeforme utforming og gjennomføring av VR eksperimenter med fysiologiske sensorer.

Introduction

Forstå hvordan enkeltpersoner navigere har viktige implikasjoner for flere felt, inkludert kognitiv vitenskap1,2,3, nevrovitenskap4,5og computer science6 , 7. navigasjon har blitt undersøkt i både reelle og virtuelle miljøer. En fordel med virkelige eksperimenter er at navigering krever ikke formidling av en kontroll-grensesnitt, og dermed kan produsere mer realistisk romlige atferd. Derimot virkelig realitet (VR) eksperimenter tillate for mer nøyaktig måling av atferd (f.eks., gå baner) og fysiologiske (f.eks., hjertefrekvens) data, samt mer eksperimentelle kontroll (dvs., interne holdbarhet). Igjen, kan dette resultere i enklere tolkninger av data og dermed mer robust teorier om navigering. I tillegg nytte nevrovitenskap av VR fordi forskere kan undersøke nevrale korrelerer navigasjon mens deltakerne er engasjert i det virtuelle miljøet, men kan ikke flytte seg fysisk. Dataforskere krever navigasjon i VR unike utviklinger prosessorkraft, minne, og datagrafikk for å sikre en slik innlevelse. Funn fra VR eksperimenter kan også brukes i arkitektur og kartografi ved å informere design av bygningen oppsett8 og kart funksjoner9 til virkelige navigering. Nylig har fremskritt innen VR teknologi kombinert med en dramatisk nedgang i sin pris ført til en økning i antallet laboratorier ansette VR for sin eksperimentell design. På grunn av denne voksende popularitet må forskere du vurdere hvordan du effektivisere implementeringen av VR-applikasjoner og standardisere eksperiment arbeidsflyten. Denne tilnærmingen vil hjelpe Skift ressurser fra implementering til utviklingen av teori og utvider de eksisterende mulighetene i VR.

VR oppsett kan variere fra mer til mindre realistisk viser og kontroller. Mer realistisk VR oppsett ofte krever ekstra infrastruktur som store sporing mellomrom og høy oppløsning viser10. Disse systemene benytter ofte omadresserte gangavstand algoritmer for å injisere umerkelig rotasjoner og oversettelser til visuell tilbakemelding som gis til brukere og forstørre effektivt det virtuelle miljøet som deltakerne kan flytte11 , 12. disse algoritmene kan være generalisert i at de ikke krever kunnskap om miljømessige struktur13 eller prediktiv i at de antar bestemte baner for den bruker14. Selv om mest forskning omadresserte vandre har brukt hode montert viser (HMDs), noen forskere bruker en versjon av denne teknikken med gå-på-plass som del av en stor projeksjon systemet (f.eks., grotter)15. Mens HMDs kan bli gjennomført på hodet av deltakeren, CAVE viser tendens til å gi en bredere horisontalt synsfelt16,17. Imidlertid er mindre infrastruktur nødvendig for VR-systemer som bruker skrivebordet skjermer18,19. Neuroscientific forskning har også ansatt VR systemer i kombinasjon med funksjonell magnetisk resonans imaging (fMRI) under skanning20, i kombinasjon med fMRI etter skanning21,22og i kombinasjon med Elektroencefalogram (EEG) under innspillingen23,24. Programvare rammeverk er nødvendig for å rekke skjermer og kontroller som brukes til navigering forskning.

Forskning som inkorporerer VR og fysiologiske data gir ekstra utfordringer som datainnsamling og synkronisering. Imidlertid tillater fysiologiske data undersøkelser av implisitt prosesser som kan megle forholdet mellom navigasjon potensielle og romlig atferd. Forholdet mellom stress og navigasjon har faktisk studert ved bruk av desktop VR og en kombinasjon av ulike fysiologiske sensorer (dvs., hjertefrekvens, blodtrykk, skin konduktans, salivary kortisol og alpha-amylase)25 , 26 , 27 , 28. For eksempel van Gerven og kolleger29 undersøkt virkningen av stress på navigasjon strategi og ytelse i en virtuell versjon av en Morris vann labyrint aktivitet og flere fysiologiske tiltak (f.eks., hudpleie konduktans, hjertefrekvens, blodtrykk). Resultatene viste at stress spådd navigasjon strategi landemerke bruk (dvs., egosentriske versus allocentric) men ikke var relatert til navigering ytelse. Funn fra tidligere studier er generelt noe inkonsekvent om effekten av stress på navigasjon og romlig minne. Dette mønsteret kan skyldes separasjon av trykk (f.eks., kaldt eksplisitte eller prosedyre26, Star speil sporing oppgave25) fra selve navigeringen oppgaven, bruk av enkle labyrintlignende virtuelle miljøer ( f.eks., virtuell Morris vann labyrint26, virtuelle radial arm labyrint28), og metodologiske detaljer (f.eks., type stressor, fysiologiske datatypen). Forskjeller i formatet innsamlede fysiologiske dataene kan også være problematisk for gjennomføring og analyse av slike studier.

Eksperimenter i virtuelle eksperimenter (EVE) rammeverk forenkler design, implementering og analyse av VR eksperimenter, spesielt de med ekstra eksterne enheter (f.eks., øye bane, fysiologiske enheter)30. EVE rammen er fritt tilgjengelig som en åpen kildekode-prosjekt på GitHub (https://cog-ethz.github.io/EVE/). Denne rammen er basert på den populære Unity 3D spillmotoren (https://unity3d.com/) og MySQL database management system (https://www.mysql.com/). Forskere kan bruke EVE rammen for å forberede de ulike stadiene av en VR eksperimentet, inkludert pre og post studere spørreskjemaer, opprinnelige mål for fysiologiske data, med kontroll-grensesnitt, hovednavigasjon aktiviteten, og tester for romlig minne om navigert miljøet (f.eks., dommer av relative retningen). Forskere kan også styre synkroniseringen av data fra ulike kilder og på ulike nivåer for aggregasjon (f.eks., over prøvelser, blokker eller økter). Datakilder kan være fysisk (dvs., koblet til brukeren; se Tabellen for materiale) eller virtuelle (dvs., avhengig av samspillet mellom deltakerens avatar og det virtuelle miljøet). Et eksperiment kan for eksempel kreve innspillingen hjertefrekvens og posisjon/retning fra deltakeren når deltakerens avatar beveger seg gjennom et bestemt område i det virtuelle miljøet. Alle disse dataene er lagret i en MySQL database og evalueres med replay funksjoner og R-pakken evertools (https://github.com/cog-ethz/evertools/) automatisk. Evertools gir eksport funksjoner, grunnleggende beskrivende statistikk, og diagnostic verktøy for distribusjoner av data.

EVE rammen kan distribueres med en rekke fysisk infrastruktur og VR systemer. I den nåværende protokollen beskriver vi en bestemt implementering på NeuroLab på ETH Zürich (figur 1). NeuroLab er et 12 m med 6 m rom som inneholder en isolert kammer for gjennomføre EEG eksperimenter, en bås som inneholder VR-system (2,6 m x 2.0 m) og et curtained område for feste fysiologiske sensorer. VR-system inkluderer en 55″ ultra HD TV-skjerm, en high-end gaming PC, en styrespak kontroll grensesnitt og flere fysiologiske sensorer (se Tabell for materiale). I delene nedenfor vi beskrive protokollen for å gjennomføre en navigasjon eksperiment i NeuroLab bruke EVE rammeverk og fysiologiske sensorer, nåværende representant resultater fra en studie på stress og navigasjon, og diskutere mulighetene og utfordringer knyttet til dette systemet.

Protocol

Følgende protokollen ble gjennomført retningslinjer godkjent av etikk provisjon av ETH Zürich som del av forslaget EK 2013-N-73. 1. rekruttere og forberede deltakerne Velg deltakere med bestemt demografi (f.eks., alder, kjønn, utdanningsbakgrunn) bruker en deltaker rekrutteringsverktøyet eller adresseliste (f.eks., UAST, http://www.uast.uzh.ch/). Kontakt valgt deltakere via e-post. I e-postmeldingen, Minn deltakerne økttid og krav. La deltakerne vite…

Representative Results

Fra hver deltaker i NeuroLab, vi vanligvis samler fysiologiske data (f.eks., ECG), spørreskjemadata (f.eks., Santa Barbara følelse av retning skala eller SBSOD31), og navigasjon (f.eks., via den virtuelt miljø). For eksempel har Hertzrythmusstöhrungen (avledet fra ECG data) vært knyttet til endringer i stress stater i kombinasjon med andre fysiologiske32 og egenrapportering måler33. Sy…

Discussion

I dagens papir beskrev vi en protokoll for å gjennomføre eksperimenter i VR med fysiologiske enheter ved hjelp av EVE framework. Disse typer eksperimenter er unik på grunn av ekstra maskinvare hensyn (f.eks., fysiologiske enheter og andre eksterne enheter), de forberedende trinnene for innsamling av fysiologiske data med VR og data management krav. Nåværende protokollen gir de nødvendige trinnene for forskere har tenkt å samle inn data fra flere enheter samtidig. Bruk av fysiologiske enheter krever for ek…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Det virtuelle miljøet var vennlig levert av VIS spill (http://www.vis-games.de) til å forske i virtuell virkelighet.

Materials

Alienware Area 51 Base Dell  210-ADHC Computation
138cm 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. , (1990).
  2. Waller, D., Nadel, L. . Handbook of Spatial Cognition. , (2013).
  3. Denis, M. . Space and Spatial Cognition: A Multidisciplinary Perspective. , (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. , (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. , (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. . 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

Virtual RealityPhysiological MeasuresCognitive ScienceEmotionNavigation BehaviorEnvironmental PerceptionBehavioral GeographyDecision MakingEDA-ECG SoftwareElectrodesSampling RateOpen Circuit ZeroExperiment SettingsInformed ConsentEDA ElectrodesECG ElectrodesBlood Pressure Cuff

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image