面向情境感知可穿戴增强现实的全维度量化自我用户建模研究

《International Journal of Human-Computer Studies》：Holistic quantified-self for context-aware wearable augmented reality

针对可穿戴AR（Augmented Reality）系统个性化不足的问题，研究人员提出HQS-AR（Holistic Quantified-Self for wearable AR）统一用户模型，整合物理、认知-情感、社交和行为四维状态，通过多模态传感器数据实现用户状态估计（88%准确率）和场景分类（99%准确率），为动态适配AR界面提供理论框架与实践工具。

　　

在增强现实（AR）技术快速发展的今天，智能眼镜已能无缝叠加虚拟内容到真实世界，但个性化体验仍面临瓶颈。现有AR系统往往依赖显性环境信息（如空间位置），却忽视了用户内在状态——是否疲劳、注意力是否集中、社交情境如何——这些隐性因素恰恰是优化交互体验的关键。更棘手的是，当前用户建模多源自网页或普适计算领域，缺乏对AR独特需求的针对性设计；而少数AR专用模型又局限于单一维度（如仅监测认知负荷），难以支撑全局适配。当用户在高负荷工作时被无关通知干扰，或在社交场合因突兀的AR内容尴尬时，这些问题便暴露无遗。

针对这一挑战，韩国科学技术院（KAIST）的研究团队提出了HQS-AR模型，首次将物理（姿势、能耗）、认知-情感（认知负荷、情绪）、社交（社交参与度、人际密度）和行为（设备类型、使用日志）四维状态整合至统一框架。研究通过运动、视觉、音频、行为和生理多模态数据集，在真实办公场景中训练机器学习模型，其创新性在于仅利用AR眼镜内置传感器（如IMU惯性测量单元、头部运动追踪）实现全维度状态推断，避免了额外穿戴设备的繁琐。

关键技术方法
研究采用多阶段验证：通过文献综述与用户调研（RQ1）确定建模维度；利用随机森林、SVM等算法处理多源传感器数据（RQ2），包括从头部运动特征推断认知负荷、通过语音频谱分析情绪状态；最终通过留出验证（hold-out validation）和参与者反馈评估实用性（RQ3）。数据采集涵盖20名受试者在办公环境的自然交互记录。

研究结果
• RQ1：关键用户维度
物理维度中，头部姿态与能耗被证实显著影响AR内容布局；认知-情感维度里，高认知负荷时用户更倾向简化界面（如降低虚拟元素透明度）。社交维度揭示，人际密度>3人/㎡时需抑制社交提示以避免干扰。

• RQ2：多模态状态估计
运动数据（采样率60Hz）结合LSTM网络实现姿势分类（F1=0.91）；基于瞳孔直径与按键间隔的认知负荷模型AUC达0.88；办公室场景分类准确率99%，显著优于单模态基线（p<0.01）。

• RQ3：自适应AR设计准则
用户反馈表明，状态驱动的动态调节（如高负荷时切换语音交互）可降低37%的任务中断率，但需避免频繁模式切换导致的认知失调。

结论与意义
该研究突破了传统AR系统“环境中心化”的局限，首创以用户状态为核心的自适应框架。HQS-AR模型不仅为AR眼镜提供了实时状态指示器（如通过头部微动检测注意力分散），还能挖掘用户行为模式（如午间常出现低认知负荷），支持长期个性化优化。实际应用中，该系统可延迟非紧急通知（检测到高负荷时）、推荐休息内容（识别疲劳状态），甚至调整交互模态（语音/手势切换），从“What-Where-When-How”四个层面重构AR体验。论文发表于《International Journal of Human-Computer Studies》，为可穿戴计算与人性化界面设计提供了方法论范式。