guest ::
Rendering realistic weight sensations in virtual reality with personalized electrical muscle stimulation = Darstellung realistischer Gewichtsempfindungen in der virtuellen Realität mittels personalisierter elektrischer Muskelstimulation
2026
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2026-08-31
Online
DOI: 10.18154/RWTH-2026-08701
URL: https://publications.rwth-aachen.de/record/1041528/files/1041528.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
electrical muscle stimulation (frei) ; haptic feedback (frei) ; machine learning (frei) ; virtual reality (frei) ; weight perception (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Tiefe Immersion in Virtueller Realität (VR) und Erweiterter Realität (AR) wird durch das Fehlen überzeugender haptischer Rückmeldungen, insbesondere der Gewichtswahrnehmung, eingeschränkt. Obwohl Elektrische Muskelstimulation (EMS) eine vielversprechende Lösung darstellt, fehlt es an einem systematischen Rahmen für ihre effektive und personalisierte Anwendung. Diese Dissertation schließt diese Lücke durch eine mehrstufige Untersuchung, um Methoden zur Darstellung realistischer Gewichtsempfindungen mittels personalisierter EMS innerhalb der VR zu entwickeln und zu validieren. Eine Grundlagenstudie (N=75) wies nach, dass eine Zwei-Muskel-EMS-Strategie einer Ein-Muskel-Strategie hinsichtlich Wahrnehmung und Realismus signifikant überlegen ist. Dies belegt den Vorteil synergistischer Muskelaktivierung. Eine zweite Studie (N=35) untersuchte moderierende Faktoren und zeigte, dass ergonomische Parameter wie ein 90°-Ellbogenwinkel entscheidend für den Realismus sind. Zudem wurde ein Wahrnehmungsoptimum für die Gewichtserhöhung (+2 kg) identifiziert und bestätigt, dass individuelle Nutzermerkmale (z.B. Alter, BMI) den wahrgenommenen Realismus maßgeblich beeinflussen, was gegen "One-size-fits-all"-Ansätze spricht. Eine dritte Studie (N=36) deutete darauf hin, dass für einen höheren Realismus die EMS-basierte haptische Rückmeldung kongruent mit visuellen Reizen synchronisiert sein sollte, da inkongruente Stimuli ein deutliches Gefühl der Diskrepanz erzeugen. Um die notwendige Personalisierung zu ermöglichen, wurden Machine-Learning-Modelle auf Basis der Daten der ersten Studie entwickelt. Diese erreichten F1-Scores von bis zu 77% bei der Vorhersage wahrgenommener Gewichtsunterschiede, basierend auf Merkmalen wie applizierter EMS-Amplitude, Nutzerschwellenwerten und BMI. Zusammenfassend präsentiert diese Dissertation einen mehrstufigen Rahmen zur Optimierung und Personalisierung der EMS-basierten Gewichtsdarstellung. Durch die Identifizierung der Wirksamkeit synergistischer Muskelaktivierung, die Quantifizierung ergonomischer und individueller Faktoren, die Definition der Prinzipien visuohaptischer Kongruenz sowie die Entwicklung datengesteuerter Personalisierungsmodelle etabliert diese Arbeit Gestaltungsrichtlinien für immersive VR/AR-Systeme. Während diese Ergebnisse durch Faktoren wie die untersuchten spezifischen Muskelgruppen und quasi-statischen Halteaufgaben begrenzt sind, liefert die entwickelte Methodik eine validierte Grundlage für die Anpassung haptischen Feedbacks an individuelle Nutzermerkmale.Deep immersion in virtual reality (VR) and augmented reality (AR) is limited by the absence of convincing haptic feedback, particularly the sensation of weight. While Electrical Muscle Stimulation (EMS) offers a promising solution, a systematic framework for its effective and personalized application is lacking. This thesis addresses this gap through a multi-study investigation to develop and validate methods for rendering realistic weight sensations using personalized EMS within VR. A foundational study (N=75) demonstrated that a dual-muscle EMS strategy is significantly superior to single-muscle approaches for perception and realism, establishing the benefit of synergistic muscle actuation. A second study (N=35) then systematically examined moderating factors, revealing that ergonomic parameters, such as a 90° elbow angle, are critical for realism. This study also identified a perceptual optimum for weight augmentation (+2 kg) and confirmed that individual user characteristics (e.g., age, BMI) significantly influence perceived realism, indicating that "one-size-fits-all" approaches are inadequate. Finally, a third study (N=36) indicated that for greater realism, EMS-based haptic feedback should be congruently synchronized with visual cues, as incongruent stimuli were found to create a significant sense of mismatch. To address the need for personalization, machine learning models were developed using data from the first study. These models achieved F1-scores of up to 77% in predicting perceived weight differences based on key features including applied EMS amplitude, user thresholds, and BMI. In synthesis, this thesis presents a multi-tiered framework for the optimization and personalization of EMS-based weight rendering. By identifying the effectiveness of synergistic muscle actuation, quantifying ergonomic and individual factors, defining the principles of visuohaptic congruence, and developing data-driven models for personalization, this work establishes design guidelines for immersive VR/AR systems. While these findings are bounded by factors such as the specific muscle groups and quasi-static holding tasks investigated, the developed methodology provides a validated basis for adapting haptic feedback to individual user characteristics.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT031596434
Interne Identnummern
RWTH-2026-08701
Datensatz-ID: 1041528
Beteiligte Länder
Germany
|
The record appears in these collections: |