基于虚拟现实头戴设备惯性传感器的呼吸生物反馈系统开发：一项概念验证研究

为解决传统生物反馈传感器干扰行为且难以实验室外应用的问题，研究人员开发了基于VR头戴设备嵌入式MEMS（微机电系统）的呼吸监测方案。通过头部位移球状心电图(HBCG)技术，在26名受试者中实现呼吸周期(tRESPHBCG)的准实时估算，误差低于4%。该设备无关的网页方案为情绪生态瞬时评估(EMA)和呼吸训练提供了新工具。

　　

在医疗健康领域，虚拟现实(VR)技术正从游戏娱乐转向临床应用，但其用户体验评估仍依赖繁琐的外接传感器，干扰自然行为且限制场景。传统生理监测需电极、胸带等设备，阻碍了VR情感识别-诱发闭环(VEE-loop)的日常应用。针对这一瓶颈，意大利米兰理工大学团队在《Biomedical Signal Processing and Control》发表研究，创新性地利用VR头显内置MEMS传感器捕捉呼吸相关头部微动，开发出无需外接设备的网页端呼吸生物反馈系统。

研究采用Oculus Quest头显采集6轴惯性信号（3轴加速度+3轴角速度），通过两阶段实验设计验证可行性。第一阶段招募26名健康受试者完成4-10秒/次的节奏性呼吸任务，同步记录心电图(ECG)和头部位移球状心电图(HBCG)信号。采用灰箱算法优化四个关键参数：信号组合方式(p1)、滑动平均滤波器阶数(p2)、滤波重复次数(p3)和峰值检测时间窗(p4)，以ECG呼吸波为金标准。第二阶段由8名受试者验证系统，通过云端PHP算法实现准实时反馈，最终输出呼吸同步得分。

2. Materials and methods
研究分算法优化(Phase 1)和系统验证(Phase 2)两阶段。Phase 1中，受试者按视听引导完成4种呼吸频率（15/10/7.5/6次/分钟）训练，通过跳跃动作实现HBCG与ECG信号同步。开发的三层架构系统包含：JavaScript网页客户端、Three.js/WebXR构建的3D呼吸引导场景，以及云端信号处理服务器。关键创新在于采用移动平均滤波和峰值检测算法，从9Hz降采样的头部位移信号中提取呼吸周期。

3. Results
3.1. Phase 1: Parameters optimization
最优参数组合随呼吸频率变化：4秒周期优选X+Z轴加速度组合(p1=5)，6秒周期需12阶滤波(p2=12)，8秒周期采用Z轴速度微分(p1=10)。所有频率下平均相对误差(MRE)<2.55%，偏差绝对值<0.11秒。

3.3. Phase 2: Algorithm testing
校正偏差后，8名受试者的呼吸周期估计绝对误差均<4%，与ECG结果无统计学差异(p=1)。抗噪测试显示，当添加噪声强度<2倍信号标准差时，误差中位数保持<3%。

4. Discussion and Conclusions
该研究首次实现网页端VR呼吸监测，突破传统方案对定制硬件/软件的依赖。通过MEMS信号优化处理，在15-6次/分钟呼吸频率范围内达成临床级精度（误差<4%），为VEE-loop闭环系统开发奠定基础。局限性包括仅测试坐姿受控呼吸，未来需拓展自由呼吸场景和患者人群验证。该技术有望应用于情绪应激监测、呼吸康复训练及远程医疗，其设备无关特性尤其适合居家健康管理。

研究团队特别指出，呼吸频率作为临床恶化预警指标，在心力衰竭、肿瘤放疗等场景具有应用潜力。而基于VR的沉浸式引导能提升患者依从性，其生物反馈机制可能增强呼吸训练的生理效益。这项技术突破为数字疗法开发提供了新范式。