《Applied Ergonomics》：Heart rate variability as a physiological marker of motion sickness in real-world driving conditions
编辑推荐：
本研究探讨了在真实道路驾驶条件下，从心电图（ECG）信号中提取的心率变异性（HRV）指标用于评估晕动病（MS）的有效性。虽然晕动病通常通过主观报告或多模态生理测量进行评估，但以往研究主要依赖基于模拟器的实验或多模态生理传感，这限制了生态效度及在日常车辆中的实际
本研究探讨了在真实道路驾驶条件下，从心电图（ECG）信号中提取的心率变异性（HRV）指标用于评估晕动病（MS）的有效性。虽然晕动病通常通过主观报告或多模态生理测量进行评估，但以往研究主要依赖基于模拟器的实验或多模态生理传感，这限制了生态效度及在日常车辆中的实际部署。本研究招募了24名女性受试者，在一辆电动汽车中，于13种预定义的驾驶条件下，暴露于系统变化的加速和减速曲线。晕动病症状采用不适量表（MISC）进行测量，ECG数据被分割为120秒的时间段，以提取心率、低频与高频功率比（LF/HF ratio）以及pNN50（连续正常RR间期差值超过50 ms的百分比）。采用对应于症状出现（MISC≥2）的阈值，高晕动病（high-MS）组的pNN50显著低于低晕动病（low-MS）组（16.5%对24.6%，p<0.001，Cohen's d=-0.53），表明在出现晕动病症状时副交感神经（迷走神经）调节减弱。两组间心率无显著差异，LF/HF比值虽具有统计学显著性但差异可忽略不计。然而，平均pNN50值并未随各MISC评分单调下降，表明该指标区分的是症状的存在与否，而非症状的严重程度分级。这些发现提示，pNN50是所考察的HRV指标中最敏感的一个，可能反映个体对晕动病的易感性差异。本研究证明，晕动病可以通过单一且广泛可获取的生理信号（如ECG）进行评估，为未来可穿戴设备和车载晕动病监测系统奠定了基础。
论文解读
一、研究背景与问题
晕动病（motion sickness, MS）是乘车、乘船和乘飞机等交通场景中常见的生理不适反应，主要症状包括恶心、头晕、头痛和不适感，严重影响个体的工作效率和出行体验。晕动病最主流的解释是感觉冲突理论，即视觉、前庭觉和躯体感觉输入之间的冲突导致了晕动病的发生。在汽车环境中，车辆运动与乘客身体感知之间的不匹配是导致晕动病的主要因素，尤其是从事非驾驶相关任务（NDRT）的乘客，如阅读或观看屏幕，其晕动病风险显著增加。随着自动驾驶技术的发展，乘客从主动驾驶员转变为完全被动的乘员，失去对车辆运动的预测能力和控制能力，同时更倾向于从事非驾驶相关活动，这些因素均会加剧晕动病的发生，使得晕动病在自动驾驶车辆中成为比传统车辆更为突出的挑战。
既往晕动病评估研究大多依赖主观问卷报告或多模态生理信号测量，且多数实验在基于运动的模拟器或虚拟现实环境中开展。然而，模拟器中的症状体验与真实驾驶环境存在显著差异，视觉诱导晕动病（VIMS）与运动诱导晕动病在机制上也有本质区别，前者主要源于视觉与前庭输入冲突，后者则涉及前庭、躯体感觉和视觉信号之间的多重不匹配，因此模拟器或虚拟现实研究结论难以直接推广到真实道路驾驶场景。此外，多模态生理传感系统在实际车辆部署中面临设备成本高、设置时间长等实际困难。因此，探索一种在真实驾驶条件下、通过单一且易于获取的生理信号来评估晕动病的方法，具有重要的学术价值和实际应用意义。
二、研究内容与主要结论
本研究旨在利用心电图（ECG）信号定量评估真实道路驾驶条件下的乘车晕动病。研究人员招募了24名女性受试者（年龄23-40岁，中位年龄34.0岁），所有受试者均通过晕动病易感性问卷（MSSQ，长版）筛选，要求原始得分≥50以确保平均至较高的晕动病易感性。实验在韩国京畿道郊区公共道路上进行，设计了一条7公里的环形测试路线，使用两辆配置相同的起亚EV6电动汽车，由两名接受过专业培训的驾驶员按照13种预定义的纵向运动曲线（4种加速曲线和9种减速曲线）驾驶。受试者乘坐于后排，通过平板电脑观看视频作为非驾驶相关任务，每2分钟使用不适量表（MISC）报告一次晕动病严重程度。实验期间持续采集ECG数据，采样率2048 Hz，降采样至512 Hz，经1-40 Hz Butterworth带通滤波后，提取心率、LF/HF比值和pNN50三项HRV指标，采用120秒时间窗与MISC评分一一对应分析。
研究结果显示，在1244个有效120秒时间段中，860个（69.1%）被归类为高晕动病组（MISC≥2），384个（30.9%）为低晕动病组。pNN50在高晕动病组显著低于低晕动病组（16.48%对24.60%，p<0.001，Cohen's d=-0.53），表明晕动病症状出现时副交感神经（迷走神经）调节减弱。心率在两组间无显著差异（72.33对73.39次/分，p=0.054），LF/HF比值虽在参数检验中达到显著性（3.89对4.30，p=0.028），但效应量可忽略（d=0.13）且未通过非参数检验。值得注意的是，pNN50均值并未随MISC评分逐级单调下降，说明该指标区分的是症状的有无而非严重程度的分级。阈值敏感性分析表明，pNN50在MISC截断值1至4范围内均保持显著差异（效应量d=-0.21至-0.53），仅在截断值为5时因高晕动病组样本量过少（仅112个时间段）而失去显著性。30秒时间窗的敏感性分析显示pNN50失去与MISC的关联，而心率关联增强，LF/HF比值符号反转，证实120秒时间窗对于频率域HRV指标的可靠性是必要的。
三、主要技术方法
本研究采用的核心技术方法包括：基于MSSQ问卷筛选高晕动病易感性的受试者；在真实道路环境中使用电动汽车和预定义加速/减速曲线进行晕动病诱导；采用BioSemi ActiveTwo系统以2048 Hz采样率采集ECG信号并降采样至512 Hz；使用1-40 Hz Butterworth带通滤波器进行信号预处理；采用自定义振幅阈值和局部最大值检测器进行R波峰值检测；提取心率、LF/HF比值和pNN50三项HRV指标；采用120秒时间窗与MISC评分对齐分析；使用独立样本t检验、Mann-Whitney U检验、单因素方差分析、Spearman秩相关、阈值敏感性分析和线性/二次模型嵌套F检验进行统计分析。
四、研究结果
3.1 晕动病症状的检测
通过将时间段按MISC≥2分为高晕动病组和低晕动病组进行比较分析，发现pNN50在两组间差异显著且效应量中等（d=-0.53），表明副交感神经调节在晕动病症状出现时减弱；心率无显著差异；LF/HF比值差异虽在参数检验中显著但效应量可忽略且未通过非参数检验。三项指标中仅pNN50表现出统计学稳健、实际有意义且不依赖分布假设的差异。
3.2 各MISC评分下的生理指标
通过单因素方差分析比较各MISC评分（0-8）下的三项指标，发现三项指标均存在显著差异（心率F(8,1235)=13.37，p<0.001；pNN50 F(8,1235)=12.72，p<0.001；LF/HF F(8,1235)=9.19，p<0.001），但均值随评分变化呈非单调波动而非逐级变化，如pNN50在MISC=1时最高（27.0%），在MISC=2时降至最低（12.8%），在MISC=5时回升（22.2%）。对pNN50拟合的二次项虽显著（F(1,1241)=6.69，p=0.010）但仅增加0.5个百分点解释方差，线性或二次模型均未优于简单的二分对比，说明HRV指标区分症状存在与否而非分级严重程度。
3.3 序数相关与阈值敏感性分析
通过Spearman秩相关分析发现三项指标均与MISC显著相关（pNN50 ρ=-0.122，心率 ρ=-0.106，LF/HF ρ=+0.096，均p<0.001），但相关系数较小。通过改变二分阈值（MISC≥1至≥5）重复组间比较，发现pNN50在截断值1至4范围内均保持显著差异且效应量一致为负，仅在截断值为5时失去显著性，表明pNN50的发现对阈值选择具有稳健性；心率在不同截断值下方向反转，LF/HF差异虽符号一致但效应量始终较小。
3.4 时间窗长度敏感性分析
通过使用30秒时间窗重复分析（1864个时间段），发现心率与MISC的秩相关增强（ρ=-0.173对-0.106），pNN50失去关联（ρ=-0.034，p=0.139），LF/HF比值符号反转（ρ=-0.180对+0.096），与频率域HRV指标对时间窗长度的频谱要求一致，确认120秒时间窗为可靠选择。
五、讨论与结论
讨论部分指出，pNN50在高晕动病组的显著降低与Lin等（2011）关于晕动病增强交感优势并降低副交感活动的报道一致，也与Gianaros等（2003）关于心脏副交感活动下降伴随更严重晕动病的发现相符。心率无显著差异和LF/HF比值差异微小反映了晕动病期间自主神经调节的复杂性，LF/HF比值在不同研究背景和实验条件下的一致性不足已在既往文献中多次报道。由于每位受试者贡献了多个时间段，组间pNN50差异在很大程度上反映的是个体间差异而非个体内随时间的变化，因此最合理的解释是较低的迷走神经调节水平表征了更易发生晕动病的个体，pNN50可作为个体晕动病易感性的指标；要确定pNN50是否也能追踪个体内的症状发展，需要重复测量设计，超出了当前数据所能证明的范围。研究还指出，受试者坐在后排、从事视觉非驾驶任务且被窗帘遮挡外部视觉参考，其情境接近高度自动驾驶车辆中的乘客状态，因此本研究的自主神经变化在自动驾驶条件下可能至少同样明显甚至更明显。局限性方面，样本量较小（24名受试者，其中17名的ECG数据满足质量标准进入分析）、仅招募女性受试者、测试路线为受控的郊区道路而非多样化日常驾驶环境、时间段之间缺乏统计独立性等均需在后续研究中改进。
结论部分翻译：本研究考察了ECG指标（包括心率、LF/HF比值和pNN50）在真实道路驾驶环境中作为晕动病严重程度指标的潜力。其中，pNN50在与较高晕动病水平相关的时间段中显著降低，效应量为中等，表明随着症状加重副交感神经调节减弱。然而该关联并非分级性的：均值并未随各MISC评分单调下降。相比之下，心率无显著差异，LF/HF比值差异虽具有统计学显著性但可忽略。这些结果反映了真实环境中自主神经反应的复杂性。研究结果表明，ECG是一种可行、无创的晕动病评估方法，其中pNN50尤其可能反映个体对晕动病的易感性。但由于每位受试者贡献了多个时间段，pNN50在个体内追踪症状发展的程度仍有待确定。将ECG与其他生理信号（如皮肤电活动或头部运动）结合可能提高检测精度。总之，本研究增进了对晕动病评估生理指标的理解，并为在不同条件下进一步探索ECG指标与晕动病关系的研究提供了基础。
