个人因素联合预测滑橇线性运动诱发运动病敏感性：近期运动病史与动态视觉依赖的作用

《Human Factors》：Predicting Motion Sickness Sensitivity

　　

目的：确定个人因素组合对滑橇线性运动（linear motion）诱发的运动病敏感性（motion sickness sensitivity, MSS）的预测效果。背景：产生挑战性运动环境的技术促进了用于预测运动病（motion sickness, MS）的数学模型发展。纳入个人因素可能提高其预测准确性。运动病史（history of motion sickness）、年龄、性别和视觉依赖（visual dependence）已被识别为潜在预测因子，但其个体预测价值有限。方法：研究人员通过问卷评估运动病史、年龄和性别。为评估视觉依赖，参与者在观察倾斜静态框架或进行滚转（roll）旋转的圆盘时，将虚拟杆定向为与重力方向平行。敏感性采用一种同时考虑自报症状幅度和累积的新指标表示。结果：结果证实病史的预测价值，并显示动态视觉依赖（dynamic visual dependence）具有小幅但显著贡献，视觉依赖越大与敏感性越高相关（R² = 25%）。过去10年报告的近期病史（recent history）被证明比终生病史（lifetime history）更好的预测因子。年龄、性别和静态视觉依赖（static visual dependence）未增强预测。结论：与仅使用病史相比，组合多个预测因子对改善敏感性预测优势很小。未来研究可证实动态视觉依赖的预测价值，并优化近期病史，例如通过限制时间窗和运动环境。应用：改进的预测模型可支持在自动驾驶、头戴式显示器（head-mounted displays, HMD）和模拟器等技术中根据用户敏感性调整系统参数。概要：研究人员证实近期运动病史是滑橇线性运动诱发的运动病敏感性的显著预测因子。动态视觉依赖略微改善预测，使联合解释方差达到25%。静态视觉依赖、年龄和性别未提高预测准确性。

论文解读：个人因素联合预测滑橇线性运动诱发运动病敏感性

研究背景与问题：车辆自动化、虚拟现实和模拟器使用增加，使运动病（motion sickness, MS；由物理和/或视觉运动刺激引起的不适综合征）研究增多。既有数学模型多基于群体水平数据拟合，而个体间敏感性变异较大，纳入个人预测因子可能改善模型拟合。文献中运动病史、年龄、性别、静态和动态视觉依赖（visual dependence, VD；个体在朝向知觉中对视觉线索的相对依赖）被作为候选因素，但各自预测价值有限；视觉依赖与运动病关系证据不一致，且静态与动态视觉依赖可能并非单一构念。因此，研究人员（重新）分析三项滑橇实验数据，回答两个问题：敏感性、近期病史、年龄、性别、静态和动态VD如何相互关联；哪个或哪些预测因子组合最有助于预测敏感性。其意义在于，改进个体预测可支持自动驾驶、头戴式显示器和模拟器等按用户敏感性调整系统参数。

关键技术方法：研究人员（重新）分析三项既往滑橇实验，共69名成人（实验1：Reuten等，23名；实验2：未发表数据，26名；实验3：Bos等，20名）。纳入标准包括无自述视觉、前庭、心血管或神经退行性疾病、未使用影响警觉药物、视力正常或矫正正常且过去10年有运动病史。用运动病易感性问卷（Motion Sickness Susceptibility Questionnaire, MSSQ）获取近期（过去10年，B部分）和终生（A+B部分）病史及年龄、性别；在虚拟现实（virtual reality, VR）中用Rod-and-Frame与Rod-and-Disc测试静态和动态VD；在线性滑橇上施加前后向运动，多个session以运动病症状分类（Motion Illness Symptoms Classification, MISC）评分；以MSS=MISC_max/t_max计算敏感性；行相关分析及多水平线性回归模型比较（Akaike Information Criterion, AIC）。

结果：研究人员先按实验检查数据。敏感性在实验1平均2.0[1.6,2.4]高于实验3的1.0[0.7,1.3]，可能与运动刺激剂量差异及实验1近期病史较高（11.1[8.6,13.7] vs 7.9[5.5,10.2]）有关；年龄19—60岁，20—25岁占26%；女性38名、男性31名；动态VD平均2.5[2.0,3.0]大于静态VD 0.7[0.4,0.9]。非参数相关分析（按实验z标准化）显示两个显著正相关：敏感性与近期病史ρ=0.39，p<.001；年龄与静态VD ρ=0.42，p<.001；其余不显著。通过比较31个多水平线性回归模型AIC及Akaike权重，最佳模型包含近期病史（β=0.41，t=4.2，p<.001）和动态VD（β=0.23，t=2.4，p=.021），共同解释25%敏感性方差（AIC=173.8，权重0.288）；仅近期病史模型AIC=177.4（权重0.047），最佳模型约2倍于次佳（加静态VD）、约6倍于仅近期病史；六个最佳模型均含近期病史和动态VD。

近期病史与终生病史：研究人员将近期病史替换为终生病史，扩展至47个模型。含终生病史的最佳模型AIC=179.5，差于含近期病史最佳模型（AIC=173.8）；近期模型成为最佳的可能性约为终生模型的17倍。增加更多病史降低预测质量，但动态VD仍进入最佳模型。

讨论总结：年龄和性别贡献有限，作者认为可能因样本未含儿童和老年人，而敏感性随年龄的显著差异常出现在生命两端；成人样本中年龄与性别预测价值小。研究部分复现年龄与静态VD正相关，年龄越大静态VD越大；性别与近期病史和敏感性的相关均较弱。近期病史更综合，可能涵盖习惯化（habituation；反复暴露导致敏感性下降）等因素。最佳模型仅解释25%方差；但同一实验内相似session的MSS相关为0.7—0.8（R²≥49%），说明MSS测量具有可重复性，25%并非源于敏感性测量不可靠；MSS基于症状随时间平方根发展的假设，理论上时间独立。去除两名动态VD特别大的参与者后，最佳模型变为仅近期病史，动态VD贡献减弱（β=0.15，p=.280），但动态VD持续出现在六个最佳模型中，作者认为值得未来研究。动态与静态VD机制不同：动态条件需整合滚转光流与静态自我运动线索，静态条件为相对简单的加权；动态VD对线性滑橇诱发敏感性仅有小贡献。近期病史较通用，提示可能泛化到不同惯性线性加速度；但通用性可能牺牲特异性，未来可限定相关运动环境或缩短时间窗，并需权衡信度。

研究结论（翻译）：联合多个预测因子相较仅使用病史对提高敏感性预测优势很小。运动病史是最强预测因子，动态视觉依赖有小而重要的贡献；将病史限制在过去10年可改善预测；静态视觉依赖、年龄和性别未增强预测准确性。未来研究可证实动态视觉依赖的预测价值，并优化近期病史，例如通过限制时间窗和运动环境。应用：改进的预测模型可支持在自动驾驶、头戴式显示器和模拟器等技术中根据用户敏感性调整系统参数。