视觉诱发运动病中的个体差异:通过自报量表和心电图参数的聚类分析揭示

《Displays》:Individual differences in visually induced motion sickness: revealed by clustering through self-reported scales and ECG parameters

【字体: 大 中 小 】 时间:2026年05月09日 来源:Displays 3.4

编辑推荐:

  钟文豪|张宇倩|林慧贤|严静|王长红|齐慧|罗杰中山大学深圳校区生物医学工程学院,中国深圳摘要目的视觉诱发的晕动病(VIMS)往往将受影响的个体视为一个同质群体,从而忽略了个体差异,导致研究结果相互矛盾。本研究旨在利用自我报告量表和心电图(ECG)参数,在虚拟现实体验过程中识别出

  
钟文豪|张宇倩|林慧贤|严静|王长红|齐慧|罗杰
中山大学深圳校区生物医学工程学院,中国深圳

摘要

目的

视觉诱发的晕动病(VIMS)往往将受影响的个体视为一个同质群体,从而忽略了个体差异,导致研究结果相互矛盾。本研究旨在利用自我报告量表和心电图(ECG)参数,在虚拟现实体验过程中识别出VIMS的不同群体,并探讨三种聚类模型的有效性以及每个群体的特征。

方法

30名参与者接受了10分钟的虚拟现实(VR)汽车驾驶体验,同时记录了心电图(ECG)数据和晕动病自我报告量表。比较了三种基于ECG的模型:基线变化率(Delta)、与体验时间的相关性(Corr-T)以及与量表分数的相关性(Corr-S)。后两种模型能够捕捉到特征的变化动态。采用层次聚类方法,以SSQ和HR作为特征,聚类的数量(k)由惯性系数和轮廓系数确定,模型一致性通过调整后的Rand指数(ARI)进行评估。

结果

当k?=?4时,生成的聚类模型显示出稳定且可解释的群体特征,主要反映了症状严重程度和自主神经调节的差异。Corr-T模型在分类VIMS亚型方面具有更多优势。

意义

这些聚类模型利用VIMS的严重程度和ECG参数作为特征,可以显示出VIMS群体中个体间的神经机制差异。特别是Corr-T模型,为识别群体结构提供了框架,为VIMS的个性化评估和干预提供了新的见解。

引言

晕动病的主要症状包括恶心和呕吐,通常伴有自主神经反应,如胃部停滞、面色苍白和嗜睡[1]。其诱因——如乘车、航海或虚拟游戏——通常涉及前庭和视觉运动信号之间的冲突。这一感觉冲突理论被广泛认为是该病的核心机制[2]。视觉诱发的晕动病(VIMS)是一种特定形式的晕动病,由于视觉刺激产生的强烈自我运动感(称为视动感觉)而引发,而实际上并没有相应的物理运动[3]。作为晕动病的一种亚型,VIMS在症状表现上与普通晕动病具有共同的神经机制。虚拟现实(VR)技术在创造强烈的自我运动感方面表现出色[4]。在VR体验过程中,用户的实际物理运动与视觉感知的运动之间经常出现不匹配,这可能导致佩戴头显(HMD)时的各种症状,称为网络迷航症,其症状通常比真实晕动病更明显[5]。尽管症状强度取决于VR环境的性质,但VIMS仍然是一个普遍存在的问题,报告的发病率在60%到90%之间[6]。
个体差异在VIMS的易感性和症状表现中起着关键作用。性别、以往的晕动病史以及VR或游戏经验等因素会影响症状的严重程度[7]、[8]。最近的研究开始系统地探索这种异质性。例如,一项研究利用潜在剖面分析(LPA)将人群分为三个严重程度等级,并分析群体成员的症状特征和特点(如性别、晕动病史)以识别群体构成差异[9]。在另一项研究中,聚类技术根据用户的游戏习惯和沉浸倾向对其进行分类,将特定群体(如PC游戏者和主机游戏者)与不同程度的网络迷航症联系起来[10]。此外,一些研究尝试通过空间认知训练等方法降低参与者对VIMS的敏感性。尽管训练后VIMS的平均分数显著下降,但群体内的变异系数明显增加,表明干预效果可能存在显著的个体间差异[11]、[12]。这些发现表明,VIMS并不是一个均匀的体验,而是因个体而异,暗示存在具有不同生理反应的亚群体。
尽管取得了这些进展,但在理解这些亚群体的生理基础方面仍存在重大缺口。目前的VIMS评估主要依赖主观评分量表[4],[13],这些量表容易受到记忆偏差的影响,并且无法动态追踪生理状态[14]。心电图(ECG)参数,如心率(HR)和心率变异性(HRV),作为自主神经系统(ANS)活动的客观指标,已在与VIMS的相关研究中得到研究[15]、[16]、[17]、[18]、[19]、[20]、[21]。然而,文献中的研究结果并不一致;例如,有研究表明HR与VIMS严重程度呈正相关[19]、[20],或呈负相关[18],或者根本没有相关性[17]、[21]。同样,HRV指数(如LF/HF)的结果也存在矛盾[16]、[17]、[19]。最近的研究表明,这些差异可能源于VIMS人群内部的异质性,因为网络迷航症的生理反应——包括HRV、胃活动和皮肤电导的变化——在不同个体之间存在显著差异[22]、[23]。因此,将所有参与者视为一个同质群体可能会掩盖不同的生理反应模式,从而阻碍连贯模型的开发和个性化干预措施的实施。
聚类分析提供了一种强大的无监督方法,可以在不依赖先验标签的情况下揭示这些潜在的亚群体结构。尽管之前的VIMS聚类研究主要集中在症状评分或用户人口统计数据上[9]、[10],但没有研究系统地整合了ECG等客观、连续的生理数据来区分亚型。弥合这一差距对于协调矛盾的生理发现、阐明VIMS的神经机制以及为个性化预测和缓解策略铺平道路至关重要。
在这项研究中,我们使用基于VR的汽车驾驶场景诱导了VIMS,并同时收集了自我报告的症状评分和连续的ECG数据。我们采用层次聚类方法来识别参与者中的不同群体。我们的目标是:(1)探索不同数量的群体和模型在聚类VIMS人群方面的有效性;(2)分析和描述所识别群体之间的差异,包括症状严重程度和自主神经调节方面的差异。我们假设可以根据ECG参数和VIMS量表对人群进行分组。揭示出现VIMS的亚型结构将有助于进一步的个性化研究。

章节片段

参与者

进行了功效分析以确定所需的样本量。根据聚类分析中观察到的组间效应效应大小,估计了一个较大的效应大小(η2?=?0.84)。假设 alpha 水平为0.05,期望的功效(1-β)为0.90,G*Power分析表明大约需要28名参与者才能在比较四个群体的单因素方差分析(one-way ANOVA)中检测到显著差异。

自我报告量表的统计结果

表2展示了整个样本(N?=?30)的自我报告测量数据的描述性统计信息。平均MSSQ分数为12.51。在VR体验期间,所有参与者的平均MISC分数为2.06,平均体验时间为9.37分钟(由收集的MISC数据点数量反映)。VR体验后,平均总SSQ分数为58.22。此外,表格中的标准差表明存在个体差异,支持了理论观点。

讨论

基于自我报告量表和ECG参数,本研究识别出了具有不同VIMS严重程度和ECG变量水平的不同群体。以下部分首先阐述了选择四个群体的理由,然后从变量性能和模型处理方法的角度解释了为什么两个Corr模型(Corr-S和Corr-T)具有更好的聚类效果。接下来,我们讨论了这两种Corr模型之间的相似性以及各自的优点。

结论

本研究证明,通过利用ECG参数与体验时间之间的相关性(Corr-T)等聚类模型,可以将VIMS人群有效地划分为四个不同的群体。这些群体不仅在症状严重程度上表现出梯度差异,在自主神经调节上也存在个体差异。这些特征反映了出现VIMS的人群的亚型结构。发现这些人群亚型将有助于进一步的研究。

作者贡献

林慧贤和钟文豪参与了研究构思和设计。实验准备、数据收集和分析由张宇倩、严静、钟文豪和林慧贤完成。初稿由钟文豪撰写,罗杰、齐慧和王长红对草稿进行了评论。所有作者都阅读并批准了最终稿件。

伦理批准

本研究遵循《赫尔辛基宣言》的原则进行。获得了中山大学第七附属医院临床研究和动物试验委员会的批准,批准号为KY-2024–373-01。
参与同意
在实验前已从参与者处获得了书面知情同意。

资助

本研究得到了深圳市科技计划(项目编号202206193000001、20220817234712001)、广东省传感技术和生物医学仪器重点实验室基金会(项目编号2020B1212060077)以及国家自然科学基金(项目编号82172548)的支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

我们要感谢所有参与者的支持。感谢程水园和罗航航在实验中的协助,以及程嘉茹、韩锐、马军和陈敏洁对本文修订的建议。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号