基于变分模态分解的休息态虚拟现实晕动症脑电自动检测

虚拟现实晕动症的存在是制约VR技术行业进一步发展的关键因素,研究虚拟现实晕动症相关的神经活动及对其准确检测是解决此问题的前提,此前研究缺少对休息态虚拟现实晕动症神经活动的研究。因此,本研究利用虚拟现实晕动症暴露任务前后休息态脑电信号,提出虚拟现实晕动症脑电特征作为指标实现对虚拟现实晕动症的检测。首先,通过统计分析对所选的5个电极即Fp1、Fp2、F8、T7及T8的脑电信号分别进行变分模态分解,并从选中的模态分量中提取样本熵、排列熵及中心频率。然后,通过统计检验和ReliefF算法进行两个阶段的特征选择。最后,将选择的特征向量送入支持向量机中进行分类,进而实现对虚拟现实晕动症的自动检测。结果表明,此方法准确率、灵敏度及特异度分别达到了98.3%、98.5%及98.1%,ROC曲线下的面积值达到了1,优于其他方法,证明了此方法在虚拟现实晕动症脑电信号自动检测方面优势与有效性。

基于脑电节律能量与模糊熵的VR诱发晕动症水平检测研究

晕动症一直是影响虚拟现实用户体验及限制虚拟现实行业发展的一个关键因素。为解决这一问题,本文研究了虚拟现实晕动症对大脑神经活动的影响,并利用脑电特征对晕动症水平进行检测。为得到可度量眩晕水平的特征,记录受试者在体验眩晕测试场景前及过程中的脑电信号,计算节律能量和模糊熵,并利用统计分析进行特征选择,最后分类验证该特征的有效性。结果表明,受试者产生晕动症时,CP4和Oz的θ、α频段能量及C4的β、γ频段能量显著降低(p<0.01);在模糊熵方面,δ频段有FC4、Cz模糊熵值显著升高(p<0.0001),β频段有O1模糊熵值显著降低(p<0.0001)。对比线性判别分析(Linear discriminant analysis,LDA)、逻辑回归(Logistic regression,LR)和支持向量机(Support vector machine,SVM),K最近邻(K-nearest neighbor,KNN)算法的分类效果较好,它在节律能量和模糊熵上的分类准确率分别为89%和91%。本研究表明脑电节律能量及模糊熵有望成为晕动症水平检测的有效指标,为研究虚拟现实晕动症成因及缓解方案提供客观依据。

基于脑电样本熵功率谱的VR诱发晕动症分析

如今,虚拟现实(VR)技术已在各个领域得到广泛应用,但很多VR系统在带给用户沉浸式体验时会使其产生一种不适症状——虚拟现实晕动症。为弄清虚拟现实晕动症对大脑神经活动的作用,本研究招募被试者利用头戴式VR体验虚拟现实晕动症诱发场景,记录体验前及过程中被试者的脑电信号。采用样本熵及功率谱方法提取不同状态下被试者脑电特征,并进行显著性检验。从全频段来看,在电极F8、F12、CZ、CPZ及OZ处的样本熵均值具有显著性差异,在电极F7、T7及T8处的功率谱均值具有显著性差异(P<0.01);从分频段来看,在Delta及Theta频段的样本熵均值及功率谱均值同时具有显著性差异(P<0.01)。研究结果表明,样本熵与功率谱分析结果可能与虚拟现实晕动症有关,有望成为度量虚拟现实病的有效指标。