摘要
近年来，虚拟现实技术不断发展，各种虚拟现实产业规模不断扩大。虚拟现实技术能够带给用户强烈的沉浸感和立体感，提供给用户一个全新的世界。然而虚拟现实产品在使用过程中，可能会使用户产生头晕眼花、恶心、方向障碍、呕吐等不适症状，这些不适的症状被称为视觉诱导晕动症。视觉诱导晕动症不仅严重阻碍了虚拟现实技术的推广与普及，而且不利于体验者的身体健康。脑电信号含有大量人体生理与疾病的信息，在评估人体状态方面有很大的潜力。基于此，本文从脑电信号与受试者的问卷调查着手，采用主客观相结合的方法，提出了利用脑电信号时域、频域与时频域特征识别视觉诱导晕动症的评估方法。 首先，选择HTCVIVE作为虚拟现实设备，使用Activetwo56通道的脑电采集设备，搭建虚拟现实环境下视觉诱导晕动症的诱发平台，建立视觉诱导晕动症的数据集。该实验通过观看《沙漠过山车》诱发受试者产生视觉诱导晕动症的症状，整个实验过程中需持续采集被试的脑电信号，同时记录被试自主口头报告的晕动症程度并收集被试的晕动症问卷调查。 然后，对采集到的EEG进行预处理、特征的提取和选择。利用matlab中的eeglab工具包对脑电信号进行预处理操作。对预处理后的脑电信号进行特征提取，分别提取了基于统计学的时域特征、基于功率谱密度的频域特征和基于Delta、Theta、Alpha和Beta节律小波包能量占比的时频域特征进行研究。然后利用SPSS软件中的配对样本T检验方法对特征进行筛选，选择与视觉诱导晕动症存在显著性差异的特征，作为模型评估时的研究对象。 最后，利用支持向量机、随机森林和k最近邻算法完成对是否产生晕动以及晕动程度的识别，并对最终结果进行评价与分析。 结果表明，在视觉诱导晕动症的特征提取与选择方面，频域中基于功率谱密度的相关特征与时频域中小波包节律能量占比的参考价值要比时域特征大。在视觉诱导晕动症的模型评估方面，随机森林要比支持向量机与K最近邻算法的分类效果更好。随机森林算法在频域和时频域中多受试者的平均准确率达到了91%，在准确率方面有了很大提升。
NETL