利用深度学习可解释性图揭示与 VR 晕动不适稳定相关的 EEG 模式

基于摘要分析。本研究针对 VR 头戴式显示器引发的晕动不适（cybersickness），结合神经网络与可解释性图，识别对不适分类最有帮助的 EEG 传感器位置及时间片段。其主要贡献是考察这些模型相关特征能否在不同网络、随机种子和独立听觉 ERP 研究数据中保持一致，而非提出已经验证有效的不适缓解干预。 方法上，作者使用两项独立的听觉 ERP 晕动不适用户研究数据，提取对分类重要的空间与时间特征。作者报告，在第一个数据集（n=29）上，三种神经网络结合多个随机种子、共运行框架 120 次，模型持续将左额部、中线中央区和右顶叶对应的头皮位置识别为有助于判断不适状态的区域。第二个数据集（n=36）也出现了相似的重要位置；作者据此认为，这些发现具有跨时间、VR 刺激及参与者样本的跨数据集泛化性。作者还报告，在两个数据集中，刺激后约 80–260 毫秒的 ERP 早期时段均被标记为对分类重要。 这些结果支持进一步考察不适分类的稳定 EEG 时空线索，但解释图的重要性不等于相关脑区对晕动不适具有因果作用。摘要所述的跨数据集一致性也不能直接等同于模型在未经适配的新数据集上保持分类性能；训练与测试是否跨数据集、被试划分方式及具体评估指标尚未验证。网络结构、解释算法、预处理、标签定义、分类结果、消融及统计信息亦需全文核对。 作者提出这些特征未来可能用于晕动不适乃至其他不适类型的 EEG 分类，后者尚未在所给摘要中得到验证。作者表示代码将在论文接收后发布，当前材料不能确认代码已公开；来源将其列为预印本，不据此推断已接收或正式发表。