虛擬現實環境中的注意力與狀態識別

時間：2023/8/4閱讀：435

來自波蘭的研究人員在 Sensors 雜志上發表文章，探討了虛擬現實（VR）和近紅外技術的實際結合問題。他們設計了一套綜合實驗平臺，其中包含 CW-fNIRS 和頭戴式顯示（HMD）技術，并使用變體后的經典 n-back 任務（2-back 版本）在虛擬現實中進行實驗。結果證實了結合 fNIRS 和 HMD 技術，實驗者可以有效地將實驗性認知過程轉移到可控的 VR 環境中。

研究背景

功能性近紅外光譜(fNIRS)是功能神經成像技術之一，使用波長為650-950nm的近紅外光來測量皮質腦區的血流動力學反應。近紅外系統通常使用激光或LED發射連續波(CW)近紅外光。

VR技術已被用于注意力技能的研究和訓練，已有許多結合VR和近紅外技術的案例和論文。

結合VR和FNIRS技術，通過訓練程序調節注意力狀態的可行性已經得到證明。識別注意狀態可以用于監測受試者在任務中的參與度。用戶與系統的交互體驗可以通過視覺量表和問卷來測量其滿意度。

本研究假設：

DLFPC 和 MFG 區的血流動力學活動 (HbO/HbR 濃度變化 ) 在增強注意力投入 (n-back 任務 ) 和放松狀態之間的差異將顯著高于研究組的機會閾值水平。

用戶與系統的交互體驗(fNIRS+HMD) 將高于滿意度評估量表的平均值。

被試

12 名受試者 (10 名女性 )，年齡 21-34 歲 (M = 24.82;SD = 4.38) 參與實驗。實驗中所有參與者均為右利手，裸眼視力和校正后視力正常。

設備

近紅外信號被記錄在一個雙波長 (760 和 850 nm) fnirs系統中 ((Cortivision sp. z o.o., Lublin, Poland）。其中共有16 個LED光源和10探測器。

在線階段的數據處理在OpenViBE 3.1.0 (Inria Hybrid Team, Rennes, France)上使用自定義Python 腳本進行。

使用 Unity3D 引擎開發 VR 場景，并在Oculus Quest(Facebook Technologies, Menlo Park, CA, USA)上顯示。

使用 JASP軟件對結果進行統計分析。

實驗裝置包括無線一體化 VR 護目鏡和可穿戴 fNIRS設備。在數據記錄過程中，參與者是坐著的，設備是無線連接的。

主觀滿意度評估

使用視覺模擬量表 (Visual Analogue Scale, VAS) 來評估兩組實驗結束后的總體主觀滿意度。評估采用 11 分制"。

使用改良版的魁北克輔助技術用戶評價 (eQUEST 2.0) 來測量參與者對使用系統滿意度。

實驗流程

該研究包括三個部分。

step1：需要判斷當前水果在兩個水果之前是否看到過。當法師扔出能量球時代表放松。

step2：離線階段的任務和教程相同。

step3：要求被試只在腦內做同樣的任務。物體的運動方向直接由分類輸出信號控制。

實驗中，任務和休息依次交替。在每個“2-back"任務塊中，水果列表隨機分為3個目標、7個非目標。

數據收集

近紅外數據由Cortivision PHOTON CAP系統收集。使用了10個通道。此外，在F3和F4位置放置了兩個短距離通道（見圖3）。對于所有數據通道，光源與探測器之間的距離保持在30毫米左右。短通道的距離則固定為10毫米。光源和探測器的放置位置是基于軟件中的預定義位置進行選擇的。三個感興趣區域（MFG、L-DLPFC、R-DLPFC）被自動從腦區解剖翻譯為10-5國際系統位置。

信號處理

將原始光強度轉換為光密度。處理記錄的前5秒期間記錄基線。然后將光密度轉換為氧脫氧血紅蛋白（HbO/HbR）濃度。然后，基于VR應用程序流標記進行基于刺激的分段。。進行低通濾波。采用廣義線性模型 (GLM) 進行特征提取，并進行進一步分析。

將獲得的包含提取特征的數據集分為五部分進行五次交叉驗證。每次重復交叉驗證都包括以下步驟：

Z-score標準化：訓練集和測試集的z-score標準化。

SVM分類器被用來區分兩個類：“放松"和“2-back任務"。

結果

分類準確性

單樣本非參數Wilcoxon符號等級檢驗的結果表明，校準階段的分類精度為M=88.58，SD=8.49，顯著高于Müller-Putz等人為兩類BCI計算的95%的概率上限(T=78，p<0.01，rrb=1)。然而，我們在在線條件下沒有觀察到顯著差異(M=61，SD=14.89，T=6，P=0.107)。同時，這兩種情況都顯著高于50%的機會水平(校準：t=78，p<0.001，rrb=1；在線：t=31，p<0.001，rrb=0.72)。表給出了校準和在線會話中所有參與者的平均分類精度結果。