基于EFA–熵權法的虛擬現實運動設計機制的眼動模型研究

孫雨萱，王殊軼，粱巨宏，魏強生

（上海理工大學醫療器械與食品學院，上海 200093）

虛擬現實暈動癥是指佩戴虛擬現實（Virtual Reality，VR）頭戴式顯示器（Head Mounted Display，HMD）后產生的一種常見不良癥狀，表現為頭痛、嘔吐、出汗甚至方向障礙等狀況[1]。駕駛員和宇航員在虛擬模擬器訓練中就會出現這種類似醫學上的暈車癥狀，當時稱之為模擬器綜合癥。Dichgans等[2]發現了人類視覺刺激信息中包含自我感知運動信息，奠定了現代視覺誘導暈動癥（Visually Induced Motion Sickness，VIMS）的研究基礎；Hettinger等[3]通過對VIMS及自我運動錯覺癥狀進行比較，從而將自我運動錯覺確定為VIMS的誘發原因之一；近期紐卡斯爾大學的相關研究中，Alireza等[4]首次對臨床暈動癥狀與VIMS進行對比研究，指出可能出現相同的臨床狀況。但實驗的評價方式偏向主觀評價，且仍未確定具體且客觀的VIMS評估指標。VIMS是VR中誘發暈動癥的主要原因之一。目前國內外關于VR的指標評價方面研究從生理信號[5]、姿勢變化[6]、軟硬件結合[7]等多種角度進行探索，但客觀指標研究仍然較少。基于最主流的感知沖突理論，虛擬場景內通常沒有發生真實的物理運動，而是“視覺誘導”，即一種自我運動錯覺[8]。這種錯覺是虛擬運動設計的重要部分之一，誘導本身會強化虛擬環境的表現與真實感，與存在感、沉浸感有十分密切的關系[9-10]，故這種運動機制下造成的VIMS是虛擬現實技術發展面臨的主要障礙之一。VR用于康復訓練中，患者大多在不發生身體運動的情況下，體驗虛擬移動、旋轉等常見運動。此時，這種運動機制使患者的視覺所見、前庭系統所感不一致。這種疾病與醫學常見的暈動病不同，因為虛擬暈動癥不是實際運動，VR應用于醫療訓練、復健、心理治療時，VIMS不但會導致使用感下降，對于患者還會有安全隱患，影響體驗與治療效果。所以VIMS的評估應該作為VR系統可用性測試的重要環節之一。

對于暈動癥，主觀與客觀評價結果均需要考慮。由于客觀生理信號采集、生理指標選取和數據特征處理較為復雜多變，且變量因素龐大，故需要進行針對性地篩選處理，采用探索性因子分析[11-12]（Exploratory Factor Analysis，EFA）剖析數據的潛在結構，盡量減少信息損失才達到降維。另外，VIMS的評估模型建立應考慮主與客結合的權重賦值思路，由于VIMS的強度受眾多主客因素的影響，且因素相互作用、相互影響，單一的評價方法難以進行綜合、客觀的評價，為了使評價結果更接近于真實結果，應采用多種評價方法的聯合運用。本文引入熵權法[13]改進EFA的思路，構建基于多指標眼動數據的VIMS因子評估模型體系。“熵”是根據各項指標值的變異程度來確定權數的，是一種客觀賦權法，應用于模型建立可在很大程度上避免人為因素偏差，同時熵權法不能減少評價指標的維數。

具體建立評估模型思路為，通過EFA篩選主成分因子，提取因子后指標體系得到簡化，再利用熵信息和方差貢獻率進行客觀賦權。本方法在數學變換中，使VIMS評價模型中各變量權重數的確定更符合客觀屬性，同時最大程度模糊了人為因素對評價模型的偏差，充分挖掘了數據包含的信息，在一定程度上提高了評價結果的真實性和可靠性。EFA–熵權法也是本文的創新點所在，其目的是運用更為客觀的眼動數據評價分析VIMS，為VR系統的評價研究貢獻新的思想。

1 實驗內容及方法

1.1 虛擬現實場景設計

人們通過視覺、聽覺、前庭系統和體感來判斷空間位置變化，佩戴VR HMD后測試者的眼與顯示鏡片之間的距離不再變化。例如人眼正前方所視的平移運動，其實是畫面放大的過程，自我運動錯覺與不變的人眼焦距產生了感官沖突，誘發了暈動癥狀。根據心理實驗室常用研究視覺刺激的運動錯覺鼓[14]和光流信息模擬的虛擬旋轉鼓[15]，本文基于上述原理設計了特殊的VR場景，利用Unity 3D軟件設計了包含幾種典型VR運動，用于研究VIMS。搭建的VR環境的設計見圖1，左側為架構原理圖，右側為設計的VR環境之一圖示，測試平臺搭建見圖2。運動方式有5種：兩種線性移動與3種旋轉運動，見表1。VR系統設置為被動式運動，即受試者坐于椅上，應要求受試者保持頭部不動，避免過大的視角變換，排除頭部運動帶來的測量誤差[16]。場景可以進行移動速度和旋轉角度的參數設置，UI界面可以通過功能按鈕對速度和旋轉角度的增加與減少操作。

圖1 VR測試場景Fig.1 Virtual Reality scene for VIMS test

圖2 測試平臺Fig.2 Testing Platform

表1 實驗設計的VR運動類型Tab.1 VR motions designed in experiment

1.2 數據采集

實驗設備為德國ERGONEERS公司的虛擬現實眼動儀（Dikablis HMD），該設備是在虛擬現實設備HTC VIVE中集成Dikablis傳感器，設備采集率為60 Hz，采集精度為0.1～0.3，配套的采集軟件為D–Lab心理人因同步軟件系統，提供虛擬現實環境下的行為數據采集分析綜合性同步平臺，包含眼動數據模塊、視頻行為記錄與編碼、運動捕捉和工效評價等種類的數據需求，實驗過程的眼部運動見圖3。

圖3 D–Lab界面8種眼部運動特征Fig.3 8 kinds of ocular motor showed in D-Lab during the experiments

研究共招募受試者25名，健康在校大學生，年齡為22±3歲。受試者在實驗前均已知曉試驗內容，并要求受試者試驗前24 h內不能飲用茶、酒水或咖啡等，保證無睡眠短缺，確保數據真實性、準確性。實驗共向受試者發放主觀量表問卷共125份，剔除無效評分，實際收回用作分析的問卷115份，計算其各自分數作為主觀數據量，問卷內容包括：Kim等[17]提出的由“動眼（Oculomotor，O）”和“定向障礙(Disorientation，D）”這兩個潛在因素驅動的虛擬現實暈動癥問卷（Virtual Reality Sickness Questionnaire，VRSQ），根據權重計算可得到問卷分數，選取李克特5分制量表；對于誘發運動的移動錯覺，以評分量表的形式讓受試者做出移動錯覺強度[18]（Vection Strength）評分，強度定位0至100分數，大于50則說明存在移動錯覺，分數越高，強度越大。實驗期間采用“視線追蹤回溯式有聲思維[19]（Eye–tracking Retrospective Think Aloud）”的方法，即受試者實時、準確地口頭表述感受到的眩暈狀態，并以虛擬現實暈動級別[20]（Visually Induced Motion Sickness Level，VIMSL）數值量化，強度級別從小到大為1至5級。實驗前需要進行預實驗測試步驟的完成度。受試者分別在場景內進行暈動測試，見表1。進行測試前說明，期間由實驗記錄者改變環境的移動類型與速度。D–Lab軟件實時采集眼動數據，每次休息時間不少于5 min。受試者要完成的任務為測試前后需要完成VRSQ問卷調查；開始前靜息20 s，觀察測試場景；等場景速度發生變化后，口頭匯報當前感受到的移動錯覺強度；測試中感受到的眩暈強度增強時，實時報告當前的VIMSL級別。

為評估整個虛擬現實暈動實驗的用戶狀態，需要對每個受試者采集眼動和量表數據進行處理，導入Matlab 2016 Ra和IBM SPSS Statistics 26.0軟件進一步分析，要將全部數據與受試者靜息狀態下的數據作為基線，確保分析科學有效。

1.3 眼動指標分析

人眼變化是評價認知負荷的有效手段，眼動追蹤技術用于記錄視覺的移動情況，提供與注意相關的信息，其數據更加客觀且有利于認知過程分析。準確的凝視點是測算的基礎，眼動標定是實驗記錄前重要的校準步驟，見圖4。眼動追蹤技術中可采集的能量化指標繁多，根據預實驗結果，采用mRMR方法選取了以下幾個相關性大、彼此特征關系最小的眼動指標。首先，在眼動采集軟件中，注視[21]是由多個連續采樣點組成的，提取方法有平均法和差分法兩種。注視點帶有一個時間長度，可間接統計出注視持續時間；對于眼跳[22]信號，利用差分法，一旦眼跳速度超過某閾值，即作為一個眼跳信號。注視點與掃視發生的圖例，見圖5。其次，眨眼和瞳孔變化均可以反映人的情緒或情感狀態，如知覺、記憶、思維、情緒等高級心理活動也會影響瞳孔變化[23]。由于“疲勞”屬于不可觀測信息，目前沒有唯一的量化定義標準。瞳孔的變化有時不受個體意識控制，由人體自主的反應控制，所以瞳孔可以是判斷主觀疲勞的可靠客觀指標[24]。2019年Wang Yan[25]基于眼動技術追蹤的HMD眼部疲勞研究中，綜合驗光指標建立了廣泛性強的測量眼部疲勞方法，該文全面搜尋比較了眼疲勞的相關可測指標，為本文提供了重要參考。例如關于眼疲勞的客觀指標，包括臨界融合頻率（CFF）、雙眼視力、眨眼率、瞳孔收縮率等[26-27]。眨眼屬于瞳孔變化的范圍，其本身的變化規律也與眼部疲勞與認知相關，眨眼信號分為兩種類型，一般通過睜眼與閉眼的時間差異計算眨眼信號。數據處理時需要過濾生理性眨眼，提取帶有受試者意識信息的隨意性眨眼信號。故通過檢測眨眼與瞳孔變化可以獲得被試者的內部狀態，并結合當前注視位置的信息，通過算法和計算機分析獲取操作者當前狀態（如眩暈、疲勞等）的信息，從而給出適當的反饋信號，用作緩解或者警覺提醒。根據預先篩選工作，采集的研究項名稱見表2。

圖5 注視點與掃視Fig.5 Points of fixation and saccade type

表2 指標與對應變量名Tab.2 Indicators and corresponding variable names

圖4 Dikablis HMD的標定操作Fig.4 The calibration of the Dikablis HMD

2 實驗數據處理與評估模型建立

2.1 EFA分析提取

EFA主要用于實驗數據的有效簡化、降維，以合理解釋變量的相關性并篩選變量。推導成分表因子模型見式（1），簡化為X=AF+ε，式中A為矩陣系數，ε為隨機變量，F為原始變量，X為提取出的成分因子。再根據重新命名定義的公共因子建立整體函數模型，見式（2）。為了檢驗樣本數據適用性，在因子分析之前，需要進行KMO測度和Bartlett檢驗樣本，根據Kaiser的觀點，KMO值至少達到基準0.6才可進行分析。結構見表3，Bartlett概率接近0，P值小于0.01，有較高顯著性符合因子分析的條件。

2.2 因子載荷提取

判斷適合進行因子分析后，進行公共因子載荷提取。適當的旋轉可使載荷陣的結構簡化，得到較為清晰、直觀又滿意的成分因子。選擇適合的載荷矩陣旋轉方法，是最終推導出合理線性模型的重要步驟之一，目前主要的正交旋轉法有3種：方差最大法、四次方最大法和等量最大法。由于它們在簡化、分類、提取上的思路各有不同，為了得到合理且無歧義的模型，本文分別采用3種因子模型，進行綜合對比分析，選擇最優的方法。所有因子都需要先進行標準化處理得到F?。方差最大法正交旋轉前后的累計方差解釋見表3，旋轉在7次迭代后收斂。累積率是指同一成分因子對各變量方差貢獻的總和，統計提取了4個成分因子，累計方差解釋率是86.765%，大于80%，表明4個成分因子基本保留了樣本特征的大部分信息。樣本數據生成的旋轉得分與因子載荷系數，見表4。根據Comrey和lee整理[28]，因子載荷小于0.32，無法有效反映特性，因子載荷超過0.55的變量對公共因子的影響比較好，大于0.71為理想，故選取大于0.55的變量，作為主因子得分的主要指數。四次方最大法和等量最大法同理，分別在旋14次迭代、7次迭代后收斂。3種正交旋轉法分別得到主因子得分表達，見式（3），Xi為對應的主因子，k為回歸計算系數，ε為隨機變量。

表4 因子載荷與因子系數Tab.4 Factor loadings and Standardized Scoring Coefficients

表3 正交旋轉后累積方差解釋Tab.3 Explained variance after Orthogonal rotation

2.3 指標權重確定與模型驗證

表5 各因子累積貢獻率與熵權權重Tab.5 Cumulative contribution rate and basic entropy weight of each factor

3 討論

在本研究中，獲得的回歸預測模型，利用方差最大法和等量最大法的載荷矩陣旋轉得到的模型擬合度高，且有效性高，其中等量最大法的平均值與標準差最小，t值最大。方差最大法簡化了矩陣的每一列，使各因子上的載荷分離，這樣僅有少數幾個變量在個別因子上具有較高載荷。在因子得分評估模型中瞳孔直徑、平均注視時間、總眨眼次數、眨眼頻率和SSQ分數也在整個模型分析項中具有較高權重值。在主成分提取中的4個主因子中，眨眼頻率指標在2個主因子上均具有一定載荷，因子載荷均稍大于0.55，這樣提取的4個主因子并未被完全分開，容易在主成分命名上產生歧義。

等量最大法思路是綜合四次冪與方差最大法求加權平均。結合了兩種優勢，囊括分別從因子載荷矩陣的行、列分開各變量，使所需因子達到最少。因子得分評估模型如下式，平均注視時間、總掃視時間、總注視點個數和眨眼頻率具有較高權重值，在主成分提取的4個主因子中，各指標分別在4個因子上具有較高載荷，這樣提取的4個主因子被完全分開，容易對4個主成分進行重新命名：X1代表瞳孔變化，X2代表視線變化，X3代表眨眼行為和X4代表量表評分，具有實際應用意義。各成分變量解釋與主因子命名見表5。并且，VIMSL與回歸估計曲線預測值的差異的配對t檢驗結果顯示，模型結果與實際VIMSL差異無統計學意義：t=0.014,P(Sig. (2 -tailed))= 0.989＞ 0.05，且見表6所示，與EFA比，EFA–熵權法的差異性更小。熵權賦值法一定程度上解決了其中存在的主觀因素在EFA法中的影響，將主觀因素與客觀因素建立起統一的模型框架，EFA降維后變量得到新的命名，進一步使各因素權重值更為客觀合理。綜上所述，本研究得到的基于EFA–熵權法的最佳評估模型見式（4）。

表6 EFA與EFA–熵權法t檢驗結果對比Tab.6 Paired t test for EFA and Entropy Weight Method

表7 成分變量解釋與重新命名Tab.7 Interpretation for composition variables and factor renaming

4 結語

本文利用多項眼動指標對虛擬現實暈動癥進行定量評估，構建暈動癥級別與11項測試指標的預測回歸模型，解釋模型的意義及驗證其有效性。該模型適用于研究虛擬現實運動機制的體驗改進，也可以用作虛擬現實暈動癥的暈動疲勞評估。本研究仍存在不足，模型應該進一步考慮運動環境變化帶來的影響，雖然總體樣本量達到分析建立模型的標準，但關于針對虛擬運動環境變化影響的后續研究，目前樣本量仍較少。在之后的研究中，基本思路為繼續增加受試者及添加有效樣本量，建立分段模型，可以把環境變化量化為區間數值，使VIMS評估模型更加具有實用性價值。綜上所述，本研究創新性地選取了眼動指標與主觀量表數據建立回歸模型，同時眼動可作為一種實時反饋受試者狀態的數據信號，為VR系統的人因設計提供研究參考，也為今后解決虛擬現實暈動癥的問題提供更多的理論研究。