基于腦電特征的虛擬現實誘發自動駕駛暈動癥識別

【摘要】針對自動駕駛與虛擬現實技術融合中，因視覺信息與操作信息不匹配引發的暈動癥問題，通過模擬駕駛平臺的主動駕駛與自動駕駛雙任務范式，同步采集受試者的腦電信號，并結合Go/No-go行為范式和標準化暈動癥問卷，探究不同駕駛模式對大腦認知資源分配的影響。結果表明：自動駕駛場景顯著加劇視覺-前庭沖突引發的暈動癥癥狀；基于虛擬現實的自動駕駛容易引起暈動癥，其神經機制表現為Pz、Cz、Fz通道功率譜密度升高（plt;0.05），N200和P300成分的幅值降低與潛伏期縮短（plt;0.05）；構建融合時域ERP、頻域PSD及非線性復雜度的卷積神經網絡分類模型的準確率達到92.7%，為實時監測與優化人機交互設計提供了科學依據。

主題詞：自動駕駛 虛擬現實 暈動癥 腦電特征 卷積神經網絡

中圖分類號：U463.6; TP391" "文獻標志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20240675

Autonomous Driving Motion Sickness Recognition Induced by Virtual Reality Based on EEG

Shao Shuyu1， Zhang Yang1， Fan Xiaoli2

（1. School of Logistics， Beijing Wuzi University， Beijing 101149; 2. Research Laboratory of Aviation Health Protection and Flight Safety， Air Force Medical University， Beijing 100142）

【Abstract】To investigate motion sickness caused by mismatched visual and operational information in the integration of autonomous driving and virtual reality technologies， this paper simultaneously collects electroencephalogram （EEG） signals from participants using a dual-task paradigm that combines active driving and autonomous driving on a simulated driving platform. This approach is complemented by the Go/No-go behavioral paradigm and standardized motion sickness questionnaires to explore the impact of different driving modes on the allocation of brain cognitive resources. Results indicate that autonomous driving scenarios significantly exacerbate motion sickness symptoms due to visual-vestibular conflict. Autonomous driving based on virtual reality is particularly prone to inducing motion sickness. The underlying neural mechanisms are characterized by increased power spectral density in the Pz， Cz， and Fz EEG channels （plt;0.05）， as well as decreased amplitude and shortened latency of the N200 and P300 components （plt;0.05）. Furthermore， a convolutional neural network classification model is constructed that integrates time-domain ERP， frequency-domain PSD， and nonlinear complexity features. The model achieves an accuracy of 92.7%， which provides a scientific basis for real-time monitoring and the optimization of human-computer interaction design.

Key words： Automatic driving， Virtual Reality （VR）， Motion sickness， EEG features， Convolutional Neural Networks （CNN）

1 前言

在自動駕駛場景中，當乘員的視覺感知與車輛加速、轉向等運動特性不匹配時，前庭系統與真實視覺發生感覺沖突，中樞神經系統難以整合矛盾信號，極易引發暈動癥[1-3]。視覺誘發的暈動癥[4]（Visually Induced Motion Sickness，VIMS）主要表現為惡心、嘔吐、眼睛不適和定向障礙等主要癥狀，影響駕駛員身體健康與行車安全[5]。因此，探索自動駕駛場景下暈動癥的機理及識別方法，對于提升用戶體驗和優化人機交互設計具有重要意義。

目前，暈動癥的評估主要依賴任務負荷指數[6]（Task Load Index，TLX）、模擬疾病問卷（Simulator Sickness Questionnaire，SSQ）等主觀問卷，由于個體差異的影響，其評估結果因受試者的生理和心理狀態導致一致性和準確性受限。腦電（Electroencephalogram，EEG）信號具有高時間分辨率且無需侵入性操作等優勢，因而被廣泛用于探究暈動癥的中樞神經機制[7]。柴立寧等[8]通過分析虛擬現實（Virtual Reality，VR）任務態下的腦電樣本熵和功率譜，發現在Delta與Theta頻段，熵值降低、功率譜升高，與暈動癥相關；覃兵等[9]通過視覺旋轉刺激誘發暈動癥，并指出C3通道α波的功率譜密度顯著下降；化成城等[10]通過分析虛擬現實暈動癥暴露任務前后的休息態腦電信號樣本熵、排列熵及中心頻率等特征，提出了基于腦電特征的虛擬現實暈動癥檢測方法。然而，自動駕駛車輛的運動特性（如低頻加速度刺激）可能引發獨特的神經響應模式，但現有研究多聚焦于傳統虛擬現實環境，相關腦電特征尚未系統研究，同時，現有腦電分析方法（如樣本熵、功率譜）在動態駕駛環境中的適用性需進一步驗證。

因此，本文提出一種基于腦電特征的虛擬現實誘發自動駕駛暈動癥識別方法，通過樣本熵、功率譜密度（Power Spectral Density，PSD）及非線性分析方法，揭示自動駕駛場景下VR誘發的腦電動態響應規律與VIMS在動態運動刺激下的特異性神經機制。同時，融合多模態腦電特征，構建暈動癥分類模型，為自動駕駛環境下的暈動癥監測與緩解提供新思路。

2 試驗方法

2.1 受試者

本文試驗共招募21名受試者，其中16名男性，5名女性。受試者年齡為20～24歲，均為右利手。所有受試者符合嚴格的納入標準：視力正常或矯正至正常，無暈動病或心血管疾病史，對自動駕駛汽車技術和虛擬現實系統完全陌生。在測試前已獲得所有受試者的書面知情同意。

2.2 試驗任務

本文采用受試者內交叉設計，主要分為主動駕駛和自動駕駛兩種試驗環境。受試者在連續2天內以隨機順序完成試驗任務，避免潛在的順序效應。每次任務開始時，使用24通道EEG采集系統進行3 min標準化基線記錄，同時，受試者在中立位置的駕駛位上保持安靜休息。試驗任務及流程如圖1所示。

在任務一的第一階段，受試者在駕駛位安靜休息3 min，記錄標準化基線腦電數據，再進行10 min Go/No-go雙任務范式，記錄其腦電數據后，進行1 min SSQ問卷任務。在第二階段，受試者需在VR環境下完成15 min主動駕駛任務，再開展10 min Go/No-go試驗，并記錄其腦電信號，最后，在1 min內完成SSQ問卷。在任務二中，自動駕駛任務階段受試者僅需注視駕駛屏幕即可，其他階段試驗要求與任務一相同。

腦電數據使用24電極Ag/AgCl帽的腦電設備采集，根據國際10-10系統排列[11]，將電極布設在相關頭皮區域，分別為FP1、FP2、F3、F4、Fz、F7、F8、Cz、C3、C4、CPz、T7、T8、Pz、P3、P4、P7、P8、O1、O2。

2.3 數據處理

試驗中，使用MATLAB R2022b、EEGLAB工具箱以及Chronux工具箱對采集的腦電數據進行離線分析。采用0.1～100 Hz模擬帶通濾波（4階巴特沃斯濾波器，-3 dB衰減），以1 000 Hz的采樣率記錄EEG，同時進行數據預處理；使用0.5～50 Hz帶通濾波器對校正后的EEG數據進行數字濾波；利用基于獨立成分分析的EEGLAB工具箱，消除眨眼、眼球運動等偽影。

主觀SSQ數據采用單因素重復測量方差分析，首先，通過單因素重復測量方程分析腦電事件相關（Event-Related Potential，EPR）成分[12]，同時采用Greenhouse-Geisser校正，消除球度違反問題，保證統計結果的穩健性。為了更全面地評估各因素間相互作用，進一步使用效應分析，采用邦費羅尼（Bonferroni）校正對概率值p進行調整，當plt;0.05時，表示該分析在統計學上具有顯著的統計學意義。

3 結果分析

3.1 主觀分析結果

比較不同駕駛條件下受試者暈動癥情況，結果如表1所示。其中，F值為方差變異程度，plt;0.05表示為具有統計學差異，plt;0.01為具有顯著統計學差異。兩種駕駛條件下，所有指標均超過基線水平。與主動駕駛相比，自動駕駛在各維度中SSQ得分均有提升，表明自動駕駛狀態與主動駕駛狀態下具有顯著統計學差異。

Bonferroni校正分析顯示，在主動駕駛狀態下，雖然SSQ得分有所增加，但與自動駕駛狀態下的得分相比，差異不具有統計學意義。自動駕駛狀態的各項指標得分均高于主動駕駛狀態，其中，動眼神經和定向障礙增加明顯，表明該狀態下更容易誘發VIMS，受試者暈動癥癥狀更加嚴重。

3.2 反應抑制Go/No-go范式的ERP分析

前庭系統維持身體平衡和定向控制[13]，而暈動癥是視覺和前庭系統感覺沖突導致的反應抑制。所以可選擇N100、N200、P200、P300等4個ERP成分，反映暈動癥發作中受試者認知神經機制的變化。其中，N100反映感官信息的注意和阻斷[14]；N200反映執行功能和認知控制功能[3]；P200反映大腦對待特定刺激進行有意識的感知、編碼和儲存，以及對個體后續行為和決策的影響[15]；P300反映大腦對刺激信息的評價、決策等認知過程[16]。3種狀態下Go/No-go任務的ERP成分的幅值如表2所示。

由表2可知，相較于靜息基線，主動駕駛與自動駕駛狀態均改變了N200和P300的電生理表征。在錯誤No-go試驗中，2種駕駛模式的N200幅值較基線分別下降12.1%和14.2%（plt;0.05），執行控制功能的抑制效能降低。在正確No-go任務中，N200和P300潛伏期較靜息狀態延長8.3%和11.5%（plt;0.05），反映出決策評估階段的神經延遲。

在Go條件反應中，自動駕駛狀態的N200幅值異常降低，達到18.7%（plt;0.01），表明自動化駕駛環境對預期動作的抑制控制顯著弱化。在No-go錯誤抑制任務中，N200-P300復合時程的相位同步性較主動駕駛模式下降23.6%（plt;0.05），此時自動駕駛可能通過干擾前額葉-頂葉執行網絡導致認知控制失衡，表現出更顯著的神經適應性改變。

主動駕駛和自動駕駛狀態下，Go/No-go范式的N100幅值變化未表現出顯著差異，表明在不同駕駛狀態下，受試者的注意力較為集中。P200的幅值變化也未出現明顯差異，說明受試者的注意、記憶等高級認知加工過程變化較小。

因此，主動駕駛和自動駕駛所引起的VIMS均會引起Go/No-go范式EPR的N200和P300幅值的變化，表明人的反應抑制功能相關的神經震蕩機制受N200和P300影響，其幅值的變化能夠表征暈動癥發作時人體的認知行為及操作途徑受阻，證明了Go/No-go范式在反應抑制的誘導和測量方面有效。所以，可選擇電極位點Pz、Fz和Cz進行時域、頻域分析及ERP分析。

3.3 不同駕駛狀態下功率譜密度分析

通過計算不同頻率腦電信號的功率譜密度，反映大腦在不同狀態下的功能差異[17]。為了深入研究駕駛狀態對大腦活動的影響，對受試者在主動駕駛和自動駕駛狀態下的腦電信號進行功率譜密度分析。對于每個受試者，分別計算兩種測試狀態的第d個通道、第c個頻帶功率譜密度均值：

[DPSD，c，d=12k=011Wkl=1WkDPSD，c，d，kl] （1）

式中：k=0、k=1分別為主動駕駛狀態和自動駕駛狀態，Wk為各狀態下功率譜密度的個數，l為在狀態k的局部索引。

21位受試者在主動駕駛狀態和自動駕駛狀態下Go/No-go范式的功率譜密度表3所示。與主動駕駛相比，自動駕駛狀態下受試者Go/No-go的PSD均值在Pz、Cz、Fz通道下均顯著提升，自動駕駛任務增加了大腦在該區域的活動量，大腦對視覺信息與操作信息不匹配的處理負擔加重。在Fz頻帶中，自動駕駛狀態下的PSD均值升高更為顯著，說明在自動駕駛狀態下，受試者的暈動癥更容易被誘發。

3.4 反應抑制的ERP波形圖和非線性分析

根據反應抑制Go/No-go范式的ERP分析可知，在自動駕駛狀態下，操作者的暈動癥較明顯，此時其對應的Go/No-go范式的ERP對應的Cz、Fz和Pz變化曲線如圖2所示。

由圖2可知，在N200和P300腦電成分的幅值分析中，任務條件（自動駕駛/主動駕駛）呈現顯著主效應（F=85.71，p=0.043）。在需要響應抑制的任務條件下，自動駕駛的N200幅值低于主動駕駛（plt;0.05），而P300幅值則顯著高于主動駕駛（plt;0.05）。這一神經電生理差異表明N200幅值與抑制控制的效率呈正相關，同時反映了個體對干擾信號的抑制能力。P300幅值的升高則表征工作記憶資源分配的增加以及選擇反應的認知負荷加重。

在電極特異性分析中，N200成分的Fz電極位置具有顯著主效應（F=82.71，p=0.031），表明該電極對抑制控制過程的神經編碼具有特異性貢獻。P300成分的Pz電極位置同樣呈現顯著主效應（F=78.24，p=0.028），提示其對工作記憶資源分配的敏感性。中央區Cz電極未表現出顯著差異（pgt;0.05）。

通過Go/No-go范式的刺激類型分析發現，N200成分未檢測到顯著的刺激類型主效應（pgt;0.05），但觀察刺激類型與任務條件交互作用效果明顯（F=72.34，p=0.027），說明不同刺激類型對抑制控制的影響依賴于具體的駕駛模式。P300成分不僅呈現顯著的刺激類型主效應（F=71.25，p=0.013），還與任務條件存在顯著交互作用（F=68.42，p=0.018）。

對于N200和P300的潛伏期，均存在時間的主效應（F=87.71，p=0.038），自動駕駛的潛伏期比主動駕駛的潛伏期短。N200和P300潛伏期的電極的主要效應不顯著（pgt;0.05），但是刺激類型的主效應顯著（F=85.43，p=0.036）。與標準刺激相比，偏離刺激的潛伏期更短。此外，N200的刺激類型與時間的交互作用顯著（F=71.62，p=0.021），與主動駕駛相比，只有標準刺激的潛伏期在自動駕駛中顯著降低，P300交互作用無顯著差異（pgt;0.05）。

考慮到大腦的復雜性和非線性特性，非線性分析可以揭示EEG信號中可能存在的時域和頻域分析中無法捕捉的獨特特征，如注意力分配的變化、感知沖突的處理、以及大腦對動態視覺信息的適應性調整等[18]。在非線性分析中，樣本熵分析是一種新的度量時間序列復雜性的方法，通過度量信號中產生新模式的概率大小來衡量時間序列復雜性[19]，新模式產生的概率越大，序列的復雜度越大，該時間序列的樣本熵值越大。反之，序列的復雜度越小，樣本熵值越小。樣本熵具體計算步驟為：

a. 將原始信號序列u（1），u（2），…，u（N）按照順序重構m維向量[xm（t）=[u（i），u（i+1）...，u（N+m-1）]]，其中[1≤i≤N-m+1]。

b. 定義矢量X（i）和矢量X（j）間的最大距離為d[X（i），X（j）]，共計算（N-m）次，距離[d[Xm（i），Xm（f）]=max|x（i+k）-x（j+k）|]，其中，[0≤k≤m-1，1≤i，j≤N-m+1，i≠j]。

c. 給定相似容量rgt;0，并將其與（N-m）個d[X（i），X（j）]比較，若d[X（i），X（j）]lt;r，表示當前距離對應的2個子序列間具有相似性，再統計符合該情況的數量及矢量總數（N-m-1）的比值[Bmi（r）=nb{dXm（i），Xm（j）lt;r}N-m-1（j≠i）]。其中，b為距離小于相似容量r的子序列對的數量。

d. 計算[Bmir]的平均值，重復上述步驟，當維數m?m+1，計算此時的樣本熵[nSEm，r=limN→∞-lnBm+1rBmr]。

基于樣本熵計算結果如圖3所示。在主動駕駛狀態中，受試者的EEG信號樣本熵值相對較小，此時大腦神經活動呈現高度自組織性及低時間復雜性的特征。在自動駕駛狀態中，受試者EEG信號的樣本熵增幅較大，EEG信號的非線性動力學特性顯著增強，說明此類神經活動的復雜化趨勢與前庭-視覺系統沖突引發的認知資源重構密切相關。因此，樣本熵值的升高指示大腦在處理運動感知任務時，其信息處理的不確定性顯著增加，這種神經表征的改變可作為暈動癥發生發展的生物標志物，并與前額葉-頂葉功能連接的異常調節存在顯著相關性。

3.5 基于CNN的暈動癥分類

為了驗證腦電特征對暈動癥的特異性表征能力，本文使用卷積神經網絡（Convolutional Neural Networks，CNN）進行分類，將腦電特征劃分有暈動癥狀和無暈動癥狀。模型的輸入為多維度腦電特征張量，包括時域ERP成分（N200和P300的幅值）、頻域功率譜密度以及非線性樣本熵特征，通過三維卷積核（時間、頻率、空間）提取跨模態的特征信息。

CNN模型的網絡架構包含4個卷積模塊：首層采用32個3×3×3卷積核提取局部時空-頻譜特征；第二層通過通道注意力機制增強關鍵頻段權重；第三層采用空洞卷積擴大感受野，捕捉長程節律耦合；末層通過全局平均池化，生成128維特征向量；最后，經全連接層輸出分類概率。

將本文模型與BP（Back Propagation）神經網絡和支持向量機（Support Vector Machines，SVM）進行對比。采用五折交叉驗證策略，以受試者獨立劃分方式確保模型泛化性，結果如表4所示。

由表4可知，在暈動癥分類任務中，CNN模型通過融合ERP動態特征與非線性熵特征，準確率提升至92.7%，對早期暈動癥的敏感性能夠達到為89.4%，特異性為91.6%，ROC曲線下面積（Area Under Curve，AUC）高達0.93，能夠實現暈動癥的實時監測。

模型加權融合后生成的暈動癥檢測受試者狀態特征（Receiver Operating Characteristic，ROC）曲線如圖4所示。CNN檢測模型對暈動癥的敏感性最強，AUC能夠達到0.93，說明模型對暈動癥的檢出率最高，而且虛報率最低，進一步證明CNN模型在自動駕駛場景下的暈動癥檢測中具有較高的準確性和可靠性。

4 結束語

本文基于腦電信號的客觀檢測方法，揭示了自動駕駛場景下的暈動癥特異性神經機制，通過構建高效分類模型，顯著提升了暈動癥檢測的實時性與準確性。未來，可結合事件相關電位、信號功率及耦合節律波等神經影像學方法，進一步挖掘虛擬現實環境下自動駕駛暈動癥的發生與發展規律。同時，利用大腦在暈動癥下的神經震蕩特征，構建暈動癥快速檢測與評估模型，提高模型的魯棒性。

參 考 文 獻

[1] 顧展滔， 丁玎， 陳亦婷， 等. 面向虛擬現實暈動癥的評估與緩解方法[J]. 浙江大學學報（理學版）， 2025， 52（1）： 30-37.

GU Z T， DING D， CHEN Y T， et al. Evaluation and Mitigation Methods for Virtual Reality Motion Sickness[J]. Journal of Zhejiang University （Science Edition）， 2025， 52（1）： 30-37.

[2] 高振海， 金勵辛， 高菲， 等. 自動駕駛車輛暈動癥研究綜述[J]. 汽車技術， 2022（8）： 1-9.

GAO Z H， JIN L X， GAO F， et al. A Research Review on Motion Sickness in Autonomous Vehicles[J]. Automobile Technology， 2022（8）： 1-9.

[3] ZHENG Y G， SHYROKAU B， KEVICZKY T. Mitigating Motion Sickness with Optimization-Based Motion Planning[J]. IEEE Transactions on Intelligent Vehicles， 2024， 9（1）： 2553-2563.

[4] 趙蕾蕾， 李翀， 季林紅， 等. 基于虛擬現實的自動駕駛模式中暈動受試者的腦電特征[J]. 清華大學學報（自然科學版）， 2020， 60（12）： 993-998.

ZHAO L L， LI C， JI L H， et al. EEG Characteristics Of Motion Sickness Subjects In Automatic Driving Mode Based on Virtual Reality Tests [J]. Journal of Tsinghua University （Science and Technology）， 2020， 60（12）： 993-998.

[5] WU J T， ZHOU Q X， LI J X， et al. Inhibition-Related N2 and P3： Indicators of Visually Induced Motion Sickness （VIMS）[J]. International Journal of Industrial Ergonomics， 2020， 78.

[6] VLAHOVIC S， SKORIN-KAPOV L， SUZNJEVIC M， et al. Not just Cybersickness： Short-Term Effects of Popular VR Game Mechanics on Physical Discomfort and Reaction Time[J]. Virtual Reality， 2024， 28（2）.

[7] SIDDIQI M R， MILANI S， JAZAR R N， et al. Ergonomic Path Planning for Autonomous Vehicles-An Investigation on The Effect of Transition Curves on Motion Sickness[J]. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（7）： 7258-7269.

[8] 柴立寧， 化成城， 周占峰. 基于腦電樣本熵功率譜的VR誘發暈動癥分析[J]. 電子測量技術， 2022， 45（20）： 43-52.

CHAI L N， HUA C C， ZHOU Z F. Analysis of Motion Sickness Induced by VR Based on Sample Entropy and Power Spectrum of EEG[J]. Electronic Measurement Technology， 2022， 45（20）： 43-52.

[9] 覃兵， 伍彪， 周璐， 等. 視覺誘發暈動癥的腦電特征研究[J]. 生命科學儀器， 2021， 19（6）： 35-40.

TAN B， WU B， ZHOU L， et al. Study on EEG Characteristics of Visually Induced Motion Sickness[J]. Life Science Instruments， 2021， 19（6）： 35-40.

[10] 化成城， 柴立寧， 周占峰， 等. 基于變分模態分解的休息態虛擬現實暈動癥腦電自動檢測[J]. 電子測量與儀器學報， 2024， 38（2）： 171-181.

HUA C C， CHAI L N， ZHOU Z F， et al. Automatic EEG Detection of Virtual Reality Motion Sickness in Resting State Based on Variational Mode Decomposition[J]. Journal of Electronic Measurement and Instrumentation， 2024， 38（2）： 171-181.

[11] 張朋， 周前祥， 于洪強， 等. 基于EEG信號特征的腦力疲勞快速檢測方法[J]. 北京航空航天大學學報， 2023， 49（1）： 145-154.

ZHANG P，ZHOU Q X，YU H Q，et al. Fast Detection Method of Mental Fatigue Based on EEG Signal Characteristics[J]. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（1）： 145-154.

[12] WANALEE K， VORASITH S， BENCHAPORN A， et al. Effects of Cathodal Transcranial Direct Current Stimulation on Inhibitory and Attention Control in Children and Adolescents with Attention-Deficit Hyperactivity Disorder： A Pilot Randomized Sham-Controlled Crossover Study[J]. Journal of Psychiatric Research， 2022， 150： 130-141.

[13] LIU H L， INOUE S， WADA T. Subjective Vertical Conflict Model with Visual Vertical： Predicting Motion Sickness on Autonomous Personal Mobility Vehicles[J]. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（8）： 9878-9894.

[14] MISHRA B， TARAI S， RATRE V， et al. Processing of Attentional and Emotional Stimuli Depends on Retrospective Response of Foot Pressure： Conceptualizing Neuron-Cognitive Distribution in Human Brain[J]. Computers in Biology and Medicine， 2023， 164.

[15] LIU Y， WANG W J， XU W G， et al. Quantifying the Generation Process of Multi-Level Tactile Sensations via ERP Component Investigation[J]. International Journal of Neural Systems， 2021， 31（12）.

[16] KIM J， CHO Y S， KIM S P. Task-Relevant Stimulus Design Improves P300-Based Brain-Computer Interfaces[J]. Journal of Neural Engineering， 2024， 21（6）.

[17] YANG B B， HUANG Y H， LI Z Y， et al. Management of Post-Stroke Depression （PSD） by Electroencephalography for Effective Rehabilitation[J]. Engineered Regeneration， 2023， 4（1）： 44-54.

[18] Reddy S C， Reddy R M. Nonlinear Difference Subspace Method of Motor Imagery EEG Classification in Brain-Computer Interface[J]. Digital Signal Processing， 2024， 155.

[19] 羅志增， 魯先舉， 周瑩. 基于腦功能網絡和樣本熵的腦電信號特征提取[J]. 電子與信息學報， 2021， 43（2）： 412-418.

LUO Z Z， LU X J， ZHOU Y. EEG Feature Extraction Based on Brain Function Network and Sample Entropy[J]. Journal of Electronics and Information Technology， 2021， 43（2）： 412-418.

（責任編輯 瑞 秋）

修改稿收到日期為2024年9月9日。