基于脑功能网络的虚拟现实晕动症检测

摘要

基于对不同眩晕状态下的脑电信号(EEG)解码提出有效的检测方案，有助于研究虚拟现实晕动症的缓解方法．本文采用多元变分模态分解将EEG划分为5个频段，并根据晕动症量表结果将数据划分为不同眩晕状态组，利用PLV(锁相值)方法计算EEG频段内和频段间的功能连接以构建超邻接矩阵，并基于SVM(支持向量机)和CNN(卷积神经网络)等模型进行分类识别．研究结果显示，聚类系数、局部效率和加权节点度三种具有显著性差异的拓扑特征融合后，在检测眩晕和非眩晕，高眩晕和低眩晕两个任务中的最高平均分类准确率分别为91.70%和96.00%．此外，本文还将超邻接矩阵直接输入CNN模型，在两个任务中得到的平均分类准确率分别达到93.40%和98.50%．结果表明，本研究所提方法可用于虚拟现实晕动症的检测，并可为进一步研究晕动症对各脑区功能耦合的影响提供参考．

关键词

虚拟现实晕动症 / 脑电信号(EEG) / 多元变分模态分解 / 脑功能连接 / 网络拓扑特征

基金资助

国家自然科学基金(62206130); 江苏省自然科学基金(BK20200821); 南京信息工程大学科研启动经费(2020r075); 江苏高校教育信息化研究课题(2023JSETKT032)