Virtual accident curb risk habituation in workers by restoring sensory responses to real-world warning

Namgyun Kim; Laurent Grégoire; Moein Razavi; Niya Yan; Changbum R. Ahn; Brian A. Anderson

doi:10.1016/j.isci.2022.105827

iScience。2023年1月20日；26(1): 105827.

2022年12月17日在线发布。数字对象标识：2016年10月10日/j.isci.2022.105827

预防性维修识别码：PMC9830218型

PMID：36636343

虚拟事故通过恢复对真实警告的感官反应来抑制工人的风险习惯化

Namgyun Kim（南云金）,^1,⁵ 劳伦特·格雷戈里,^2,⁵ 莫伊恩·拉扎维,^三妮娅·燕,² 昌布·R·安,^4,^6,^∗和布莱恩·安德森^2,^∗∗

作者信息文章注释版权和许可信息 PMC免责声明

关联数据

数据可用性声明

•
数据：实验数据可从引线触点应合理要求。
•
代码：本文不报告原始代码。
•
附加信息：重新分析本文中报告的数据所需的任何附加信息可从引线触点根据要求。

总结

在高风险的工作环境中，工人会习惯于他们经常遇到的危险，从而低估风险并从事不安全的行为。这种现象被称为“风险习惯化”，并被确定为工作场所死亡和受伤的重要根源。提供有效的干预措施，抑制工人的风险习惯化，对于预防职业伤害和死亡至关重要。然而，没有经验支持的干预措施来抑制风险习惯化。为此，我们调查了在虚拟现实（VR）环境中经历事故如何影响工人对反复暴露的工作场所危险的风险习惯。我们在感觉层面检查了风险习惯化的潜在机制，并通过脑电图（EEG）评估了事故干预的效果。治疗前后的分析结果表明，经历虚拟事故在行为和感官层面上都有效地抑制了风险习惯化。这些发现为职业安全培训开辟了新的前景。

主题领域：行为神经科学、认知神经科学、神经科学技术

图形摘要

在单独的窗口中打开

集锦

•
工人表现出对警告信号感觉习惯的神经证据
•
简短的虚拟现实（VR）训练缓解了这种习惯化
•
VR体验还增强了工人对工作中危险的警惕行为
•
VR是一种很有前途的干预工具，可以抑制工人的风险习惯

行为神经科学；认知神经科学；神经科学技术

介绍

人类可以习惯于各种感官信号。¹^,²^,^三在高风险工作场所，工人往往习惯于与他们经常执行的任务相关的风险，从而从事不安全的行为。⁴^,⁵^,⁶^,⁷^,⁸^,⁹^,¹⁰这种行为倾向被定义为风险习惯化，并被确定为职业伤害和死亡的关键因素之一。⁹^,¹¹例如，在道路作业区，工人对接近突发危险（如施工车辆）的警惕性在频繁接触后容易降低。¹²^,¹³^,¹⁴^,¹⁵^,¹⁶在许多建筑车辆和行人之间发生致命事故的情况下，建筑车辆的行驶速度低于每小时10英里⁹^,¹²^,¹⁷; 工人们未能避开接近的车辆，因为他们忽视了车辆发出的警报。¹⁸

尽管定期进行了安全培训，但工人往往只专注于他们的工作任务，而忽视了他们经常遇到的危险。¹⁹^,²⁰^,²¹因此，控制工人的风险习惯对于防止工作场所的伤亡至关重要。理论上，当刺激诱发的反应振幅（例如，大脑中的感官反应强度）和/或频率（例如，刺激诱发的行为反应数量）随着重复接触而降低时，可以确定人类的习惯化。¹^,^三^,²²^,²³在现实环境中观察工人风险习惯化的发展过程非常具有挑战性，²⁴因此，科学文献中对风险习惯化的处理主要是在概念层面上。目前很少有直接测量和量化工人风险习惯化的研究，也没有经验支持的干预措施来抑制工人的风险习惯化，尤其是在感官层面。

虚拟现实技术的进步为观察工人的风险习惯提供了解决方案。虚拟现实技术使我们能够让工人接触到接近真实的危险情况，而不会冒实际受伤的风险，并观察工人在反复接触工作场所危险时的行为。²⁵^,²⁶^,²⁷^,²⁸VR还允许我们在观察到工人的风险习惯时提供具有时间敏感性的干预措施。在我们之前的研究中，我们开发了一种观察方法和干预措施，利用虚拟现实技术抑制风险习惯化的行为指标。²⁹我们的干预基于一次性快速学习和与显著情景记忆相关的人类行为的实质性变化的原则。³⁰^,³¹^,³²理论上，过去经历过工伤或事故的工人会意识到与工作场所危险相关的更大风险，并倾向于行为更安全。⁴^,¹²^,³³在我们之前的研究中，为了在参与者对经常遇到的危险的风险感知中引发类似的变化，我们让天真的学生参与者接触到一次虚拟事故。²⁹此外，为了实证检验虚拟事故对风险习惯化的影响，我们创建了一个可以测量视觉注意力的虚拟工作环境。虚拟现实环境使参与者暴露在与施工车辆相关的反复敲击危险中，并测量参与者对这些施工车辆发出的听觉警报的警惕性定向行为。在实验过程中，参与者在习惯行为出现时经历了一场虚拟事故。尽管经历了虚拟现实事故，学生参与者的警惕行为有所提高，²⁹这种警惕的行为可以简单地反映出对所揭示的威胁的补偿性目标导向注意力（即，参与者一旦知道车辆可能在VR任务中袭击他们，就会主动监控车辆的运动）。这种警惕行为是否是警报感官体验处理方式发生变化的结果尚不清楚，这种干预是否会抑制经验丰富的建筑工人的行为，这些工人的现实世界风险习惯化程度很高。为此，本研究旨在从感官层面考察经历虚拟现实事故的后果。

在这里，我们使用脑电图（EEG）检查了工人风险习惯化的潜在神经指标。事件相关电位（ERP）提供了一种高时间精度的刺激诱发神经反应测量方法。³⁴ERP可以让我们确定经历VR事故是否会改变注意力处理的早期或晚期阶段。早期成分的调制被认为与感知、更自动的处理有关，³⁵而后面的组成部分通常与更具战略性、可控的认知过程相关联。³⁶在VR干预前后进行的两次实验中，我们记录了ERP，以使用等概率范式（oddball范式的变体）报警和控制声音³⁷^,³⁸). 警报声音与我们的虚拟现实环境和真实建筑工地中使用的警报信号类似。我们主要关注两个ERP成分，一个是早期（N1），另一个是晚期（P3），已知它们对听觉习惯化很敏感。³⁹^,⁴⁰^,⁴¹因此，EEG测量旨在阐明VR环境中发生事故后，风险习惯化减弱为警告信号的认知机制。我们假设，与控制声音相比，建筑工人对警报声音的ERP反应迟钝，这种差异要么会减小，要么会在经历虚拟事故后消失。N1分量的这种结果将为VR事故体验对警报信号自动感官处理的影响提供直接证据。相反，P3成分的相同结果表明，VR事故后观察到的警惕行为增加²⁹源于受控的认知过程，如目标导向的注意机制。我们认为，由N1成分反映的自动感觉处理的改变将对行为产生更持久的影响，因此，将有力支持VR干预的实用性，以遏制建筑工人的危险居住。

结果

针对听觉警报的警觉定向行为减少

由于重复暴露于工作场所的危险可能会导致工人警惕行为的减少，这是风险习惯化的注意后果，我们研究了（1）工人警惕行为减少的程度，以反复暴露于施工车辆的听觉警报和（2）参与者警惕性低导致的VR事故体验的有效性(图1A） ●●●●。在施工现场，工人往往将大部分注意力集中在工作任务上，而较少关注周围的危险。⁴²^,⁴³^,⁴⁴因此，为了创建一个身临其境的虚拟环境并加速参与者的习惯化，我们设计了一个虚拟道路清洁任务。这项任务包括清除所有碎片，并用扫帚清洁整个路面。参与者的实际/身体清扫动作通过连接在真实扫帚上的动作控制器在VR环境中同步(图1B） ●●●●。在实验中，当参与者执行道路清洁任务时，建筑车辆不断来回移动。音响警报响起，警告车辆附近(图1C） ●●●●。通过测量参与者对即将到来的危险的视觉注意力的减少，可以从经验上严格观察风险习惯化的发展。⁴⁵^,⁴⁶因此，我们使用VR耳机中嵌入的眼动追踪传感器测量了参与者的警惕定向行为(图1D） ●●●●。一次危险暴露被定义为车辆在参与者后面移动的一次相互运动。在每次暴露于危险中时，当参与者回头检查驶来的车辆时，记录下响应时间，即发出听觉警报和参与者危险检查行为之间的经过时间。还记录了警惕行为的频率（检查率）。VR事故是由于反复忽视接近的车辆而触发的（参见图1E和STAR方法).

在单独的窗口中打开

图1

实验程序和干预模型

（A）实验时间表。每个实验环节包括VR实验（之前进行练习）和EEG环节，测量对信号的感官反应。这两次实验间隔一周进行。

（B）虚拟现实实验装置示意图，其中包括虚拟现实耳机、运动控制器和嵌入虚拟现实耳机中的跟踪传感器。参与者的任务是清除所有碎片，并用扫帚清扫整个路面。参与者的实际/物理清扫动作通过连接在真实扫帚上的动作控制器在VR环境中同步。

（C–E）实验和干预场景示意图。当参与者执行道路清洁任务时，施工车辆不断来回移动。音响警报响起，以警告车辆附近。追踪眼球的传感器记录了参与者的警惕性定向行为。参与者对接近车辆的无知引发了一场虚拟现实事故。

（F） VR道路施工环境概述场景。

（G和H）参与者使用带运动控制器的真扫帚执行虚拟道路清洁任务。

（I）参与者在虚拟现实任务中警惕定向行为以检查接近的危险的例子。

在第一次虚拟现实会话中，31名参与者中有20人经历了因忽视接近的车辆而引发的虚拟现实事故（即事故组；AG），11名参与者没有经历事故，因为他们在执行任务时进行了定期危险检查（即无事故组；NAG）。

反复接触触电危险是否会延迟工人在虚拟现实环境中的警惕行为？为了回答这个问题，我们测试了一个二元线性回归模型。AG回归模型积极预测参与者在第一次VR会话中的反应时间（警惕性定向行为）(图2A；对² = 0.13,F类（154）=7.16，p=0.008；B类₁=0.49，p=0.008，95%置信区间[CI]（0.13，0.85））。随着危险暴露次数的增加，AG的警惕行为被推迟。因此，AG的参与者经历了VR事故。NAG的回归模型也很显著(图2A；对² = 0.02,F类（1249）=5.78，p=0.017；B类₁=0.13，p=0.033，95%置信区间（0.02,0.25））。然而对²数值相对较低，因为NAG的参与者一直对危险保持警惕。因此，反复接触危险和工人警惕行为之间的联系减弱了。为了进一步研究AG和NAG之间习惯化倾向的差异，我们测试了一个多元线性回归分析模型(图2A；对² = 0.08,F类（3303）=8.92，p<0.001）。结果表明，反应时间与VR事故发生的交互作用接近显著(B类_三=0.36，p=0.052，95%置信区间=−0.01，0.71）。第一次VR会议的结果表明，随着危险暴露次数的增加，AG的警惕性定向行为减缓，最终导致VR事故的触发。另一方面，NAG的警惕性定向行为并没有随着时间的推移而显著减缓。因此，为了补充响应时间分析的结果，我们分析了参与者警惕性定向行为的频率（检查率）。AG和NAG的检查率有显著差异(图2B类；Z轴=217，p<0.001）。这进一步表明，与AG相比，NAG对接近危险的注意程度更高，因此没有发生VR事故。

在单独的窗口中打开

图2

行为风险习惯化与VR事故的发生

（A） VR事故发生对第一次VR会话响应时间的影响斜率（参见STAR方法第节了解详细信息）。阴影包络线表示线性模型预测的95%置信区间。

（B） NAG和AG检查行为的平均频率（检查率）。包括平均值的标准误差条。

单一VR事故体验对警觉定向行为的干预作用

按照风险习惯化的行为指标经历一次单独的虚拟现实事故能抑制忽视相关危险的倾向吗？干预效果是否持续？为了回答这些问题，我们要求参与者在第一次参与一周后完成虚拟现实任务。AG的多元线性回归模型的结果，检验了曝光次数在响应时间在第二次虚拟现实会话中，表明响应时间在第二个VR会话中以及在第一个VR会话中的VR事故体验(图3A；B类_三=0.45，p=0.007，95%CI=0.12，0.77），而这种相互作用在NAG中不显著(图3C类；B类_三=0.09，p=0.29，95%置信区间=-0.08，0.26）。此外，AG表现出显著差异(图3B类；t吨₁₉=−11.09，p<0.001，95%置信区间（−73.98，−50.48），d日=−3.08），而NAG没有(图3D类；t吨₁₀=0.52，p=0.62，95%置信区间（-0.12，0.18），d日 = 0.20). 在经历了第一次VR事故后，AG在第二次VR中表现出了持续的警惕性定向行为。结果证实，经历一次因忽视危险而引发的单一VR事故可以缓解参与者的习惯性，增加参与者的警惕性定向行为。

在单独的窗口中打开

图3

提高警觉定向行为的干预效果

（A）曝光次数对每个VR会话AG响应时间的影响斜率。阴影包络线表示线性模型预测的95%置信区间。

（B）每个VR会话的AG平均检查率。在每个方框上，中央标记指示中间值。晶须延伸到最高值和最低值。

（C）每次VR会话中NAG中曝光次数对响应时间的影响斜率。阴影包络线表示线性模型预测的95%置信区间。

（D）每个VR会话的NAG平均检查率。在每个方框上，中心标记表示中间值。晶须延伸到最高值和最低值。

报警感知加工的干预效应

参与者在第一次虚拟现实训练之前和第二次训练之后，被动地听警报声和匹配的控制声，同时用脑电图记录对这些声音的神经反应。大平均ERP波形作为每个EEG会话的声音类型的函数进行了说明图4。在220–420 ms时间窗口内进行的分析揭示了声音类型的主要影响，F类（1，18）=16.44，p<0.001， $η_{对}^{2}$ =0.477，控制声音的ERP振幅高于警报声音，会话没有显著的主效应，F类（1，18）=0.24，p=0.627， $η_{对}^{2}$ =0.013，声音类型和会话之间没有显著交互作用，F类（1，18）=2.53，p=0.129， $η_{对}^{2}$ = 0.123. 这些结果表明，在两次训练中，对控制声音的早期关注度要高于对警报声音的持续关注度。

在单独的窗口中打开

图4

Cz-Fz电极位置的警报和控制声音的大平均ERP波形

（A） VR训练之前和（B）之后。灰色矩形表示所分析的三个ERP组件的时间窗口。

在540–660 ms时间窗口内进行的分析显示了声音类型的重要主要影响，F类（1，18）=8.15，p=0.011， $η_{对}^{2}$ =0.312，控制声音的ERP振幅高于警报声音的ERP振幅，会话没有显著的主要影响，F类（1，18）=0.49，p=0.494， $η_{对}^{2}$ =0.026，至关重要的是，声音类型和会话之间存在显著的交互作用，F类（1，18）=5.12，p=0.036， $η_{对}^{2}$ =0.222，表明VR训练后控制音和报警音的ERP幅度差异显著降低。后续t吨-测试表明，在VR训练之前，控制声音的ERP振幅显著大于警报声音的ERP幅度，t吨（18） =3.06，p=0.007，d日=0.70，而在VR训练后，两种声音之间的ERP振幅没有显著差异，t吨（18） =0.58，p=0.284，d日 = 0.13.

在804-980 ms时间窗口内进行的分析也揭示了声音类型的主要影响，F类（1，18）=12.64，p=0.002， $η_{对}^{2}$ =0.413，警报声的ERP振幅高于控制声，会话的主要影响不显著，F类（1，18）=0.15，p=0.706， $η_{对}^{2}$ =0.008，声音类型和会话之间没有显著交互作用，F类（1，18）=0.70，p=0.413， $η_{对}^{2}$ = 0.037. 因此，对警报声音的后期关注度高于对控制声音的关注度，并且这一效果在两次训练中没有差异。

VR培训中至少经历过一次事故的参与者（N=16）

在删除了VR培训中没有发生事故的参与者后，我们进行了与上述相同的分析(N个 = 3). 结果与在整个组中观察到的结果总体一致（详见下文）。唯一显著的差异是在220–420 ms时间窗口内观察到的。

大平均ERP波形作为每个EEG会话中声音类型的函数进行了说明图5。在刺激开始后的220–420 ms时间窗口内进行的分析显示，声音类型的主要影响显著，F类（1，15）=10.49，p=0.006， $η_{对}^{2}$ =0.412，控制声音的ERP振幅高于警报声音，会话没有显著的主效应，F类（1，15）=0.25，p=0.628， $η_{对}^{2}$ =0.016，声音类型和会话之间的交互接近显著性，F类（1，15）=4.22，p=0.058， $η_{对}^{2}$ =0.220，表明VR训练后控制音和报警音的ERP幅度差异趋于减小。后续t吨-测试表明，在VR训练之前，控制声音的ERP幅度显著大于警报声音的ERP幅度，t吨（15） =3.19，p=0.006，d日=0.80，而在VR训练后，两种声音之间的ERP振幅没有显著差异，t吨（15） =0.82，p=0.423，d日 = 0.21.

在单独的窗口中打开

图5

用于报警和控制声音的Cz和Fz电极位置的大平均ERP波形

（A）在VR训练之前和（B）之后，参与者在两次VR训练中至少经历了一次事故（N=16）。灰色矩形表示所分析的三个ERP组件的时间窗口。

刺激开始后540-660ms时间窗内进行的分析显示，声音类型的主要影响显著，F类（1，15）=6.04，p=0.027， $η_{对}^{2}$ =0.287，控制声音的ERP振幅高于警报声音，会话没有显著的主效应，F类（1，15）=2.18，p=0.160， $η_{对}^{2}$ =0.127，至关重要的是，声音类型和会话之间存在显著的交互作用，F类（1，15）=8.84，p=0.009， $η_{对}^{2}$ =0.371，表明VR训练后控制音和报警音的ERP幅度差异显著降低。后续t吨-测试表明，在VR训练之前，控制声音的ERP振幅显著大于警报声音的ERP幅度，t吨（15） =3.01，p=0.009，d日=0.75，而在VR训练后，两种声音之间的ERP振幅没有显著差异，t吨（15） =0.26，p=0.801，d日 = 0.06.

刺激开始后804-980 ms时间窗内进行的分析显示，声音类型的主要影响显著，F类（1，15）=8.71，p=0.010， $η_{对}^{2}$ =0.367，警报声的ERP振幅高于控制声，会话的主要影响不显著，F类（1.15）=0.08，p=0.778， $η_{对}^{2}$ =0.005，声音类型和会话之间没有显著交互作用，F类（1，15）=0.95，p=0.345， $η_{对}^{2}$ = 0.059.

讨论

我们开发了一个虚拟现实安全培训环境，让经验丰富的建筑工人反复受到危险的打击，并根据风险习惯化的注意后果模拟虚拟事故。我们警告参与者潜在的触电危险，并要求他们注意接近的车辆，以确保安全。然而，在实验期间，参与者习惯了反复接触与突发危险相关的警报，并且主要集中在执行道路清洁任务上。我们的数据显示，总体而言，参与者在VR任务中越来越不注意突发危险，其中很大一部分建筑工人在反复忽视危险后发生了虚拟事故。我们的研究结果表明，建筑工人的风险习惯化可以在有意设计的虚拟现实环境中观察到，从而提供了操纵和干预风险习惯化的可能性，风险习惯化是工作场所致命事故的主要原因。

我们进一步研究了经历单一VR事故对抑制风险习惯化的干预效果。经历VR事故显著影响了参与者的风险习惯。对于经历VR事故的参与者，在第二次测试中不再观察到视觉检查反应时间的逐渐减慢，并且参与者警惕性定向行为的频率（检查率）在各次测试中显著增加，干预效果持续至少一周。这些发现与之前的概念研究结果相吻合，这些研究声称，在现实生活中经历过工伤或事故的工人往往会感知到与工作场所危险相关的更大风险。⁴^,¹²^,³³这项研究的结果还表明，虚拟现实作为一个一次性学习平台的潜力，可以通过显著而难忘的事故经历，使工人的行为发生快速变化。

我们的研究结果还表明，个体工人有不同的风险习惯化倾向。在虚拟现实任务中，一些参与者在两次虚拟现实会话中都以警惕的方式对警告警报做出了持续的反应。然而，在第一节课中参与VR事故的参与者经常忽视接近的施工车辆，并表现出迅速衰退的警惕性定向行为。因此，我们的虚拟现实任务区分了或多或少倾向于风险习惯化的参与者。直接测量工人在虚拟现实环境中的行为反应，可以帮助研究人员和施工安全管理人员确定哪些工人易受风险影响或易受风险习惯影响，从而提供量身定制的安全培训。这种量身定制的安全培训还可以帮助工人认识到他们对反复遇到的工作场所危险的风险习惯化倾向，并让他们了解何时会从事危险行为。

脑电图数据分析结果也支持我们的VR训练对恢复工人对警告信号的感觉反应的干预效果。EEG数据与VR会话中观察到的行为效应一致，尤其是在540–660 ms时间窗口内测量的ERP成分，这可能反映了N1，因为该成分是听觉刺激开始后记录的第一个负波反应。⁴⁷N1时间窗口通常更早（在刺激开始后100到200毫秒之间⁴⁸^,⁴⁹)，但时间差异可能是由于我们研究中出现的声音的特殊性（即长频率和非单频），这与听觉脑电图研究中常用的短频率和单频声音（如60ms）有很大不同³⁹; 50毫秒⁵⁰; 70毫秒⁴¹). EEG会话中出现的警报声音是从实际建筑工地使用的警报信号中提取出来的，以提高我们实验的生态有效性。⁵¹听觉N1成分与早期注意有关³⁴^,⁵²对习惯化敏感。³⁹^,⁵⁰

在完成VR训练之前，早期对控制声音的关注程度大于对警报声音的关注，这反映在540–660 ms时间窗口内的ERP振幅差异上，这表明实验之前的真实建筑经验导致了对警报声音习惯化的结果。在施工现场缓解这一问题的一种潜在方法是使用各种警报声音，并以随机顺序呈现（即，工人无法预测特定警报声音的使用）。这种方法可能会大大减少对每个特定警告信号的习惯，因此，工人不太容易因忽视危险而做出不安全的行为。

重要的是，经过VR训练后，540-660ms时间窗口内控制和报警声音之间的ERP振幅差异显著降低。该结果与仅对经历VR事故的参与者进行分析时在220-420ms时间窗口内观察到的结果一致。因此，我们发现了VR训练在注意力加工的早期阶段减少了对警报声音的习惯化的生理证据。感觉N1习惯化的机制被认为与参与基本感觉处理系统的细胞群的不适应性有关，而不是与对感觉皮层进行自上而下控制的高级认知过程有关，⁵³^,⁵⁴这表明，在虚拟现实训练后观察到的两种声音之间N1振幅差异的减少并不是由于明确的自上而下的策略。VR训练后没有观察到后期ERP成分的调节。先前的研究报告了听觉刺激对晚期成分（例如P3）的习惯化⁴¹^,⁵⁵)，但这种结果只能在特定条件下得到证明（例如，当可用于执行任务的注意力资源减少时³⁹). 总之，脑电图数据表明，虚拟现实训练增强了对建筑工地潜在危险的听觉刺激的早期注意和感觉知觉处理。

本研究表明，在第一次脑电图训练中，习惯化是由长时间的真实世界经验建立起来的，在虚拟现实事故干预后，这种习惯化基本上被废除了。也就是说，我们的数据表明，一次单一的经历可以消除数月至数年常规接触感官信号的后果。据我们所知，这种对感觉习惯化的明显深远影响是前所未有的，并为感知和学习研究开辟了新的前景。习惯化的后果可能比以前想象的更具可塑性，对变化更敏感，尤其是在一个影响显著的突发事件的背景下。未来的研究应该更广泛地探索感官习惯化的调节性，以及它如何应对最近的显著事件。

研究的局限性

应注意本研究的几个局限性。为了避免操纵参与者的行为，在虚拟现实实验中，虚拟现实事故是针对参与者的警惕性定向行为而触发的。因此，样本分布不均，没有经历VR事故的参与者数量相对较少。在实验期间，一些参与者也从未表现出任何警惕性定向行为。这些参与者的数据仅包含在警惕行为频率分析中。职业安全与健康管理局（OSHA）确认了致命事故的四个主要原因，即跌倒、休克、灼伤/触电危险（即致命四害）。⁵⁶在本研究中，我们重点观察和控制建筑工人对建筑车辆相关危险的风险习惯。未来的工作可能会扩大拟议的干预措施，以遏制工人对其他致命的四种危险的习惯。

STAR★方法

关键资源表

试剂或资源	来源	标识符
软件和算法

VIVE SRanipal眼睛跟踪SDK	宏达电	版本1.1.0.1
虚幻引擎	Epic Games公司。	版本4.22.3
Autodesk 3dS最大值	Autodesk公司。	2019版
三维动画特效制作	Autodesk公司。	2019版
精神病患者	开放科学工具有限公司。	版本2021.1.4
OpenBCI GUI	OpenBCI（开放BCI）	5.0.4版
OpenSync库	OpenSync（OpenSync）	3.0版
Logic Pro X公司	苹果公司。	10.6.3版
蟒蛇	Python软件基金会	版本3.8.2
Python SciPy工具箱	科学Py	版本1.4.1.33
MNE-Python包	https://doi.org/10.5281/zenodo.7314185	版本0.24
EEGLAB公司	https://doi.org/10.1016/j.jneumeth.2003.10.09	版本2021.1
伪影子空间重构方法	本研究(https://github.com/moeinrazavi/EEG-ASR-Python网站)	版本1.0.0
MATLAB软件	数学作业	版本R2021a

其他

HTC Vive Pro眼睛	宏达电
OpenBCI脑电图系统		32位OpenBCI板套件和USB加密狗，一个包含20个电极的盖子

在单独的窗口中打开

资源可用性

引线触点

更多信息和资源请求应发送给首席联系人Changbum R.Ahn，并由其完成(cbahn@snu.ac.kr)

材料可用性

这项研究没有产生新的独特试剂。

实验模型和主题细节

共有35名建筑工人（32名男性和3名女性）从美国一家建筑公司招聘，年龄在20至43岁之间（平均年龄：27.26岁，标准差：6.09岁）。所有参与者都是在大型民用建筑项目中工作的行人。该实验方案由德克萨斯农工大学机构审查委员会（IRB 2019-1270D）批准。所有参与者均获得知情同意。实验在建筑公司安全培训设施的一个安静空间进行。在实验期间，对设施的访问进行了控制。为了检验持续的干预效果，每个参与者被要求在一周后参加第二次会议。每节课，包括虚拟现实实验和脑电图实验，大约需要3-3.5小时。因此，每个参与者总共需要6-7小时来完成这两节课。所有参与者都自愿参与了这项研究。参与者因参与研究而获得200美元的补偿。四名参与者的数据——他们没有回来参加第二次研究(N个=2）或因晕车退出实验(N个=2）-被丢弃。因此，来自31名参与者的数据进入了虚拟现实训练数据分析。在完成两次虚拟现实会话的31名道路施工工人中，由于技术问题/故障系统，12名参与者的数据被排除在脑电图分析之外(N个 = 8; 即，由于蓝牙系统功能失常导致的数据丢失）或脑电图记录中的伪影(N个 = 4; 看见事件相关电位分析第节）。

方法详细信息

概述

我们设计并与实际道路施工工人进行了实验：（1）检查工人对施工车辆重复听觉警报的行为和感觉习惯；（2）验证持续干预效果。实验程序概述见图1A.在第一节课中，参与者首先完成脑电图课，然后是虚拟现实训练。一周后，参与者完成了第二次训练，首先是虚拟现实训练，然后是脑电图训练。

仪器

虚拟现实实验

使用HTC Vive Pro Eye（HTC Corporation，台湾新北市；分辨率：2880 x 1600像素；视野：98°水平和98°垂直；刷新率90 Hz）和Dell Precision T5820（Dell，Round Rock，TX，USA；CPU：Intel i9-10900×3.7 GHz；RAM；DDR4 128 GB；GPU：Nvidia GeForce RTX 3080）显示VR环境。使用嵌入HTC Vive Pro Eye的眼球追踪传感器记录眼球运动，峰值频率为90 Hz。

脑电图实验

Dell Precision T3620（Dell，Round Rock，TX，USA），配备PsychoPy软件v2021.14⁵⁷^,⁵⁸^,⁵⁹用于在Dell P217H显示器上显示刺激。参与者在灯光昏暗的房间里，从大约70厘米的距离观看显示器。参与者还戴上Etymotic ER4XR 45Ω高保真隔音入耳式耳机（美国伊利诺伊州埃尔克格罗夫村Etymotion Research），聆听所有声音。

用于EEG测量的设备是32位OpenBCI板套件和USB加密狗(网址：www.openbci.com)根据国际10-20体系预先组织了20个电极。⁶⁰在我们的研究中，我们使用了来自10-20电极放置系统的15个通道：C3、C4、Cz、F3、F4、Fz、Fp1、Fp2、P3、P4、Pz、T3、T4、T5、T6。我们在PsychoPy中嵌入了OpenSync库⁵⁸与相关报警/控制任务标记同步并记录EEG信号。⁶¹所有电极阻抗均保持在15 kΩ以下。对EEG进行采样，并在125Hz下进行数字化。

虚拟现实实验程序

虚拟现实环境

为实验场景选择并设计了一个道路维护工作环境，参与者将成为沥青碾磨人员的一部分。虚拟现实环境是使用Unreal Engine v.4.22.3创建的。⁶²VR环境中包含的所有组件都是使用Autodesk 3dS Max v.2019创建的⁶³和Autodesk Maya v.2019。⁶⁴为了创造一个有效激发参与者风险习惯化的虚拟现实环境，实验场景侧重于参与者反复暴露于与施工车辆相关的潜在危险，并从车辆发出相关的听觉警告警报。虚拟施工车辆的移动旨在响应参与者的行为。在参与者身后行驶的车辆（即扫路车）的往复运动由其与参与者距离的实时测量控制。当清道夫到达与参与者的指定最小距离-7.5米时，清道夫会关闭警告警报并开始倒车，从而在不干扰参与者的虚拟道路清洁任务的情况下，反复将参与者暴露在潜在的超车事故风险中。当参与者执行清扫任务时，自卸卡车反复从参与者身边经过。VR环境中的所有施工车辆都会发出操作声音和听觉报警（即哔哔声），这些报警是经过精心设计的，以创造逼真的听觉体验。采用了消声功能。音频源的音量会随着参与者与音频源之间的距离和角度而改变。因此，参与者可以根据警报识别接近危险的距离和方向，类似于真实的道路施工现场。为了设计一个接近真实的虚拟环境，全国大型民用建筑公司的三位经验丰富的建筑安全管理人员对实验场景进行了审查。

VR训练中的任务

在道路施工/维护现场工作时，工人倾向于将大部分注意力资源集中在工作任务上，而对工作场所的危险关注度较低。⁴²^,⁴³^,⁴⁴因此，我们设计了一个虚拟道路清洁任务，不仅可以加速参与者在短时间内的风险习惯化，还可以促进他们积极参与实验。在虚拟现实实验中，参与者被要求在道路维护工作区执行道路清洁任务。任务是清除所有碎片，并用扫帚清洁工作车道表面。连接在扫帚上的虚拟现实运动控制器捕捉到参与者用实际扫帚进行的物理清扫运动，并在虚拟现实环境中与虚拟扫帚同步。

警惕性定向行为测量

在本研究中，我们将警惕性定向行为定义为危险检查行为——参与者检查接近的施工车辆的眼睛和/或头部运动。在危险工作场所工作时，工人必须注意危险，以便正确应对。因此，识别和评估与工作场所危险相关的风险需要选择性注意（特别是视觉注意）。⁴⁵^,⁶⁵^,⁶⁶^,⁶⁷虽然定向行为并不总是导致工人对工作场所危险的正确风险感知，⁶⁸^,⁶⁹视觉注意力是增强风险感知的重要前提。⁴⁵视觉注意力与眼球运动密切相关，⁴⁶^,⁷⁰目视检查工作场所周围的危险是一项重要的安全行为。因此，测量参与者对反复遇到的工作场所危险的视觉注意反应的潜伏期（反应时间），为监测风险习惯化发展提供了一种具体且有经验依据的分析方法。在这方面，为了测量参与者对接近的建筑车辆的视觉注意的延迟模式，在VR环境中嵌入了一个眼睛跟踪系统。在实验过程中，与VR耳机集成的跟踪眼睛的传感器记录参与者以90 Hz的峰值频率观看的内容。眼动监测系统记录了表现警惕性定向行为的潜伏期（每次接触的反应时间）和警惕性定向的频率。从VR训练中收集的数据经过以下预处理：

在这项研究中，我们将一次受撞击危险的暴露定义为清道夫在参与者身后的一次相互运动。在虚拟现实训练期间，当参与者表现出警惕的定向行为（每次接触时第一次回顾并检查接近车辆的距离）时，记录响应时间的延迟（即警报声开始与参与者警惕的定向动作之间的延迟）。

警惕性定向行为的频率（检查率，CR）由以下公式定义方程式1:

{C类 对}_{我} = \frac{_{N个 单位 米 b条 e（电子） 第页 o个 （f） c（c） 小时 e（电子） c（c） k个 我 n个 克 c（c） 年 c（c） 我 e（电子） 秒}}{N个 单位 米 b条 e（电子） 第页 o个 （f） e（电子） x个 对 o个 秒 单位 第页 e（电子） 秒}

（方程式1）

哪里检查周期数=参与者成功检查接近的清道夫的循环次数我; 和曝光次数=参与者遭受敲击危险的次数我.

干预（通过虚拟事故体验获得的单一难忘体验）

虚拟现实环境包括一个系统，该系统在参与者习惯性忽视接近的车辆的情况下，模拟施工车辆发生的撞车事故。为了让虚拟现实事故模拟成为一个值得纪念的事件，它通过强调对参与者的厌恶反馈而被戏剧化。VR事故模拟包括视觉事故场景、碰撞声音和通过VR运动控制器的触觉反馈。在第一次虚拟现实会话中，一名参与者习惯性地忽视接近的施工车辆，从而引发了与清道夫的事故。为了在参与者习惯化的情况下触发VR事故，采用了带有移动窗口的行为检查系统。移动窗口计算参与者在最近五次曝光中检查接近车辆的成功次数。当参与者在五次曝光中有三次没有检查到接近的清洁工时，清洁工开始向参与者移动，直到与参与者发生实际碰撞。如果参与者识别到清道夫的不稳定动作并成功避开碰撞，清道夫会进行正常的交互动作，行为检查系统也会重新启动，以统计参与者的警惕性定向行为。为了让参与者在执行指定的虚拟现实道路清洁任务时有足够的时间意识到周围的危险，无论参与者是否持续忽视驶近的车辆，虚拟现实事故都是在至少10次暴露于危险中后才触发的。虽然未能对最近五次接触中的三次进行目视检查是VR事故模拟的一个阈值，但在某种程度上是武断的，参与者对反复接近的施工车辆的频繁疏忽表明其习惯化。清扫车的虚拟现实事故仅在第一次虚拟现实会话中触发。

在第二次虚拟现实会话中，参与者还被要求执行相同的道路清洁任务，并在第一次虚拟现实对话中受到相同类型的敲击危险（与参与者身后的清道夫相关的风险）。参与者警惕性定向行为的潜伏期和频率以与第一次VR会话相同的方式进行测量。为了观察经历事故对参与者行为的持续干预效果，在第二次VR会话中没有触发清扫车的VR事故。然而，为了使VR环境更接近真实，设计了另一个VR事故模拟，并将其嵌入到第二个VR会话中。在VR培训期间，自卸卡车在工作车道的下一条车道上反复经过一名参与者，该车道上有一名参与者正在执行道路清洁任务。实验开始后约20分钟，自卸卡车发生事故。当一名参与者到达一个看不见的事故触发点时，其中一辆自卸卡车改变方向，倒退到参与者工作的车道上。如果一名参与者意识到卡车的不稳定运动，并避开了与向参与者驶来的自卸卡车的碰撞，那么自卸卡车虚拟现实事故也可以避免。同样，在虚拟现实环境中设计和呈现的触电危险包括当他们走向参与者时的听觉警报。本研究对这种自卸车相互作用不感兴趣，旨在为未来的潜在研究试验程序。

脑电图实验程序

听觉刺激

这两个听觉刺激（警报和控制）是使用2017年MacBook Pro（美国加利福尼亚州库比蒂诺苹果公司）上的Logic Pro X软件制作的。最初的警报声是从视频文件中提取的卡车倒车鸣笛声。⁷¹为了产生控制声音，使用声音均衡器修改了警报声音。声音分布等同于在声音频谱（从39 Hz到14200 Hz）上具有相同的幅度，这会产生白噪声环境。这两种声音各持续600毫秒，并使用归一化函数将响度设置为23 LUFF。

程序

Oddball范式已被广泛用于评估听觉刺激辨别力。⁷²^,⁷³这种范式通常包括一种被称为“标准”的刺激的频繁呈现，其间穿插着一种被指定为“偏差”的不同刺激的罕见出现。⁷⁴一种常见的替代方法是等概率范式，其中每个听觉刺激以随机顺序呈现相同次数。³⁷^,⁴⁷^,⁷⁵在本研究中，我们选择了后一种范式，以有效控制声音的习惯化。注意，等概率范式通常用作被动任务，不需要行为反应。³⁸

20幅建筑工地的图像被用作EEG会话的背景。一半的图像在第一次会议上展示，另一半在第二次会议上呈现。在每个会话中，10幅图像中的每一幅以随机顺序呈现10次，但限制是同一幅图像不能连续呈现两次。我们参考序列在一幅图像的呈现过程中发生的一组事件。每个序列包括四个声音（600 ms），由3500 ms、4500 ms或5500 ms的刺激间隔隔开。序列的第一个声音出现在序列开始后1750 ms或2750 ms，以确保与声音处理相关的EEG信号不会（或最小程度上）受到图像处理的影响。序列的最后一个声音在序列结束前1750毫秒或2500毫秒终止。为了保持每个序列的持续时间不变，声音前后的五个音程总共持续了18秒。以随机顺序列出了满足此要求的所有可能的间隔组合。因此，每个序列持续20.4秒(图6). 在每个会话中，都会发出200个报警声和200个控制声。在两个连续的序列中，四个报警音和四个控制音以随机顺序出现，因此EEG会话中不会连续出现超过八个类似的声音。参与者在每节课50个序列后有一个自定步调的休息。[插入图6此处]

在单独的窗口中打开

图6

EEG会话中的事件序列示例

（A）脑电图实验实例。

（B）一个序列包括四个声音（600 ms），由3500 ms、4500 ms或5500 ms的刺激间隔隔开。序列的第一个声音在背景图像出现后1750 ms或2750 ms出现（对应序列的开始），以确保与声音处理相关的EEG信号不会（或最小程度上）受到图像处理的影响。第四个声音在序列结束前1750毫秒或2500毫秒终止。为了保持每个序列的持续时间不变，声音前后的五个间隔总持续18秒。以随机顺序列出了满足此要求的所有可能的间隔组合。因此，每个序列持续20.4秒。

量化和统计分析

行为数据分析

习惯行为分析

在本研究中，我们提出，在虚拟现实环境中，可以观察到工人对反复暴露的工作场所危险的习惯行为。我们通过以下步骤测试了这个概念：二元线性回归模型预测响应时间从暴露次数使用以下等式对危害进行测试：

\hat{年_{我}} = {B类}_{0} + {B类}_{1} N个 + 第页

（方程式2）

哪里 $\hat{年_{我}}$ 是响应时间在暴露次数N; ${B类}_{0}$ 是回归线的截距N个 = 0; 是回归的斜率，表示响应时间每增加一次暴露次数N.如果系数的测试结果 ${B类}_{1}$ 是显著积极的，可以确定参与者风险习惯的发展。为了避免数据操纵，如果参与者在车辆到达开始倒车的最小距离之前没有检查车辆的接近程度，则该暴露不包括在响应时间分析。此外，还进行了Wilcoxon符号秩检验，以检验在α=0.05时AG和NAG之间检查率的差异。

干预效果分析

在本研究中，我们提出将VR事故模拟作为一个一次性学习平台，抑制工人的风险习惯化，我们的理论是工人经历VR事故后习惯性行为减少。我们使用（1）多元回归分析估计来测试这个概念响应时间在曝光次数和VR事故体验在第一次虚拟现实会话中，以及（2）成对样本t检验，评估干预对增加检查率适用于两组（NAG和AG）。进行多元回归分析，以评估参与者在第一次VR模拟事故中的经历是否以及如何影响参与者在第二次VR会话中警惕性定向行为的潜伏期和频率。在以下回归方程中，参与者在第一次虚拟现实会话中的虚拟现实模拟事故经历被编码为分类变量（对于无事故组[NAG]，虚拟现实编码为0，对于事故组[AG]，虚拟场景编码为1）：

\hat{年_{我}} = {B类}_{0} + {B类}_{1} N个 + {B类}_{2} A类 + {B类}_{三} N个 A类 + 第页

（方程式3）

哪里 $\hat{年_{我}}$ 是因变量(响应时间)在曝光次数和事故经历A类; ${B类}_{0}$ 是无事故组回归线的简单截距(A类=0，NAG）； ${B类}_{1}$ 是每增加一次简单截距的变化暴露次数N; ${B类}_{2}$ 是简单拦截的区别，与事故组相比(A类=1，AG），带NAG；是简单坡度的差异，与AG和NAG相比。

此外，还进行了配对样本t检验，以调查在第一次虚拟现实会话中经历虚拟现实事故对检查率在第二次虚拟现实会话中（治疗前/治疗后分析）。结果显示为平均值检查率.使用科恩效应大小(d日)试验采用以下标准评价干预效果：0.2=小效果，0.5=中等效果，0.8=大效果。⁷⁶在第一次虚拟现实会话中，十名参与者从未表现出警惕性定向行为。因此，从这些参与者收集的数据被排除在响应时间; 这些数据仅用于分析检查率.

事件相关电位分析

使用Python 3.8.2和EEGLAB v2021.1进行数据预处理和分析。⁷⁷^,⁷⁸首先，我们使用Python SciPy工具箱并应用一个前向（非因果）高通滤波器，带Kaiser窗口，过渡带为0.5–1 Hz，衰减为80 dB，以消除信号中的漂移。⁷⁹^,⁸⁰其次，我们使用了MNE-Python v0.24包，并应用了截止频率为0.5 Hz和40 Hz的带通滤波器。⁸¹第三，我们通过从信号中删除所有15个通道的平均值来更改信号的参考。⁸²^,⁸³第四，为了从信号中去除非平稳伪影（例如，运动伪影），我们在Python中植入了伪影子空间重构（ASR）方法（我们的代码位于：https://github.com/moeinrazavi/EEG-ASR-Python网站).⁸⁴第五，根据每个声音刺激（警报/控制）开始出现的时间，对EEG进行分段，以创建1800 ms的刺激锁定期，其中包括300 ms的预刺激期。从每个历元中，我们将信号的平均值从−300 ms减去−100 ms，作为历元基线。⁸⁵第六，为了消除静止和非大脑信号伪影（例如眨眼伪影），我们使用EEGLAB中的独立成分分析（ICA）工具箱和MATLAB R2021a。⁸⁶^,⁸⁷最后，我们从未经上述预处理步骤校正的数据中直观地删除了显著的噪声时段。

在古怪和等概率范式中观察到的最显著的听觉ERP成分之一是N1，⁸⁸^,⁸⁹^,⁹⁰其在刺激开始后约100ms达到峰值并持续约100ms。⁴⁸^,⁴⁹N1主要分布在头皮的前部-中部区域（即Cz和Fz电极位置⁸⁹). 听觉N1峰值与早期注意有关。³⁴^,⁵²此外，重复的听觉刺激呈现会导致N1反应减弱，这反映了感觉皮层的神经习惯化。³⁹^,⁵⁰

Pan等人。⁴¹报道了听觉单一刺激和古怪范式导致的P3习惯化（即P3振幅降低）。⁵⁵听觉P3通常分布在三个中线位置（Cz、Fz和Pz）⁴¹^,⁵⁵刺激开始后220-420ms内达到峰值。³⁹^,⁴¹

鉴于本研究中使用的声音的特殊性（长，非单频），我们指的是通过时间窗分析的ERP成分，而不是特定的标签（参见讨论). 事实上，EEG研究中使用的听觉刺激通常是短的和单频的（例如60毫秒³⁹; 50毫秒⁵⁰; 70毫秒⁴¹). 我们在EEG会话中使用的警报声音是从实际建筑工地使用的警报信号中提取出来的，以提高我们测试的生态有效性。这个声音持续了600毫秒，包括一声上升和下降的哔哔声。因此，在我们的研究中观察到的ERP组件的识别需要谨慎。

分别在刺激后540-660 ms和804-980 ms的时间窗口测量了两个可能对应于N1和P3的成分。我们还根据在此期间观察到的报警和控制声音之间的明显信号差异，在220-420ms刺激后开始的时间窗口进行了事后分析。对于这三个时间窗口，我们分别计算了Cz和Fz电极位置的报警和控制声音的平均振幅，其中偏转最大。

以声音类型（警报、控制）和会话（1,2）作为每个时间窗的受试变量，对平均ERP振幅进行2×2重复测量方差分析（ANOVA）。后续t吨适当时进行测试。

致谢

这项研究得到了国家科学基金会（No.2017019）和首尔国立大学研究资助（No.0668-20220195）的支持。资助者在研究设计、数据收集、分析、决定出版或准备手稿方面没有任何作用。

作者贡献

N.K.、L.G.、C.R.A.和B.A.A.构思了这项研究。N.K.、L.G.、C.R.A.和B.A.A.开发了该方法。N.K.、L.G.和N.Y.收集了数据。N.K.、L.G.和M.R.分析了数据。N.K.和L.G.写了原稿的初稿。N.K.、L.G.、C.R.A.和B.A.A.审查并编辑了手稿。N.K.、L.G.、M.R.和N.Y.将数据可视化。C.R.A.和B.A.A.负责监督研究。C.R.A.和B.A.A.获得了资金。

利益声明

作者声明没有相互竞争的利益。

笔记

发布日期：2023年1月20日

数据和代码可用性

•
数据：实验数据可从引线触点应合理要求。
•
代码：本文不报告原始代码。
•
附加信息：重新分析本文中报告的数据所需的任何附加信息可从引线触点根据要求。

工具书类

1Wilson D.A.，Linster C.简单记忆的神经生物学。《神经生理学杂志》。2008;100：2-7.doi:10.1152/jn.90479.2008。[公共医学] [交叉参考][谷歌学者]

2Schmid S.、Wilson D.A.、Rankin C.H.习惯机制及其对认知功能的重要性。前面。集成。神经科学。2014;8：97.doi:10.3389/fnint.2014.00097。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

三。Wilson F.A.，Rolls E.T.刺激的新颖性和熟悉性对执行识别记忆任务的猴子杏仁核神经元活动的影响。实验大脑研究。1993;93:367–382.[公共医学][谷歌学者]

4Blaauwgeers E.、Dubois L.、Ryckaert L.实时风险评估，以提高态势感知能力。IFAC程序。第卷。2013;46:232–239. doi:10.3182/20130811-5-US-2037.00036。[交叉参考][谷歌学者]

5Curry D.G.、Quinn R.D.、Atkins D.R.、Carlson T.C.受伤和经验丰富的工人。Saf教授。2004;49:30–34. [谷歌学者]

6Perakslis C.Dagen hogertrafik（H日）和风险习惯[最后一句话]IEEE技术。Soc.杂志。2016;35：88.doi:10.1109/MTS.2016.2531843。[交叉参考][谷歌学者]

7斯洛文尼亚P.风险感知。科学。1987;236:280–285. doi:10.1126/science.3563507。[公共医学] [交叉参考][谷歌学者]

8Weyman A.K.，Clarke D.D.调查组织角色对深部煤矿风险认知的影响。J.应用。精神病。2003;88:404–412. doi:10.1037/0021-9010.88.3.404。[公共医学] [交叉参考][谷歌学者]

9Daalmans J.、Daalmans J.Butterworth Heinemann；2012年，《危险情况下的人类行为：化工和加工行业安全管理最佳实践》。[谷歌学者]

10Inouye J.Campbell研究所国家安全委员会；2014.风险感知：理论、策略和下一步行动。[谷歌学者]

11Makin A.M.，Winder C.改进职业健康和安全管理系统应用的新概念框架。安全。科学。2008;46:935–948. doi:10.1016/j.ssci.2007.11.011。[交叉参考][谷歌学者]

12Duchon J.C.，Laage L.W.第30卷。Sage CA Sage出版物；1986年9月。后备预警系统设计中人的因素的考虑；第261–264页。（《人类因素学会年会论文集》）。[交叉参考][谷歌学者]

13Kim N.、Kim J.、Ahn C.R.通过监测施工任务中的生物信号，预测工人对突发危险的注意力：一项虚拟现实实验。高级工程信息。2021;49doi:10.1016/j.aei.2021.101359。[交叉参考][谷歌学者]

14Oken B.S.、Salinsky M.C.、Elsas S.M.警惕、警觉或持续注意力：生理基础和测量。临床。神经生理学。2006;117:1885–1901. doi:10.1016/j.clinph.206.01.017。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

15Weinberg W.A.、Harper C.R.警觉及其障碍。Neurol公司。临床。1993;11:59–78. doi:10.1016/S0733-8619（18）30170-1。[公共医学] [交叉参考][谷歌学者]

16Majekodumi A.和Farrow A.对工作场所运输风险的认知和态度：对伦敦当局工业升降机操作员的研究。架构（architecture）。环境。占领。健康。2009;64:251–260. doi:10.1080/19338240903348238。[公共医学] [交叉参考][谷歌学者]

17Glendon A.I.、Litherland D.K.道路施工中的安全气候因素、群体差异和安全行为。安全。科学。2001;39:157–188. doi:10.1016/S0925-7535（01）00006-6。[交叉参考][谷歌学者]

18Pegula S.M.，2003-2010年道路施工现场致命职业伤害分析。周一。劳动力收入。2013;136:1. [谷歌学者]

19.Namian M.、Albert A.、Zuluaga C.M.、Behm M.安全培训的作用：对危险识别和安全风险感知的影响。J.构造。工程管理。2016;142doi:10.1061/（ASCE）CO.1943-7862.0001198。[交叉参考][谷歌学者]

20Baldwin T.T.、Ford J.K.《培训转移：未来研究的回顾和方向》。人。精神病。1988;41:63–105. doi:10.1111/j.1744-650.1988。tb00632.x。[交叉参考][谷歌学者]

21克伦威尔S.E.、科尔布J.A.对影响监管技能培训转移到工作场所的工作环境支持因素的审查。哼，资源。开发人员Q。2004;15:449–471. doi:10.1002/hrdq.1115。[交叉参考][谷歌学者]

22.Grissom N.，Bhatnagar S.反复压力的习惯：习惯它。神经生物学。学习。内存。2009;92:215–224. doi:10.1016/j.nlm.2008.07.001。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

23.Avery S.N.、McHugo M.、Armstrong K.、Blackford J.U.、Woodward N.D.、Heckers S.精神病早期习惯化障碍。生物精神病学。干邑。神经科学。神经成像。2019;4:1004–1012. doi:10.1016/j.bpsc.2019.06.007。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

24Vance A.、Kirwan B.、Bjornn D.、Jenkins J.、Anderson B.B。2017 CHI计算机系统人为因素会议记录。2017年。我们真正了解的是，随着时间的推移，对警告的习惯化是如何发生的？习惯化和多态性警告的纵向fMRI研究；第2215-2227页。[交叉参考][谷歌学者]

25Li X.，Yi W.，Chi H.L.，Wang X.，Chan A.P.虚拟现实和增强现实（VR/AR）在建筑安全中的应用综述。自动。连接结构。2018;86:150–162. doi:10.1016/j.autcon.2017.11.003。[交叉参考][谷歌学者]

26Nilsson T.、Roper T.、Shaw E.、Lawson G.、Cobb S.V.、Meng-Ko H.、Miller D.、Khan J.消防疏散训练的多感官虚拟环境。2019年CHI计算机系统人为因素会议扩展摘要；2019年，第1-4页。10.1145/3290607.3313283. [交叉参考]

27Lin J.、Zhu R.、Li N.、Becerik-Gerber B.在建筑物紧急疏散时，人们是否跟随人群？跨文化沉浸式虚拟现实研究。高级工程信息。2020;43doi:10.1016/j.aei.2020.101040。[交叉参考][谷歌学者]

28Hasanzadeh S.、De La Garza J.M.、Geller E.S.安全干预的潜在影响。J.构造。工程管理。2020;146doi:10.1061/（ASCE）CO.1943-7862.001812。[交叉参考][谷歌学者]

29Kim N.，Anderson B.A.，Ahn C.R.使用虚拟现实行为干预降低道路施工环境中突发危险的风险习惯。J.构造。工程管理。2021;147doi:10.1061/（ASCE）CO.1943-7862.0002187。[交叉参考][谷歌学者]

30.Lee S.W.、O'Doherty J.P.、Shimojo S.调节人脑中一次性学习的神经计算。《公共科学图书馆·生物》。2015;13doi:10.1371/journal.pbio.1002137。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

31Polyn S.M.，Norman K.A.，Kahana M.J.自由回忆中组织过程的上下文维护和检索模型。精神病。版次。2009;116:129–156. doi:10.1037/a0014420。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

32Lengyel M.，Dayan P.海马对控制的贡献：第三种方式。高级神经信息处理。系统。2007:20. [谷歌学者]

33Chan K.、Louis J.、Albert A.将工人意识纳入危险接近警告的生成中。传感器。2020;20：806.网址：10.3390/s20030806。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

34Luck S.J.麻省理工学院出版社；2014.与事件相关的潜在技术简介。[谷歌学者]

35Näätänen R.、Simpson M.、Loveless N.E.刺激偏差和诱发电位。生物、心理。1982;14:53–98. doi:10.1016/0301-0511（82）90017-5。[公共医学] [交叉参考][谷歌学者]

36Mangun G.R.，Hillyard S.A.公司。心电生理：与事件相关的脑电位和认知。牛津大学出版社；1995.选择性注意的机制和模型；第40-85页。[谷歌学者]

37Maitre N.L.、Lambert W.E.、Aschner J.L.、Key A.P.新生儿重症监护室的皮层语音分化预测了生命前2年的认知和语言发展。儿童神经发育医学。2013;55:834–839. doi:10.1111/dmcn.12191。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

38Key A.P.，Yoder P.J.等概率和古怪范式：记录听觉辨别的两种方法。神经心理学博士。2013;38:402–417. doi:10.1080/87565641.2012.718819。[公共医学] [交叉参考][谷歌学者]

39Carrillo-de-la-Peña M.T.，García-Larrea L.关于临床环境中P300块间平均值的有效性。国际心理生理学杂志。1999;34:103–112. doi:10.1016/S0167-8760（99）00066-5。[公共医学] [交叉参考][谷歌学者]

40Greife C.L.n，科罗拉多州立大学；2013年，神经学典型成年人P50和N100事件相关电位（ERP）成分的感觉门控、习惯和定向以及与感觉行为的联系。博士论文。[谷歌学者]

41Pan J.、Takeshita T.、Morimoto K.听觉单一刺激和古怪范式的P300习惯化。国际心理生理学杂志。2000;37:149–153. doi:10.1016/S0167-8760（00）00086-6。[公共医学] [交叉参考][谷歌学者]

42陈杰、宋霞、林忠。揭示建筑中的“隐形大猩猩”：通过心理负荷评估评估建筑安全。自动。连接结构。2016;63:173–183. doi:10.1016/j.autcon.2015.12.018。[交叉参考][谷歌学者]

43Huang T.R.，Watanabe T.任务注意力有助于学习与任务无关的刺激。公共科学图书馆一号。2012;7doi:10.1371/journal.pone.0035946。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

44Wickens C.D.多种资源和精神负荷。嗯，因素。2008;50:449–455. doi:10.1518/001872008X288394。[公共医学] [交叉参考][谷歌学者]

45Rensink R.A.、O'regan J.K.、Clark J.J.看或不看：需要注意感知场景中的变化。精神病。科学。1997;8:368–373. doi:10.1111/j.1467-9280.1997.tb00427.x。[交叉参考][谷歌学者]

46霍夫曼J.E.，Subramaniam B.视觉注意在扫视眼动中的作用。感知。心理学。1995;57(6):787–795.[公共医学][谷歌学者]

47McArthur G.M.、Atkinson C.M.、Ellis D.训练能使SRD或SLI儿童的非典型被动听觉ERP正常化吗？神经心理学博士。2010;35:656–678. doi:10.1080/87565641.2010.508548。[公共医学] [交叉参考][谷歌学者]

48Näätänen R.，Picton t.人类对声音的电磁响应的N1波：对组件结构的回顾和分析。心理生理学。1987;24:375–425. doi:10.1111/j.1469-8986.1987.tb00311.x。[公共医学] [交叉参考][谷歌学者]

49May P.J.C.，Tiitinen H.失配负性（MMN），即偏差合法的听觉偏转，解释道。心理生理学。2010;47:66–122. doi:10.1111/j.1469-8986.2009.00856.x。[公共医学] [交叉参考][谷歌学者]

50Ethridge L.E.、White S.P.、Mosconi M.W.、Wang J.、Byerly M.J.、Sweeney J.A.听觉诱发电位习惯化程度降低表明脆性X综合征的皮层超兴奋。Transl.公司。精神病学。2016;6：e787.doi:10.1038/tp.2016.48。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

51Sardin J.反向蜂鸣1（自由音效）●BigSoundBank。Com.BigSoundBank。通用域名格式。https://bigsoundbank.com/detail-1298-truck-reverse-beep.html

52Rinne T.、SärkkäA.、Degerman A.、Schröger E.、Alho K。听觉变化检测和注意力的非自愿控制有两种不同的机制。大脑研究。2006;1077:135–143. doi:10.1016/j.braines.2006.01.043。[公共医学] [交叉参考][谷歌学者]

53Budd T.W.、Barry R.J.、Gordon E.、Rennie C.、Michie P.T.通过刺激重复降低N1听觉事件相关电位：习惯化与顽固性。国际心理生理学杂志。1998;31:51–68. doi:10.1016/S0167-8760（98）00040-3。[公共医学] [交叉参考][谷歌学者]

54Wang P.，Knösche T.R.一种具有层特异性连接和突触可塑性的皮质现实神经质量模型——通过听觉习惯化进行评估。公共科学图书馆一号。2013;8doi:10.1371/journal.pone.0077876。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

55Romero R.，Polich J.P3（00）听觉和视觉刺激的习惯化。生理学。行为。1996;59:517–522. doi:10.1016/0031-9384（95）02099-3。[公共医学] [交叉参考][谷歌学者]

56O.T.OSHA学院培训和教育局；2011年，建设重点四：外联培训包。[谷歌学者]

57.Peirce J.W.PsychoPy-Python中的心理物理软件。《神经科学杂志》。方法。2007;162：8–13.doi:10.1016/j.jneumeth.2006.11.017。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

58皮尔斯J.、格雷J.R.、辛普森S.、麦卡斯基尔M.、Höchenberger R.、索戈H.、卡斯特曼E.、林德勒v J.K.、林德勒v J.K.PsychoPy2：行为实验变得容易。行为。研究方法。2019;51:195–203. doi:10.3758/s13428-018-01193-y。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

59Peirce J.W.使用PsychoPy为神经科学生成刺激。前面。神经信息素。2008;2：10.doi:10.3389/神经.11.010.2008。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

60Jasper H.H.国际联合会的第十个电极系统。脑电图。临床。神经生理学。1958;10:370–375.[公共医学][谷歌学者]

61Razavi M.、Janfaza V.、Yamauchi T.、Leontyev A.、Longmire-Monford S.、Orr J.OpenSync：神经科学实验中同步多项测量的开源平台。《神经科学杂志》。方法。2022;369doi:10.1016/j.jneumeth.2021.109458。[公共医学] [交叉参考][谷歌学者]

62史诗游戏。虚幻引擎。史诗游戏；2019[谷歌学者]

63Autodesk A.Autodesk；2019.3ds Max 2019版。[谷歌学者]

64Autodesk A.Autodesk；2019年，玛雅。2019年版。[谷歌学者]

65Desimone R.，Duncan J.选择性视觉注意的神经机制。每年。神经科学评论。1995;18:193–222.[公共医学][谷歌学者]

66Jeelani I.，Han K.，Albert A.使用跟踪数据自动化和扩展个性化安全培训。自动。连接结构。2018;93:63–77. doi:10.1016/j.autcon.2018.05.006。[交叉参考][谷歌学者]

67Nakayama K.，Maljkovic V.，Kristjansson A.2004年。用于快速部署视觉注意力的短期记忆。[谷歌学者]

68Eiris R.、Gheisari M.、Esmaeili B.PARS：使用增强的360度真实全景图进行建筑安全培训。国际环境杂志。研究出版物。健康。2018;15：2452.doi:10.3390/ijerph15112452。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

69Hasanzadeh S.、de la Garza J.M。土木工程计算2019：可视化、信息建模和仿真。美国土木工程师学会；2019.通过被动触觉混合现实系统了解屋顶工的风险补偿行为；第137-145页。[交叉参考][谷歌学者]

70Maioli C.、Benaglio I.、Siri S.、Sosta K.、Cappa S.视觉搜索中并行和串行处理机制的整合：眼球运动记录的证据。《欧洲神经科学杂志》。2001;13:364–372. doi:10.1111/j.1460-9568.2001.01381.x。[公共医学] [交叉参考][谷歌学者]

71.音效卡车备份嘟嘟声音效。2017.https://www.youtube.com/watch？v=zXo4E-第七季度

72Cheour M.、Leppänen P.H.、Kraus N.错配负性（MMN）是研究婴儿和儿童听觉辨别和感觉记忆的工具。临床。神经生理学。2000;111：4–16.doi:10.1016/S1388-2457（99）00191-1。[公共医学] [交叉参考][谷歌学者]

73Näätänen R.，Paavilainen P.，Rinne t.，Alho K。中枢听觉处理基础研究中的失配负性（MMN）：综述。临床。神经生理学。2007;118:2544–2590. doi:10.1016/j.clinph.2007.04.026。[公共医学] [交叉参考][谷歌学者]

74斯奎尔斯N.K.、斯奎尔斯K.C.、希利亚德S.A.两种由人类不可预知的听觉刺激诱发的长潜伏期正波。脑电图。临床。神经生理学。1975;38:387–401. doi:10.1016/0013-4694（75）90263-1。[公共医学] [交叉参考][谷歌学者]

75Yoder P.J.，Camarata S.，Camarata M.，Williams S.M.唐氏综合征儿童音节的差异处理与语法形态理解之间的联系。Am.J.Ment.美国医学杂志。延缓。2006;111:138–152. doi:10.1352/0895-8017。[公共医学] [交叉参考][谷歌学者]

76.科恩·J·。心理公告。1992.心理学中的定量方法：力量入门。[谷歌学者]

77Delorme A.，Makeig S.EEGLAB：一个开源工具箱，用于单次试验脑电图动力学分析，包括独立成分分析。《神经科学杂志》。方法。2004;134：9–21.doi:10.1016/j.jneumeth.2003.10.09。[公共医学] [交叉参考][谷歌学者]

78Van Rossum G.、Drake F.L.CreateSpace；2009年，Python 3参考手册。[谷歌学者]

79van Driel J.、Olivers C.N.L.、Fahrenfort J.J.神经时间序列数据多元分类中的高通滤波伪影。《神经科学杂志》。方法。2021;352doi:10.1016/j.jneumeth.2021.109080。[公共医学] [交叉参考][谷歌学者]

80Virtanen P.、Gommers R.、Oliphant T.E.、Haberland M.、Reddy T.、Cournapeau D.、Burovski E.、Peterson P.、Weckesser W.、Bright J.等人。SciPy 1.0：Python中科学计算的基本算法。自然方法。2020;17:261–272. doi:10.1038/s41592-019-0686-2。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

81Gramfort A.、Luessi M.、Larson E.、Engemann D.A.、Strohmeier D.、Brodbeck C.、Goj R.、Jas M.、Brooks T.、Parkkonen L.等，使用MNE-Python进行MEG和EEG数据分析。前面。神经科学。2013;7：267.doi:10.3389/fnin.2013.00267。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

82Bertrand O.，Perrin F.，Pernier J.地形诱发电位研究中平均参考值的理论证明。脑电图。临床。神经生理学。1985;62:462–464. doi:10.1016/0168-5597（85）90058-9。[公共医学] [交叉参考][谷歌学者]

83Teplan M.脑电图测量基础。测量。科学。版次。2002;2:1–11. [谷歌学者]

84Blum S.、Jacobsen N.S.J.、Bleichner M.G.、Debener S.。用于脑电伪影处理的伪影子空间重构的黎曼修正。前面。嗯，神经科学。2019;13：141.网址：10.3389/fnhum.2019.00141。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

85Grandchamp R.，Delorme A.事件相关谱分解的单试验归一化降低了对噪声试验的敏感性。前面。精神病。2011;2：236.doi:10.3389/fpsyg.2011.00236。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

86MATLAB软件。MathWorks公司；2021[谷歌学者]

87Hyvärinen A.，Oja E.独立成分分析：算法和应用。神经网络。2000;13:411–430. doi:10.1016/S0893-6080（00）00026-5。[公共医学] [交叉参考][谷歌学者]

88Eichele T.、Nordby H.、Rimol L.M.、Hugdahl K.诱发电位潜伏期对语音的不对称性预示着耳朵在二分听中的优势。大脑研究认知。大脑研究。2005;24:405–412. doi:10.1016/j.cogbrainres.2005.02.017。[公共医学] [交叉参考][谷歌学者]

89ToméD.、Barbosa F.、Nowak K.、Marques-Teixeira J.《听觉怪胎范式中N1和N2成分的发展：一项具有叙事分析和建议标准值的系统回顾》。J.神经。Transm公司。2015;122:375–391. doi:10.1007/s00702-014-1258-3。[公共医学] [交叉参考][谷歌学者]

90Schröder A.、van Diepen R.、Mazaheri A.、Petropoulos-Petalas D.、Soto de Amesti V.、Vulink N.、Denys D.失语症患者奇怪刺激的n1听觉诱发电位减弱。前面。行为。神经科学。2014;8：123.doi:10.3389/fnbeh.2014.00123。 [PMC免费文章][公共医学] [交叉参考][谷歌学者]

文章来自iScience公司由以下人员提供爱思维尔

虚拟事故通过恢复对真实警告的感官反应来抑制工人的风险习惯化

金南云

劳伦特·格雷戈里

莫伊恩·拉扎维

妮娅·燕

昌布·R·安

布莱恩·安德森

关联数据

总结

图形摘要

集锦

介绍

结果

针对听觉警报的警觉定向行为减少

单一VR事故体验对警觉定向行为的干预作用

报警感知加工的干预效应

VR培训中至少经历过一次事故的参与者（N=16）

讨论

研究的局限性

STAR★方法

关键资源表

资源可用性

引线触点

材料可用性

实验模型和主题细节

方法详细信息

概述

仪器

虚拟现实实验

脑电图实验

虚拟现实实验程序

虚拟现实环境

VR训练中的任务

警惕性定向行为测量

干预（通过虚拟事故体验获得的单一难忘体验）

脑电图实验程序

听觉刺激

程序

量化和统计分析

行为数据分析

习惯行为分析

干预效果分析

事件相关电位分析

致谢

作者贡献

利益声明

笔记

数据和代码可用性

工具书类