Predicting VR cybersickness and its impact on visuomotor performance using head rotations and field (in)dependence

Maneuvrier, Arthur; Nguyen, Ngoc-Doan-Trang; Renaud, Patrice

doi:10.3389/frvir.2023.1307925

原创研究文章

正面。虚拟现实。2023年11月27日

第二节虚拟现实与人类行为

第4卷-2023年| https://doi.org/10.3389/frvir.2023.1307925

使用头部旋转和场依存度预测虚拟现实赛博病及其对视觉运动性能的影响

亚瑟机动^1,2*

Ngoc Doan Trang Nguyen公司¹

帕特里斯·雷诺²

¹布列斯特大学，STICC实验室，CNRS，UMR，6285，法国布列斯特
²加拿大魁北克大学加蒂诺分校网络心理学实验室，心理教育和心理学部

简介：本探索性研究旨在通过关注网络病问题，参与虚拟现实框架的发展。主要目的是通过自动分析，探索使用i）场依存-独立测量和ii）头部旋转数据预测网络病的可能性。第二个目标是评估网络病对视觉运动表现的影响。

方法：40名参与者在一场第一人称射击游戏中完成了13.5分钟的虚拟现实沉浸。分析了头部旋转的空间（变异系数）和时间维度（去趋势波动分析）。进行探索性相关性、线性回归和聚类比较（无监督机器学习）分析，以解释网络病和视觉运动表现。传统VR人的因素（存在感、流动状态、视频游戏体验、年龄）也得到了整合。

结果：结果表明，在接触虚拟现实之前测量的场依存性-独立性解释了网络病方差的¼，而模拟疾病问卷的定向障碍量表预测了16.3%的视觉运动表现。此外，对浸入过程中头部旋转的自动分析揭示了两组不同的参与者，其中一人报告的网络病比另一人多。

讨论：这些结果是从感觉统合和减少头部旋转作为避免负面症状的行为方面进行讨论的。这项研究表明，在浸入之前使用（虚拟）杆和框架测试测量场独立性，并在浸入期间使用内部传感器跟踪头部旋转，这可能是VR演员的强大工具。

1引言

21世纪初，虚拟现实（VR）已经从工业扩展到许多领域，并在旅游业中应用(Beck等人，2019年)，房地产(布伦纳，2017年)、体育和视频游戏(Neumann等人，2018年)、面向社会、应用于新闻业(Sirkkunne等人，2016年)，教育(Kavanagh等人，2017年)、和历史(Fleury和Madeleine，2012年)、科学、心智哲学的应用(桑切斯·维维斯和斯莱特，2005年)、社会行为(潘和汉密尔顿，2018年)，当然还有健康，在心理治疗中的应用(里瓦，2022年)，康复(Laver等人，2017年)或缓解疼痛(Hitching等人，2023年). 值得注意的是，这些应用大多围绕着生态维度的概念展开，即这项技术将个人沉浸在定制的环境中，同时保持对其的完全实验控制(帕森斯，2015;道森和马科特，2017年). 例如，认知行为治疗从业者就是这样一个例子，他们想让患者沉浸在飞机中，从而消除他们对飞行的恐惧，同时能够在场景变量上进行游戏，例如天气、高度、噪音、干扰……而无需实际陪在患者的飞机上(Scozzari和Gamberini，2011年;Miloff等人，2019年). 的确，作为布莱森（2013）也就是说，“VR”意味着“有具体存在的效果，但实际上没有具体存在”。正是因为虚拟飞机在恐惧症患者身上产生了心理-生理焦虑的具体影响，治疗师才能够在不必为这种情况的具体存在付出代价的情况下进行治疗。然而，虚拟现实所承诺的所有潜在好处在很大程度上仍然受到使用过程中出现类似于晕车的负面症状的阻碍：网络病(Rebenitsch和Owen，2016年;斯坦尼等人，2020b).

晕车是虚拟现实最著名、最普遍、最有问题的副作用，通常被认为是“视觉诱发晕车”(拉维奥拉，2000年;Bos等人，2008年). 不同级别的许多（如果不是大多数）用户都会遇到这种现象，一些罕见的用户受影响太深，无法使用该工具(Caserman等人，2021年). 网络病的症状包括头痛、恶心、胃部意识障碍、定向障碍、头晕、眩晕、出汗、视力模糊、困倦和极少呕吐(Rebenitsch和Owen，2016年). 网络病症状不仅会减缓虚拟现实的使用和发展，而且还会导致该工具固有的潜在偏见。例如，网络病的症状似乎对认知表现有负面影响，尤其是空间认知(Gresty等人，2008年;格雷斯蒂和戈尔丁，2009年;Mittelstaedt等人，2019年;Maneuvrier等人，2020年). 然后，如果网络病造成的损害没有得到适当测量，可能会导致对表现的错误测量，例如，在虚拟现实诊断神经退行性疾病时，空间认知经常受到损害(帕内蒂和卡拉布雷西，2006年;2006;波辛，2010). 因此，网络病仍然被认为是一个亟待理解和解决的问题(斯坦尼等人，2020b).

许多理论试图解释网络病。用来解释赛博病的最著名的理论家族是“感觉冲突理论”，最初由理性与品牌（1975）在这些观点中，触发症状的是不同感觉方式（例如视觉和前庭系统、非前庭本体感受器）信息之间的不一致，也称为感觉或知觉不匹配。这个理论在某种程度上与特雷斯曼（1977）Treisman指出，进化过程确定了摄入毒素导致的感觉错位，并试图通过引起恶心和呕吐症状将毒素排出体外。另一个常见的理论是主观垂直冲突理论(Bles等人，1998年;Bos等人，2008年;Chung和Barnett-Cowan，2023年). 在这些观点中，只有与垂直（重力）感知有关的感官冲突才会引发负面症状。因此，该理论预测，用户沿俯仰和滚动轴的运动比沿偏航轴的运动更容易引发网络病。最近，Palmisano等人（2020年,2022)他们认为，赛博病是由参与者头部虚拟姿势和物理姿势之间的差异（与垂直姿势无关）引起的显示滞后引起的。另一个主要理论是姿势不稳定(里奇奥和斯托夫雷根，1991年;Stoffregen和Smart，1998年). 在这些观点中，姿势不稳定先于负面症状的出现：网络病的出现不是因为感觉错位，而是因为难以保持姿势稳定。

尽管最近有批评，但网络病主要是用主观方法测量的(Sevinc和Berkman，2020年;Bouchard等人，2021年)最常见的问卷是Kennedy&al.（1993）开发的模拟疾病问卷（SSQ）。还开发了其他工具，特别是虚拟现实疾病问卷Kim等人（2018）一个重要的问题是，事后自我报告措施没有考虑到网络病的动态性质，这对理解其心理生理学可能至关重要。这就是为什么快速运动病量表也被使用的原因：它由实验期间的多个自我评定（从1到20）组成。然而，倍数以虚拟形式FMSS的措施导致出现多次中断(Slater等人，2003年)，并可能被视为导致非生态VR体验。为了克服主观方法的局限性，人们使用生理、姿势和行为测量以及分类和其他机器学习方法来测量和预测虚拟现实中的网络病(Bailey等人，2022年;Hadadi等人，2022年;Yang等人，2022年). 在这些情况下，像SSQ这样的主观测量被用作生理变量试图预测的回归变量，考虑到问卷偏见的局限性，这并非没有问题：例如，有人建议男性参与者报告的网络病比女性参与者少，以便显得强壮(Rebenitsch和Owen，2014年;2016). 因此，重要的是要记住，即使是最复杂的生理测量模型也只能预测参与者自己对网络病的陈述。最近，许多研究探索了使用生理数据或眼动变量预测赛博病分数的可能性(Dennison等人，2016年;Garcia-Agundez等人，2019年;伊斯兰等，2020年;Wibirama等人，2020年)、软件和硬件因素(Rebenitsch和Owen，2021年)以及主观视觉垂直方向的感知波动或变化(Nooij等人，2017年;Chung和Barnett-Cowan，2023年).

许多个体特征（或人为因素）被认为是调节和/或调节网络病症状的出现，例如年龄(Jasper等人，2023年)视频游戏体验和其他虚拟实践(Howarth and Hodder，2008年;Maneuvrier等人，2020年;2022;Kourtesis等人，2023年)以及明显的存在感(Weech等人，2019年;Maneuvrier等人，2020年;2022). 存在感是“存在”的品质(Heeter，1992年;谢里丹，1992年)对虚拟现实的生态使用至关重要(帕森斯，2015;卡明斯和拜伦森，2016年). 然而，我们缺乏研究和理论来确定网络病和存在感之间因果关系的可能方向(Weech等人，2019年). 同样，关于消极症状和流动状态之间的联系，也就是VR中经常测量的任务的最佳集中状态，也几乎没有信息(Csikszentmihalyi，1990年;卞等，2018;Yang和Zhang，2022年). 这可以用以下事实来解释：所有这些心理现象都是在沉浸后进行主观测量的。相反，在沉浸之前使用行为工具测量的一个有希望的人为因素是场依存-独立连续体（FDI）。外国直接投资可能被视为一种感知风格，揭示了视觉线索在多感官整合中的主导作用(Witkin等人，1962年). 长期以来，这种认知和/或感知方式一直被认为是晕动病易感性的一个决定性特征，最近又被认为是网络病易感性的一个决定性特征(Deich和Hodges，1973年;肯尼迪，1975年;Maneuvrier等人，2021年). 外国直接投资通常使用著名的杆与框测试来衡量，在该测试中，视觉线索发生变化的个人必须垂直对齐一根杆。这很有趣，因为多感官整合（重新审视）的灵活性和主观垂直感都与网络病有关(Weech等人，2020a;Maneuvrier等人，2021年;Chung和Barnett-Cowan，2023年). 这个想法是，那些主要使用视觉线索和/或对视觉线索更敏感和/或更难称重的人可能更容易患网络病(Fulvio等人，2021年).

运动和/或感觉到的运动错觉，也称为运动错觉(Palmisano等人，2015年)，似乎在虚拟现实中网络病的出现中发挥了至关重要的作用(Keshavarz等人，2015年). 虚拟现实中运动的主要来源是光流：视频游戏玩家通常会使用触发光流的线性运动来探索虚拟环境，以模拟现实生活中的行走。在虚拟现实中，沉浸式的第一人称体验增加了这种视觉效果的强度，这使得传统游戏玩家可以获得的静态线索消失，例如屏幕后面的房间，甚至屏幕边缘。这解释了为什么在虚拟现实中通常建议不要使用线性运动作为一种运动方式(克利夫顿和帕尔米萨诺，2019年)即使习惯化是可能的(Howarth and Hodder，2008年;Adhanom等人，2022年). 事实上，在许多虚拟现实案例中，头部的位置被跟踪，并用作虚拟3D相机来渲染虚拟环境。因此，一个静止的虚拟现实用户通过沿三个旋转轴（俯仰、偏航、滚动）旋转头部来视觉探索环境(图1)在空间和时间维度上。目前尚不清楚这些头部旋转与网络病的直接和精确关系(Rebenitsch和Owen，2016年). 还不清楚一个轴心是否比另一个更具挑衅性。众所周知，视觉旋转振荡(Bonato等人，2009年;Keshavarz和Hecht，2011年)旋转运动与症状的出现有关(Aykent等人，2014年;Palmisano等人，2017年;Arcioni等人，2019年;伊斯兰等，2021年;Porcino等人，2022年;Sumayli和Ye，2023年). 此外，“改变”静脉似乎比“稳定”静脉产生更多的负面影响(Budhiraja等人，2017). 通过增加模糊效果，缓解视觉障碍似乎也可以减少网络病(Budhiraja等人，2017年)，通过添加固定的视觉框架(Kemeny等人，2017年)或通过推断头部运动(Garcia-Agundez等人，2017年). 虚拟现实中头部旋转与赛博病相关的原因取决于理论：由于头部旋转，视觉系统与其他感知系统之间可能会出现不匹配（由于跟踪和延迟）(《理性与品牌》，1975年;Bos等人，2008年)，或在物理姿势和虚拟姿势之间(Palmisano等人，2020年;2022)，正如这些旋转可能影响垂直主观和姿势不稳定一样(Stoffregen和Smart，1998年;Chung和Barnett-Cowan，2023年).

图1

图1.头部旋转三个轴的图形表示：x（滚动）、y（偏航）、z（俯仰）。

鉴于在大多数虚拟空间环境中，头部旋转对视觉探索都是必要的（跟踪头部旋转是空间探索的手段），也是网络病的潜在来源，因此探索它们之间的关系问题似乎很重要，尤其是在视觉运动任务方面。事实上，手眼协调是虚拟现实中许多过程的核心：除了作为许多商业成功的主要游戏机制之外，如披头士、半生Alyx或the Lab，使用虚拟现实评估和恢复视觉运动表现很可能被证明是认知和运动科学的一种新工具(Carrieri等人，2016年;Choi等人，2018年;Pratviel等人，2021年;David等人，2022年;Grosprítre等人，2023年)也用于健康研究和应用，例如帕金森氏病(Eng等人，2007年;Seitz，2014年;Chen等人，2020年;Köster等人，2021年;Lahude等人，2022年). 例如，Pratviel&al.（2021）的研究提出了Dynavision任务，并显示了其可靠性和兴趣，以便使用光跟踪范式评估参与者的视觉运动能力。然而，在研究Pratviel等人（2021年），参与者面对的是一堵二维墙，大多是静止不动的，这不能被视为一种生态实验。因此，没有静脉和/或头部旋转可以解释为什么在Pratviel等人（2021年）与视觉运动表现相关。相反，在一项需要对空间虚拟环境进行大量视觉探索的任务中（从而触发运动情境），我们可能会期望赛博病和视觉运动表现之间存在负面关系，无论是通过视觉疲劳(拉维奥拉，2000年;Bos等人，2008年;Rebenitsch和Owen，2016年)认知疲劳和定向障碍(Gresty等人，2008年;格雷斯蒂和戈尔丁，2009年;Maneuvrier等人，2020年)将注意力资源转向生理症状，或将这些注意力资源分配给心理生理状态的解决/补偿(Maneuvrier和Westermann，2022年).

我们最终得出了一个明显的悖论：在空间环境中，更多的头部旋转（在空间和时间维度上）应该与i）由于更丰富的视觉协调和探索而获得更好的视觉运动表现相关，但也与ii）由于赛博病的有害影响而导致视觉运动表现较差相关。为了探讨这个问题，我们提出了一项实证研究，旨在i）评估网络病对视觉运动表现的影响，ii）使用头部旋转和外国直接投资预测网络病。为了探索性研究和数据生成的目的，本研究还提出了对常见VR人为因素的相关分析：即年龄、存在感、视频游戏体验和流动状态。我们预计视觉运动表现会被网络病的负面症状所改变。此外，我们预计头部旋转，无论是在空间还是时间维度上，都将是网络病症状的预测因素。总之，我们的目标是帮助更好地理解网络病和虚拟现实的利用，最终目标是测量、预测并最终对抗负面症状及其影响(斯坦尼等人，2020a)在空间环境中。事实上，虚拟现实所承诺的综合和生态效益，无论是在研究、诊断还是康复领域，都要求我们研究虚拟空间环境和任务中的现象。因此，这项探索性研究特别关注空间环境中几乎是移动用户的视觉运动任务和主动头部探索情况，这在VR应用程序和游戏中非常常见(Maneuvrier等人，2020年;Barnett等人，2022年)，但应考虑和/或将结果和讨论应用于其他情况。

2材料和方法

2.1参与者

2.1.1招聘

参与者是通过第一和第二作者大学走廊上的海报招募的。排除标准为：i）年龄在18岁以下或35岁以上，ii）有已知的未纠正的心理或生理状况，可能损害对虚拟环境的感知和/或视觉运动控制器的使用。参与者没有按照这些标准进行医学筛选，但得到了实验者的信任。那些可以在头戴式显示器中使用矫正镜片或眼镜的人也包括在内。

2.1.2样品

40名参与者（年龄23.55±4.03）被纳入最终分析样本。对于开放式问题“你出生时的性别是什么？”，这是一个可选的问题，其中26人（23.03±3.44岁）在法语词汇场“femme”中回答，14人（24.5±4.9岁）在法国词汇场“homme”里回答。所有参与者都生活在西欧，几乎所有人都是该大学的学生（高中毕业后平均学习2.85±0.83年）。

2.1.3道德

所有参与者都给出了书面同意，实验人员认为他们严格遵守了《赫尔辛基公约》(2001年赫尔辛基宣言). 实验方案经当地研究伦理委员会验证，数据管理符合GDPR(鸽子，2018).

2.1.4实验人员

主要实验者是本研究的第一和第二作者，以及其他不想追求科学写作过程的研究生。一半的实验者认为自己是男性，一半是女性。实验是随机的，并在监督下进行了初步数据收集，以确保实验人员之间的实验一致性，即使协议是高度计算机化和自动化的。

2.2 VR视觉运动性能

虚拟拍摄环境是由第一作者使用Unity3D和面向对象编程语言C#自定义创建的。用于浸入的头戴式显示器为HTC-Vive Pro（每只眼睛1440×1600分辨率，98°水平视野，90 Hz刷新率）。这台计算机运行的是Windows 10–64位，处理器是Intel Core i9-9900 K 3.6 GHz，配备了32 GB的RAM。图形处理单元是GeForce RTX 2080。此硬件确保了每秒60帧以上的一致帧速率。

由于头戴式显示器硬件的机械技术问题，无法调整每位参与者的瞳孔间距。然而，该距离被设定为62.5毫米，这相当于北欧16-40岁男性和女性的平均瞳孔间距(指针，1999)因此，它同样适合（或不适合）男性和女性，相比之下，最初的67.5毫米的头戴式显示器更适合男性(斯坦尼等人，2020a).

在一个简短的教程解释了如何使用HTC Vive跟踪控制器后，参与者沉浸在一个西方风格的卡通世界中(图2). 他们被安置在一列行驶中的火车上(图2A)为了实现线性、平滑的光流，通过轻微的感知变化，可能会引发非常轻微的网络病（以防止基底效应）(克利夫顿和帕尔米萨诺，2019年;Adhanom等人，2022年). 火车的路线是笔直的，以避免出现太多的网络病，火车的速度很慢，每秒0.5个单位的距离，其中一个单位是虚拟环境中参与者的大小（对应于缓慢步行的视觉光流）。

图2

图2.第一人称和第三人称观看虚拟环境中的沉浸感。（A）移动中的火车没有明显的目标。（B）基于HTC-Vive控制器跟踪的手和虚拟手枪。（C）参与者向敌人目标发射一枚炮弹（黄色球体）。（D）敌人向行进中的火车发射炮弹（绿色球体）。

被跟踪的虚拟控制器被改造成一支可以使用触发器每秒发射一颗子弹的枪(图2B). 在虚拟环境中，通过语音记录（男性人声）进行视觉和口头指示。参与者被要求为途中遭到袭击的火车进行辩护(图2C). 外星人定期出现（每10秒一次），并以假随机的方式排列（但所有参与者都是一样的），沿火车方向呈180°弧线排列(图2B、D). 他们一出现就开始向火车发射炮弹（然后每隔1.5–2秒，随机发射一次）。外星人一直持续到他们被中和或从参与者的视线中消失。

参与者既可以发射炮弹摧毁他们，也可以射杀外星人以抵消他们，他们唯一明确的目标是保护火车。整个沉浸持续13分钟和30秒，之后虚拟环境关闭。性能是通过实际击中火车的敌方炮弹数量来衡量的。

选择西方射击游戏是为了使用经典的流行文化方案。做出这一决定的目的是希望能够容易地诱导空间存在感和流动状态，以及易于实施的人体工程学和启示。此外，这个第一人称射击游戏探索了一种分析虚拟现实中生态整合视觉运动表现的尝试。事实上，我们假设生态虚拟现实的未来，无论是出于研究目的还是应用（诊断、康复），都将涉及高度一体化的空间环境，这要求我们研究后者中的现象。虚拟任务的视频可以在补充资料中找到。

2.3主观测量

所有VR主观变量和人口统计学数据均采用计算机化自填问卷在沉浸后进行测量。

使用法语验证的模拟疾病问卷测量网络病(Bouchard等人，2007年). 然而，传统保理Kennedy等人（1993）使用了三个子量表。报告了恶心、眼球运动和定向障碍量表以及总分，以便与经验证的国际工具进行比较。为了避免暗示不利影响，未测量浸泡前的基线水平，这一点最近受到质疑(Brown等人，2022).

使用法语验证的最常见问卷测量存在感(威特默和辛格，1998年;Robillard等人，2002年)，没有触觉元件，因为沉浸式系统不包括通过触摸探索环境的能力。报告了所有其他经验证的子量表（真实性、行动可能性、界面质量、检查可能性、性能自我评估、声音）以及总分。

使用VR中使用的流动状态问卷的不同项目的翻译来评估流动状态，但由于找不到有效版本，因此翻译成法语。总分用于可靠性评估。由于文献中没有对其进行验证，因此补充材料中给出了用于流动状态问卷的项目及其英语翻译。

视频游戏体验是用一个10分制的问题来衡量的：“你多久玩一次视频游戏？”，其中10分是“每天”，1分是“从不”。使用10分制而不是标准的7分制，以避免与每周比赛天数混淆。

2.4现场依赖性-独立性

为了评估浸入过程中的演变(Maneuvrier等人，2021年)第一作者（补充材料）使用Unity3D内置的定制虚拟杆和框架测试，在浸泡之前（FDIpre）和浸泡之后（FDIpost）评估了FDI。

参与者坐直，双脚不接触地面，必须使用HTC Vive跟踪控制器将一根杆对准，该杆最初与重力垂直线（0°）成+27°或-27°倾斜，位于倾斜角度为+18°或-18°的静态框架中。共进行了16项试验，每种组合依次测试四次。在每次试验中，重力垂直的绝对误差以度为单位进行测量。

使用平均绝对误差测量单个外国直接投资水平。平均绝对误差越大，参与者的主观视觉垂直受倾斜框架的影响越大，因此FDI水平越高。FDI（FDIev）的变化是使用以下比率计算的：FDIev=（FDIpost-FDPre）/FDIpre。最后一个变量（FDIev）对应于外国直接投资的灵活性。补充材料中提供了虚拟杆和框架测试的视频，作者可以免费使用该工具。

2.5头部旋转

通过与基站相关的HTC Vive耳机集成传感器测量头部旋转。使用Unity3D与SteamVR插件报告的Euler角度，导致3个轴：x（滚动）、y（俯仰）和z（偏航）(图1). 三个轴的原点（0，0，0）在列车方向上进行校准，与光流和地面对齐。记录的采样率为15Hz，即每秒45次测量（每个轴15次）。对于每个轴，在记录开始和结束时，当没有敌人繁殖时，系统地删除了10 s测量值，以抵消探索虚拟环境时的诱导间差异，并捕获真实的“实际行动”行为。因此，考虑了每个参与者在3个轴上的11850个帧进行空间和时间分析。将每个轴的每个帧的全局角度（以度为单位）转换为每帧的旋转量（帧i1-帧i2）。这被用作（绝对值）构建不同的度量，以便计算三个轴（x、y、z）中的变异系数（标准旋转偏差-每帧平均旋转）。这三个变异系数（x、y、z）被用作虚拟浸入过程中头部旋转的行为空间量化(Lovie，2005年). 三个轴上头部旋转的时间序列也用于使用三个轴的去趋势波动分析（DFA，窗口大小=1000）对头部旋转进行时间评估(Hardstone等人，2012年). 例如，DFA分析通常用于检测明显的分形感知运动特征。

2.6程序

参与者被明确告知实验方案，他们可以在没有解释的情况下随时停止实验，但没有人选择这样做。一旦获得书面同意，参与者就会配备VR耳机和跟踪控制器，并被告知将在虚拟环境中给出指示。在完成虚拟杆与框架测试（FDIpre）的第一部分后，参与者在第一人称射击中完成了13.30分钟的浸入。一旦虚拟视觉运动任务完成，参与者就没有装备，并被要求完成虚拟现实自我报告的计算机化测量。随后，参与者进行了短暂的重新装备，并被要求进行虚拟杆架测试（FDIpost）的第二部分。最后，与会者受到了感谢，并被邀请提问，然后离开了实验室。

2.7分析

2.7.1异常值

统计分析采用JASP（0.17.1）和RStudio（2023.06）。首先，我们使用每个感兴趣变量的四分位范围（IQR）检查了数据中的异常值（即[25%]-1.5 x IQR和[75%]+1.5 x IRR），客观而系统地将每个分数排除在范围之外。由于样本量较小且研究具有探索性，因此只删除了特定变量的异常值，而不是整个参与者。

2.7.2描述性分析

使用麦当劳Omega进行描述性分析和可靠性分析。报告平均值和中位数及其标准偏差：[平均值；中位数±标准偏差]。

2.7.3相关矩阵

使用Pearson’s r，混合VR主要变量（赛博病量表、视觉运动表现、FDIpre、FDIev）、VR人为因素（存在感、视频游戏体验、流动感）和年龄，计算出全球相关矩阵。

2.7.4线性回归

为了评估网络病的预测因素及其对视觉运动表现的影响，进行了两次探索性线性回归。第一个以网络病（总SSQ）为因变量，头部旋转（Coef_X、Coef_Y、Coef_FZ和DFA_X、DFA_Y、DFA_ Z）和FDI变量（FDIpre和FDIev）为潜在协变量，第二个以视觉运动表现为因变量和网络病变量（恶心、眼球运动和定向障碍量表）作为潜在的协变量。这两项都是使用基于相关矩阵和先前发现的enter方法进行的：在每个步骤中都添加了大多数潜在的重要变量，并且只有在全局模型第页-值低于第页=0.05和每个预测值第页-值低于第页= .05. 由于样本大小和缺乏理论基础，没有考虑相互作用。

2.7.5机器学习分析

为了同时在空间和时间维度上理解头部旋转对所有三个轴上的网络病的影响，并探索对这类数据进行无监督机器学习分析以预测网络病的可能性，进行了聚类分析。采用c均值聚类方法。它是一种软聚类方法，将每个数据点划分为不同的组，以便同一组中的观测值相似，而不同组中的观察值差异更大（均值中心类型、Hartigan-Wong算法、25个最大迭代次数和JASP推荐的25个随机集）。由于样本量小，没有使用回归或分类算法：将数据分为训练、验证和测试组会大大降低算法的有效性。然后使用Mann-Whitney对获得的聚类进行赛博病变量（恶心、眼球运动、定向障碍量表）的比较U型测试，以测试无监督算法的判别和预测能力。

2.7.6统计方法

相关系数由Pearson r给出，Mann-Whitney U检验的效应大小由秩-双列相关给出。线性回归的影响大小使用R（右）²共线性诊断采用方差膨胀因子（VIF）进行测试，残差自相关采用Durbin-Watson检验。使用Q-Q图标准化残差和残差直方图筛选残差的正态性。系统地报告了95%置信区间（95%CI），以及第页-值。正如最近的认识论辩论所建议的那样(Amrhein等人，2019年;Wasserstein等人，2019年)，并且由于该研究的探索性，仅基于任意的第页-值阈值，但结合不同统计估计值进行讨论。

3结果

3.1初步分析

3.1.1视觉电机性能

删除两个异常值（x¹=362，x²=246），视觉运动性能变量的分布为[-59.65；−49.5±36.96]，这意味着参与者平均让59.65枚敌方炮弹接触火车。尽管分析中没有考虑这些变量，这些变量只是描述性的，但平均而言，参与者发射了[832.7；799±167.59]次子弹，平均准确率（击中敌人的弹丸或敌人而非背景）为[53.1；53.6±7.9]%。

3.1.2主观测量

消除了定向障碍量表中的一个异常值（x¹= 88.24). 赛博病总自我报告分数（总SSQ）显示分布为[209.52；164.59±169.88]，恶心评分为[14.54；19.08±11.63]，眼球运动评分为[19.89；15.16±18.22]，定向障碍评分为[1.98；13.92±20.89]。麦当劳所有商品的欧米茄是：ω=0.745，95%CI[0.64，0.82]，对于所有子量表：ω=0.864，95%置信区间[0.773，0.924]。考虑到这一强大的可靠性得分，SSQ总量表因此被视为一个构建变量，在进一步分析中称为“网络病”，而不考虑子量表。

现场感的全球自我报告分数显示分布为[108.9；107±12.06]，现实主义量表为[35.17；34.62±5.84]，行动可能性量表为[19.92；19±2.64]，界面质量量表为16.1；16.5±2.74]，检查可能性量表[10.27；10±1.26]表现量表的自我评价和音频量表的[16.82；17±2.76]。麦当劳欧米茄适用于所有商品：ω=0.83，95%CI[0.75，0.91]，对于所有子量表：ω=0.75，95%置信区间[0.61，0.88]。考虑到这一强大的信度得分，在场感问卷的总分被认为是一个构建变量，称为“在场感”，在进一步的分析中。作为次要变量，在场感问卷的分量表在分析中未被考虑。

流动状态调查问卷显示分布为[67.87,68±8.5]，使用麦当劳欧米茄，其项目的可靠性为ω=0.83，95%置信区间[0.75，0.91]。考虑到这一强大的可靠性得分，在进一步的分析中，流动问卷的总分被视为一个被称为“流动状态”的构造变量。

视频游戏体验问题显示了[4.32；4±2.93]的分布。作为一个单项问题，在进一步的分析中，这个分数被视为一个被称为“视频游戏体验”的构造变量。

3.1.3字段相关性

从FDI分数中删除了四个异常值（x¹=10.42，x²=14.02，x^三=15.08，x⁴= 19.58). FDIpre得分显示分布为[3.66；3.08±1.87]，而FDIpost得分显示平均值为[2.88；2.56±1.66]。FDI比率演变（FDIev）为[-0.36；−0.32±0.32]。必须从FDIev得分中删除一个异常值（x¹= 1.41). Wilcoxon signed-roard在比较FDIpre和FDIpost时概述了浸没期间FDI的全球减少：W=572.5，z=4.21，第页<0.001，秩-疾病相关系数=0.81，95%置信区间[0.64,0.91]。

3.1.4头部旋转

浸入过程中使用欧拉角测量的每帧（15 Hz）头部旋转分布为[0.003；0.003±0.001）X（X）-轴，[0.011；0.011±0.004]英寸Y（Y）-轴和[0.002；0.002±0.0001]Z轴-轴。关于头部旋转的空间分析，浸没期间头部旋转的总体总和X为[37.09；35.41±12.42]，Y为[132.32；133,14±43.57]，Z为[26.95；26.62±9.6]X（X）-轴，[1.84；1.85±0.16]用于Y（Y）-轴，[1.43；1.45±0.168]用于Z轴-轴。关于头部旋转的时间分析，全球DFA估计值为[0.76；0.76±0.036]X（X）-轴，[0.75；0.76±0.33]用于Y（Y）-轴和[0.76；0.76±0.035]Z轴-轴。

3.2相关矩阵

为了清晰起见，从相关矩阵中删除了三个与其他变量无关的变量：年龄、FDIev和视频游戏体验。相关矩阵可在中找到图3.

图3

图3相关矩阵（皮尔逊r）的图形表示。橙色表示负相关，蓝色表示正相关。颜色越深，相关性越强第页-值。无指示意味着第页-值大于0.1.*=第页< .05, ** =第页< .01, *** =第页<.001 Coef_i=i轴上头部旋转的变化系数，DFA_i=我轴。

3.3线性回归

3.3.1网络病

符合定义标准的解释网络病的最佳模型（总SSQ）解释了26.9%的网络病变异(R（右）²=0.269，F（1,34）=12.53，第页= .001). 唯一的预测因子是FDIpre(β=0.519，t=3.54，第页<.001，95%置信区间[20.47，75.65]）。

3.3.2视觉电机性能

解释符合规定标准的视觉运动性能的最佳模型解释了视觉运动性能16.3%的方差(R（右）²=0.163，F（1,35）=6.81，第页= .013). 唯一的预测因素是定向障碍量表（β=−0.404，t=−2.61，第页=.013，95%置信区间[-1.21，−0.15]）。

3.4机器学习分析

3.4.1无监督聚类

基于头部旋转变量（空间和时间）的C-Means聚类分析揭示了两个不相等的聚类：C1（N=27）和C2（N=13）。全球分析（N=40）指标为：R（右）²=0.308，AIC=199，BIC=219，轮廓=0.21。两个集群的描述性统计数据可以在中找到表1.

表1

表1.基于邻域算法分割的两个簇的描述性统计。C1=集群1，C2=集群2。STD=标准偏差。

3.4.2集群比较

Mann-Whitney测试表明，这两个集群在SSQ总规模上似乎有所不同（W=270，第页=0.006，秩-疾病相关性=0.541，95%CI[0.21，0.75]），在恶心程度（W=253，第页=0.02，秩-疾病相关性=0.442，95%置信区间[0.08，0.69]），在眼球运动量表上（W=239，第页=0.007，秩-疾病相关=0.53，95%CI[0.2，0.75]）及其失定向量表（W=239，第页=0.032，秩-疾病相关性=0.41，95%置信区间[0.05,0.68]）(图4).

图4

图4两个集群在赛博病变量C1（N=27）和C2上分布的图形表示（雨云图）(n个=13）通过聚类无监督机器学习算法（c-means软划分方法）对三个轴（俯仰、偏航、滚动）中头部旋转的时空变量进行分割。

4讨论

4.1网络病的影响

这项研究的实证结果强调了网络病在虚拟现实中的重要影响，即使是在相对较短时间内沉浸在空间虚拟环境中的年轻人和（显然）健康的成年人中也是如此。事实上，视觉运动表现任务的16.3%的变异可以用SSQ的定向障碍量表来解释，这是可以理解的，因为视觉运动虚拟任务的过程涉及大量的空间认知。然而，仍然有可能扭转这种关系的方向，并设想视觉运动能力较弱的人也更有可能出于某种原因出现负面症状。然而，先前研究的结果似乎指向了网络病对表现的影响的方向，例如通过诱发视觉疲劳(Lambooij等人，2009年;Hirota等人，2019年)，但很可能（关于定向障碍量表）是由于空间定向障碍导致认知资源恶化(Gresty等人，2008年;格雷斯蒂和戈尔丁，2009年;Maneuvrier等人，2020). 最后，尽管16.3%的视觉运动表现差异似乎相对较小，但我们不能忘记网络病的高度互变性和阈值效应(Maneuvrier等人，2020年;Varmaghani等人，2021年)：有些人可能比其他人受到的影响更大。无论是在研究中还是在应用中，严格使用虚拟现实都应该控制这种影响，因为网络病解释的这部分差异很可能不是来自正在测试的现象。此外，值得注意的是，总SSQ测量的赛博病与两个重要的虚拟现实变量负相关：存在感和流动状态。这似乎与以前的发现和理论一致(Weech等人，2019年;Maneuvrier等人，2020年)，似乎很符合逻辑。事实上，当我们考虑VR中注意力资源的经济性时(德雷珀和布莱尔，1996年;Draper等人，1998年)，我们可以认为，经历消极症状的个体必须i）将注意力资源分配给症状抑制和/或调节，ii）注意力资源被症状显著性直接改变，iii）注意力资源的焦点从虚拟环境转移到参与者的身体上(Maneuvrier和Westermann，2022年). 所有这些都在数量和质量上减少了出现和维持稳定的存在感和流动感所需的注意力资源。然而，本研究无法推断存在感与赛博病关系的方向因果关系，因为i）沉浸期间同时出现，ii）沉浸后同时依次测量。

4.2作为网络病预测因素的现场依赖性和独立性

相反，外国直接投资是在沉浸之前测量的，它解释了超过¼的网络病变异。这表明虚拟杆和框架测试评估了或多或少适应虚拟现实暴露的认知感知轮廓(Maneuvrier等人，2021年;Maneuvrier和Westermann，2022年). 这一结果凸显了利用外国直接投资预测虚拟现实中网络病的可能性：似乎个人对领域的依赖程度越高，他或她在虚拟现实中出现负面症状的可能性就越大。这与以前主要基于相关性和/或晕车研究的结果或建议一致(Deich和Hodges，1973年;肯尼迪，1975年;Mirabile等人，1976年;Maneuvrier等人，2021年;2022). 然而，据我们所知，这是第一次（据我们所知）通过棒和框架测试在浸入之前测量的外国直接投资分数能够预测如此高比例的网络病。相比之下，网络病预测模型通常需要大量变量来解释50%以上的方差(Dennison等人，2016年;伊斯兰等，2020年;2021;Chang等人，2021年;Rebenitsch和Owen，2021年;Yang等人，2022年;Jasper等人，2023年)而FDI是一种单一的行为指标，仅解释了26.9%，这并不意味着它不能与其他指标相结合。一种可能的解释是，杆与框测试概述了一些比其他测试更适合VR感官整合的特征和策略，可能是因为i）更好地抑制非内容刺激(皮特斯，2002年;Evans等人，2013年;贾等人，2014)以及ii）视觉线索的不同使用和灵活性(拉维奥拉，2000年;Bos等人，2008年). 这些解释与最近的论文一致，这些论文表明感觉重测和易患网络病之间存在关联(Weech等人，2020a;Fulvio等人，2021年;Chung和Barnett-Cowan，2023年). 有趣的是，浸入过程中场依赖的动态演变的影响，在之前的研究中似乎至关重要，因为它与虚拟现实的主观体验有关(Maneuvrier等人，2021年)尽管我们测量了全球外国直接投资的减少，但没有复制。除了统计伪影的结果外，这两项研究中运动方式的差异以及由此产生的不同光流也可以作为解释的线索(克利夫顿和帕尔米萨诺，2019年).

4.3头部旋转和无监督机器学习分析

虽然单独采取的头部旋转变量似乎都不能解释网络病，但综合考虑后，他们得出了一个有趣的结果。事实上，基于头部旋转（在空间和时间方面）数据的聚类分析将参与者分为两组，其中一组报告的网络病比另一组多。由于经历更多网络病的人也记录了更少的头部旋转，这种效应可以解释为一种回避行为：无论是否有意识，由于旋转运动而出现网络病症状的参与者都会减少这些运动，以缓解症状。结合其他近期发现(Padmanaban等人，2018年;Li等人，2019年;Hadadi等人，2022年;Porcino等人，2022年;Yang等人，2022年;Asbee等人，2023年)，这一结果放大了网络病自动评估的非常有希望的方面。这种方法有几个优点。首先，通过对头部旋转的逐帧分析，我们可以考虑网络病固有的动态方面，这是无法使用事后问卷进行评估的。此外，自动评估可以聚合多个变量（头部在三个轴的空间和时间分量中的旋转），否则很难检测到这些变量的整体方面。最后，无监督学习能够检测肉眼无法看到的模式（例如，独特的分形运动特征），并且使用更传统的统计数据很难解释这些模式。当然，缺点是这些模式很难识别，因此也很难理解：例如，无法估计某些轴上的旋转如何以及何时比其他轴上的旋转更容易导致网络病，这可能对理论理解至关重要(Palmisano等人，2015年;2022).

4.4虚拟现实的人为因素

与其他最近的研究相反，场依存水平既与在场感也与视频游戏体验无关(Maneuvrier等人，2021年;2022). 目前尚不清楚原因，因为在Maneuvrier等人（2022年）它应该独立于虚拟环境，但在本研究中没有重复。这可能是由于样本大小和效果大小阈值、统计人工制品或虚拟环境的感官过程差异造成的。尽管如此，令人惊讶的是，尽管视频游戏体验经常被认为是VR的一个重要人类因素，但它与任何其他变量都没有关联，甚至没有存在感或网络病(Lachlan和Krcmar，2011年;Weech等人，2020b). 事实上，视频游戏体验通常与VR有利体验相关，因为i）感觉错位习惯化(Howarth和Hodder，2008年)和ii）常见启示和认知方案(吉布森，1966年;Flach和Holden，1998年;Maneuvrier和Westermann，2022年). 有人可能会辩称，衡量视频游戏体验的一项问题信息量太少，无法区分不同类型的视频游戏，例如，智能手机上的休闲益智游戏和第一人称密集型射击游戏(Bosser和Nakatsu，2006年;Baniqued等人，2013年;Kapalo等人，2015年). 关于流动状态，它与这里复制的存在感之间的积极关系已被很好地证明(德雷珀和布莱尔，1996年;Draper等人，1998年;Bystrom等人，1999年;Faiola等人，2013年;Yang和Zhang，2022年). 然而，令人惊讶的是，与其他研究相反，流动状态与视觉表现和外国直接投资无关(卞等，2018;2020). 可以推测，难度水平没有得到调整，一些人发现任务太容易或太难触发有效的流动状态(Csikszentmihalyi，1990年). 也有可能是整个流程问卷项目及其手工翻译不够相关。最后，必须说明年龄和虚拟现实变量之间完全没有关联，这很容易用样本中非常小的年龄差距来解释。

4.5限制和批评

本研究的主要“局限性”是样本量，这也是其探索性的原因。这项研究最初是一项更大方案的一部分，由于SARS-CoV-2疫情和分配的资源（材料和时间），该方案无法完全完成。根据开放科学指南，我们认为这项实证研究不能真正检验无效假设并推断因果关系：不仅实验没有预先注册，而且没有先验的针对这个特定的假设和样本量进行了功率计算。鉴于此，我们呼吁进行验证性研究，并呼吁读者对实证结果进行批判性思考。然而，根据以前的研究结果和统计估计，我们估计这些探索性结果的逼真率为80%(古德曼，2018). 此外，我们认为这项研究和数据应该公开，以防止发表偏见(罗斯斯坦，2008;Fragkos等人，2014年). 其他的批评可以针对不同的主题：流量调查问卷，这是手工编制的，以及衡量视频游戏频率的问题，这可能不够区分。此外，为了避免产生暗示效应，没有对网络病的负面症状的基本水平进行测量，这可能是一个错误，尽管暗示效应可能存在争议(Brown等人，2022). 更重要的是，不可能精确调整瞳孔间距可能对一些参与者有害，无论是在网络病还是视觉运动表现方面(斯坦尼等人，2020a). 最后但并非最不重要的是，这项研究中的一个重大差距是头戴式显示器的6个自由度的集成，而不仅仅是旋转（3°）。对所有6个自由度的综合研究将使我们能够在分析中走得更远，特别是在无监督的机器学习检测方面。

4.6未来研究和应用

首先，如果复制这些结果，则可以使用虚拟杆和框架测试作为虚拟现实体验的预测工具。事实上，它在时间上是一个相对便宜的工具，在虚拟现实中很容易实现金钱和精力。会议时间短，易于自动化，因为16次试验似乎就足够了。其次，使用头部旋转数据评估网络病提供了几个实用优势。与生理或人口统计数据相比，头部旋转测量是虚拟现实固有的：所使用的传感器与视觉显示所使用的相同，并且可以在每个沉浸式系统上找到。例如，它们也很容易实现，正如我们在本研究中使用Unity3D中的SteamVR插件所做的那样。未来，实施这些措施的虚拟现实协作工具箱将在很大程度上促进负面症状的研究和/或控制。事实上，对网络病进行系统、简单和自动的评估将大大推动这一领域的发展，不仅可以更好地了解这一现象，还可以消除它。当我们考虑到网络病对表现和存在感的影响时，这一点至关重要。的确，正如我们之前所说(Maneuvrier等人，2020年;2022)中和或至少评估虚拟现实的心理生理效应是其在方法学上严格使用的先决条件，尤其是为了在综合和生态空间环境中进行更多的生态研究、诊断和康复。在更基本的层面上，更深入地研究与网络病相关的可能模式，例如在非线性分形分析中，将是特别有趣的(Renaud等人，2000年;2002;Bradley和Kantz，2015年;Tan等人，2021年). 事实上，虚拟现实设备获取的数据特别适合这些类型的分析。

数据可用性声明

支持本文结论的原始数据将由作者提供，不得有任何不当保留。

道德声明

这项涉及人类的研究得到了CICPPR-Comitéinstitutel consultational pour la protection des personnes dans la recherche的批准。这些研究是根据当地法律和机构要求进行的。参与者提供了参与本研究的书面知情同意书。

作者贡献

AM：概念化、数据管理、调查、方法论、软件、监督、写作——初稿、写作——审查和编辑。N-D-TN：数据管理、调查、写作——初稿、写作——审查和编辑。公关：概念化、方法论、资源、验证、写作——审查和编辑。

基金

作者声明，本文的研究、作者身份和/或出版未获得任何财务支持。

致谢

作者要感谢Nathalie LeBigot在后勤、材料和测试方面的重要帮助，感谢以下所有研究生作为实验者和测试人员的参与（Alan Grysole、Laurent Lansoneur、Lou Anna Le Guen、Luca Mourgaud、Magali Hamard、Nawël Schappacher、Tristan Feutren、Christine Tupaj），以及所有匿名参与者。

利益冲突

作者声明，这项研究是在没有任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

出版商备注

本文中表达的所有声明仅为作者的声明，不一定代表其附属组织的声明，也不一定代表出版商、编辑和审稿人的声明。任何可能在本文中进行评估的产品，或制造商可能提出的索赔，都不受出版商的保证或认可。

工具书类

Adhanom，I.、Halow，S.、Folmer，E.和MacNeilage，P.（2022）。VR疾病适应与倾斜光流从抽象到现实环境的转换。正面。虚拟现实。3, 848001. doi:10.3389/frvir.2022.848001

PubMed摘要|CrossRef全文|谷歌学者

Amrhein，V.、Greenland，S.和McShane，B.（2019）。科学家们反对统计意义。自然567 (7748), 305–307. doi:10.1038/d41586-019-00857-9

PubMed摘要|CrossRef全文|谷歌学者

Arcioni，B.、Palmisano，S.、Apthorp，D.和Kim，J.（2019）。在基于HMD的主动虚拟现实中，姿势稳定性可以预测出现网络病的可能性。显示器58, 3–11. doi:10.1016/j.displa.2018.07.001