基于EFA–熵权法的虚拟现实运动设计机制的眼动模型研究

孙雨萱，王殊轶，粱巨宏，魏强生

（上海理工大学医疗器械与食品学院，上海 200093）

虚拟现实晕动症是指佩戴虚拟现实（Virtual Reality，VR）头戴式显示器（Head Mounted Display，HMD）后产生的一种常见不良症状，表现为头痛、呕吐、出汗甚至方向障碍等状况[1]。驾驶员和宇航员在虚拟模拟器训练中就会出现这种类似医学上的晕车症状，当时称之为模拟器综合症。Dichgans等[2]发现了人类视觉刺激信息中包含自我感知运动信息，奠定了现代视觉诱导晕动症（Visually Induced Motion Sickness，VIMS）的研究基础；Hettinger等[3]通过对VIMS及自我运动错觉症状进行比较，从而将自我运动错觉确定为VIMS的诱发原因之一；近期纽卡斯尔大学的相关研究中，Alireza等[4]首次对临床晕动症状与VIMS进行对比研究，指出可能出现相同的临床状况。但实验的评价方式偏向主观评价，且仍未确定具体且客观的VIMS评估指标。VIMS是VR中诱发晕动症的主要原因之一。目前国内外关于VR的指标评价方面研究从生理信号[5]、姿势变化[6]、软硬件结合[7]等多种角度进行探索，但客观指标研究仍然较少。基于最主流的感知冲突理论，虚拟场景内通常没有发生真实的物理运动，而是“视觉诱导”，即一种自我运动错觉[8]。这种错觉是虚拟运动设计的重要部分之一，诱导本身会强化虚拟环境的表现与真实感，与存在感、沉浸感有十分密切的关系[9-10]，故这种运动机制下造成的VIMS是虚拟现实技术发展面临的主要障碍之一。VR用于康复训练中，患者大多在不发生身体运动的情况下，体验虚拟移动、旋转等常见运动。此时，这种运动机制使患者的视觉所见、前庭系统所感不一致。这种疾病与医学常见的晕动病不同，因为虚拟晕动症不是实际运动，VR应用于医疗训练、复健、心理治疗时，VIMS不但会导致使用感下降，对于患者还会有安全隐患，影响体验与治疗效果。所以VIMS的评估应该作为VR系统可用性测试的重要环节之一。

对于晕动症，主观与客观评价结果均需要考虑。由于客观生理信号采集、生理指标选取和数据特征处理较为复杂多变，且变量因素庞大，故需要进行针对性地筛选处理，采用探索性因子分析[11-12]（Exploratory Factor Analysis，EFA）剖析数据的潜在结构，尽量减少信息损失才达到降维。另外，VIMS的评估模型建立应考虑主与客结合的权重赋值思路，由于VIMS的强度受众多主客因素的影响，且因素相互作用、相互影响，单一的评价方法难以进行综合、客观的评价，为了使评价结果更接近于真实结果，应采用多种评价方法的联合运用。本文引入熵权法[13]改进EFA的思路，构建基于多指标眼动数据的VIMS因子评估模型体系。“熵”是根据各项指标值的变异程度来确定权数的，是一种客观赋权法，应用于模型建立可在很大程度上避免人为因素偏差，同时熵权法不能减少评价指标的维数。

具体建立评估模型思路为，通过EFA筛选主成分因子，提取因子后指标体系得到简化，再利用熵信息和方差贡献率进行客观赋权。本方法在数学变换中，使VIMS评价模型中各变量权重数的确定更符合客观属性，同时最大程度模糊了人为因素对评价模型的偏差，充分挖掘了数据包含的信息，在一定程度上提高了评价结果的真实性和可靠性。EFA–熵权法也是本文的创新点所在，其目的是运用更为客观的眼动数据评价分析VIMS，为VR系统的评价研究贡献新的思想。

1 实验内容及方法

1.1 虚拟现实场景设计

人们通过视觉、听觉、前庭系统和体感来判断空间位置变化，佩戴VR HMD后测试者的眼与显示镜片之间的距离不再变化。例如人眼正前方所视的平移运动，其实是画面放大的过程，自我运动错觉与不变的人眼焦距产生了感官冲突，诱发了晕动症状。根据心理实验室常用研究视觉刺激的运动错觉鼓[14]和光流信息模拟的虚拟旋转鼓[15]，本文基于上述原理设计了特殊的VR场景，利用Unity 3D软件设计了包含几种典型VR运动，用于研究VIMS。搭建的VR环境的设计见图1，左侧为架构原理图，右侧为设计的VR环境之一图示，测试平台搭建见图2。运动方式有5种：两种线性移动与3种旋转运动，见表1。VR系统设置为被动式运动，即受试者坐于椅上，应要求受试者保持头部不动，避免过大的视角变换，排除头部运动带来的测量误差[16]。场景可以进行移动速度和旋转角度的参数设置，UI界面可以通过功能按钮对速度和旋转角度的增加与减少操作。

图1 VR测试场景Fig.1 Virtual Reality scene for VIMS test

图2 测试平台Fig.2 Testing Platform

表1 实验设计的VR运动类型Tab.1 VR motions designed in experiment

1.2 数据采集

实验设备为德国ERGONEERS公司的虚拟现实眼动仪（Dikablis HMD），该设备是在虚拟现实设备HTC VIVE中集成Dikablis传感器，设备采集率为60 Hz，采集精度为0.1～0.3，配套的采集软件为D–Lab心理人因同步软件系统，提供虚拟现实环境下的行为数据采集分析综合性同步平台，包含眼动数据模块、视频行为记录与编码、运动捕捉和工效评价等种类的数据需求，实验过程的眼部运动见图3。

图3 D–Lab界面8种眼部运动特征Fig.3 8 kinds of ocular motor showed in D-Lab during the experiments

研究共招募受试者25名，健康在校大学生，年龄为22±3岁。受试者在实验前均已知晓试验内容，并要求受试者试验前24 h内不能饮用茶、酒水或咖啡等，保证无睡眠短缺，确保数据真实性、准确性。实验共向受试者发放主观量表问卷共125份，剔除无效评分，实际收回用作分析的问卷115份，计算其各自分数作为主观数据量，问卷内容包括：Kim等[17]提出的由“动眼（Oculomotor，O）”和“定向障碍(Disorientation，D）”这两个潜在因素驱动的虚拟现实晕动症问卷（Virtual Reality Sickness Questionnaire，VRSQ），根据权重计算可得到问卷分数，选取李克特5分制量表；对于诱发运动的移动错觉，以评分量表的形式让受试者做出移动错觉强度[18]（Vection Strength）评分，强度定位0至100分数，大于50则说明存在移动错觉，分数越高，强度越大。实验期间采用“视线追踪回溯式有声思维[19]（Eye–tracking Retrospective Think Aloud）”的方法，即受试者实时、准确地口头表述感受到的眩晕状态，并以虚拟现实晕动级别[20]（Visually Induced Motion Sickness Level，VIMSL）数值量化，强度级别从小到大为1至5级。实验前需要进行预实验测试步骤的完成度。受试者分别在场景内进行晕动测试，见表1。进行测试前说明，期间由实验记录者改变环境的移动类型与速度。D–Lab软件实时采集眼动数据，每次休息时间不少于5 min。受试者要完成的任务为测试前后需要完成VRSQ问卷调查；开始前静息20 s，观察测试场景；等场景速度发生变化后，口头汇报当前感受到的移动错觉强度；测试中感受到的眩晕强度增强时，实时报告当前的VIMSL级别。

为评估整个虚拟现实晕动实验的用户状态，需要对每个受试者采集眼动和量表数据进行处理，导入Matlab 2016 Ra和IBM SPSS Statistics 26.0软件进一步分析，要将全部数据与受试者静息状态下的数据作为基线，确保分析科学有效。

1.3 眼动指标分析

人眼变化是评价认知负荷的有效手段，眼动追踪技术用于记录视觉的移动情况，提供与注意相关的信息，其数据更加客观且有利于认知过程分析。准确的凝视点是测算的基础，眼动标定是实验记录前重要的校准步骤，见图4。眼动追踪技术中可采集的能量化指标繁多，根据预实验结果，采用mRMR方法选取了以下几个相关性大、彼此特征关系最小的眼动指标。首先，在眼动采集软件中，注视[21]是由多个连续采样点组成的，提取方法有平均法和差分法两种。注视点带有一个时间长度，可间接统计出注视持续时间；对于眼跳[22]信号，利用差分法，一旦眼跳速度超过某阈值，即作为一个眼跳信号。注视点与扫视发生的图例，见图5。其次，眨眼和瞳孔变化均可以反映人的情绪或情感状态，如知觉、记忆、思维、情绪等高级心理活动也会影响瞳孔变化[23]。由于“疲劳”属于不可观测信息，目前没有唯一的量化定义标准。瞳孔的变化有时不受个体意识控制，由人体自主的反应控制，所以瞳孔可以是判断主观疲劳的可靠客观指标[24]。2019年Wang Yan[25]基于眼动技术追踪的HMD眼部疲劳研究中，综合验光指标建立了广泛性强的测量眼部疲劳方法，该文全面搜寻比较了眼疲劳的相关可测指标，为本文提供了重要参考。例如关于眼疲劳的客观指标，包括临界融合频率（CFF）、双眼视力、眨眼率、瞳孔收缩率等[26-27]。眨眼属于瞳孔变化的范围，其本身的变化规律也与眼部疲劳与认知相关，眨眼信号分为两种类型，一般通过睁眼与闭眼的时间差异计算眨眼信号。数据处理时需要过滤生理性眨眼，提取带有受试者意识信息的随意性眨眼信号。故通过检测眨眼与瞳孔变化可以获得被试者的内部状态，并结合当前注视位置的信息，通过算法和计算机分析获取操作者当前状态（如眩晕、疲劳等）的信息，从而给出适当的反馈信号，用作缓解或者警觉提醒。根据预先筛选工作，采集的研究项名称见表2。

图5 注视点与扫视Fig.5 Points of fixation and saccade type

表2 指标与对应变量名Tab.2 Indicators and corresponding variable names

图4 Dikablis HMD的标定操作Fig.4 The calibration of the Dikablis HMD

2 实验数据处理与评估模型建立

2.1 EFA分析提取

EFA主要用于实验数据的有效简化、降维，以合理解释变量的相关性并筛选变量。推导成分表因子模型见式（1），简化为X=AF+ε，式中A为矩阵系数，ε为随机变量，F为原始变量，X为提取出的成分因子。再根据重新命名定义的公共因子建立整体函数模型，见式（2）。为了检验样本数据适用性，在因子分析之前，需要进行KMO测度和Bartlett检验样本，根据Kaiser的观点，KMO值至少达到基准0.6才可进行分析。结构见表3，Bartlett概率接近0，P值小于0.01，有较高显著性符合因子分析的条件。

2.2 因子载荷提取

判断适合进行因子分析后，进行公共因子载荷提取。适当的旋转可使载荷阵的结构简化，得到较为清晰、直观又满意的成分因子。选择适合的载荷矩阵旋转方法，是最终推导出合理线性模型的重要步骤之一，目前主要的正交旋转法有3种：方差最大法、四次方最大法和等量最大法。由于它们在简化、分类、提取上的思路各有不同，为了得到合理且无歧义的模型，本文分别采用3种因子模型，进行综合对比分析，选择最优的方法。所有因子都需要先进行标准化处理得到F˜。方差最大法正交旋转前后的累计方差解释见表3，旋转在7次迭代后收敛。累积率是指同一成分因子对各变量方差贡献的总和，统计提取了4个成分因子，累计方差解释率是86.765%，大于80%，表明4个成分因子基本保留了样本特征的大部分信息。样本数据生成的旋转得分与因子载荷系数，见表4。根据Comrey和lee整理[28]，因子载荷小于0.32，无法有效反映特性，因子载荷超过0.55的变量对公共因子的影响比较好，大于0.71为理想，故选取大于0.55的变量，作为主因子得分的主要指数。四次方最大法和等量最大法同理，分别在旋14次迭代、7次迭代后收敛。3种正交旋转法分别得到主因子得分表达，见式（3），Xi为对应的主因子，k为回归计算系数，ε为随机变量。

表4 因子载荷与因子系数Tab.4 Factor loadings and Standardized Scoring Coefficients

表3 正交旋转后累积方差解释Tab.3 Explained variance after Orthogonal rotation

2.3 指标权重确定与模型验证

表5 各因子累积贡献率与熵权权重Tab.5 Cumulative contribution rate and basic entropy weight of each factor

3 讨论

在本研究中，获得的回归预测模型，利用方差最大法和等量最大法的载荷矩阵旋转得到的模型拟合度高，且有效性高，其中等量最大法的平均值与标准差最小，t值最大。方差最大法简化了矩阵的每一列，使各因子上的载荷分离，这样仅有少数几个变量在个别因子上具有较高载荷。在因子得分评估模型中瞳孔直径、平均注视时间、总眨眼次数、眨眼频率和SSQ分数也在整个模型分析项中具有较高权重值。在主成分提取中的4个主因子中，眨眼频率指标在2个主因子上均具有一定载荷，因子载荷均稍大于0.55，这样提取的4个主因子并未被完全分开，容易在主成分命名上产生歧义。

等量最大法思路是综合四次幂与方差最大法求加权平均。结合了两种优势，囊括分别从因子载荷矩阵的行、列分开各变量，使所需因子达到最少。因子得分评估模型如下式，平均注视时间、总扫视时间、总注视点个数和眨眼频率具有较高权重值，在主成分提取的4个主因子中，各指标分别在4个因子上具有较高载荷，这样提取的4个主因子被完全分开，容易对4个主成分进行重新命名：X1代表瞳孔变化，X2代表视线变化，X3代表眨眼行为和X4代表量表评分，具有实际应用意义。各成分变量解释与主因子命名见表5。并且，VIMSL与回归估计曲线预测值的差异的配对t检验结果显示，模型结果与实际VIMSL差异无统计学意义：t=0.014,P(Sig. (2 -tailed))= 0.989＞ 0.05，且见表6所示，与EFA比，EFA–熵权法的差异性更小。熵权赋值法一定程度上解决了其中存在的主观因素在EFA法中的影响，将主观因素与客观因素建立起统一的模型框架，EFA降维后变量得到新的命名，进一步使各因素权重值更为客观合理。综上所述，本研究得到的基于EFA–熵权法的最佳评估模型见式（4）。

表6 EFA与EFA–熵权法t检验结果对比Tab.6 Paired t test for EFA and Entropy Weight Method

表7 成分变量解释与重新命名Tab.7 Interpretation for composition variables and factor renaming

4 结语

本文利用多项眼动指标对虚拟现实晕动症进行定量评估，构建晕动症级别与11项测试指标的预测回归模型，解释模型的意义及验证其有效性。该模型适用于研究虚拟现实运动机制的体验改进，也可以用作虚拟现实晕动症的晕动疲劳评估。本研究仍存在不足，模型应该进一步考虑运动环境变化带来的影响，虽然总体样本量达到分析建立模型的标准，但关于针对虚拟运动环境变化影响的后续研究，目前样本量仍较少。在之后的研究中，基本思路为继续增加受试者及添加有效样本量，建立分段模型，可以把环境变化量化为区间数值，使VIMS评估模型更加具有实用性价值。综上所述，本研究创新性地选取了眼动指标与主观量表数据建立回归模型，同时眼动可作为一种实时反馈受试者状态的数据信号，为VR系统的人因设计提供研究参考，也为今后解决虚拟现实晕动症的问题提供更多的理论研究。