深度学习可解释性图谱识别VR晕动症相关EEG模式
Get the story
2026年10月5日，arXiv 预印本（Human-Computer Interaction，一手研究）报道，研究者利用神经网络与可解释性图谱，从脑电图（EEG）数据中识别对 VR 晕动症（cybersickness）不适分类最有帮助的特征。首个数据集（n=29）在 120 次运行、三种不同神经网络与多个随机种子下，一致指向左额叶、中线中央与右顶叶头皮位置；第二个数据集（n=36）也标记了相似位置，显示跨时间、VR 刺激与样本的可迁移性。目前报道仅涉及特征位置的稳定性与跨数据集一致性，未披露具体模型架构、分类精度或临床验证结果。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Human-Computer Interaction用深度学习可解释性图谱揭示与 VR 晕动症不适相关的 EEG 模式
研究用神经网络与可解释性图谱，从 EEG 数据中识别出对 VR 晕动症（cybersickness）不适分类最有帮助的特征。首个数据集（n=29）在 120 次运行、三种不同神经网络与多个随机种子下，一致指向左额叶、中线中央与右顶叶头皮位置；第二个数据集（n=36）也标记了相似位置，显示跨时间、VR 刺激与样本的可迁移性。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.