孫雨萱，王殊軼，粱巨宏，魏強(qiáng)生

（上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海 200093）

虛擬現(xiàn)實(shí)暈動(dòng)癥是指佩戴虛擬現(xiàn)實(shí)（Virtual Reality，VR）頭戴式顯示器（Head Mounted Display，HMD）后產(chǎn)生的一種常見不良癥狀，表現(xiàn)為頭痛、嘔吐、出汗甚至方向障礙等狀況[1]。駕駛員和宇航員在虛擬模擬器訓(xùn)練中就會(huì)出現(xiàn)這種類似醫(yī)學(xué)上的暈車癥狀，當(dāng)時(shí)稱之為模擬器綜合癥。Dichgans等[2]發(fā)現(xiàn)了人類視覺刺激信息中包含自我感知運(yùn)動(dòng)信息，奠定了現(xiàn)代視覺誘導(dǎo)暈動(dòng)癥（Visually Induced Motion Sickness，VIMS）的研究基礎(chǔ)；Hettinger等[3]通過對(duì)VIMS及自我運(yùn)動(dòng)錯(cuò)覺癥狀進(jìn)行比較，從而將自我運(yùn)動(dòng)錯(cuò)覺確定為VIMS的誘發(fā)原因之一；近期紐卡斯?fàn)柎髮W(xué)的相關(guān)研究中，Alireza等[4]首次對(duì)臨床暈動(dòng)癥狀與VIMS進(jìn)行對(duì)比研究，指出可能出現(xiàn)相同的臨床狀況。但實(shí)驗(yàn)的評(píng)價(jià)方式偏向主觀評(píng)價(jià)，且仍未確定具體且客觀的VIMS評(píng)估指標(biāo)。VIMS是VR中誘發(fā)暈動(dòng)癥的主要原因之一。目前國內(nèi)外關(guān)于VR的指標(biāo)評(píng)價(jià)方面研究從生理信號(hào)[5]、姿勢(shì)變化[6]、軟硬件結(jié)合[7]等多種角度進(jìn)行探索，但客觀指標(biāo)研究仍然較少?；谧钪髁鞯母兄獩_突理論，虛擬場(chǎng)景內(nèi)通常沒有發(fā)生真實(shí)的物理運(yùn)動(dòng)，而是“視覺誘導(dǎo)”，即一種自我運(yùn)動(dòng)錯(cuò)覺[8]。這種錯(cuò)覺是虛擬運(yùn)動(dòng)設(shè)計(jì)的重要部分之一，誘導(dǎo)本身會(huì)強(qiáng)化虛擬環(huán)境的表現(xiàn)與真實(shí)感，與存在感、沉浸感有十分密切的關(guān)系[9-10]，故這種運(yùn)動(dòng)機(jī)制下造成的VIMS是虛擬現(xiàn)實(shí)技術(shù)發(fā)展面臨的主要障礙之一。VR用于康復(fù)訓(xùn)練中，患者大多在不發(fā)生身體運(yùn)動(dòng)的情況下，體驗(yàn)虛擬移動(dòng)、旋轉(zhuǎn)等常見運(yùn)動(dòng)。此時(shí)，這種運(yùn)動(dòng)機(jī)制使患者的視覺所見、前庭系統(tǒng)所感不一致。這種疾病與醫(yī)學(xué)常見的暈動(dòng)病不同，因?yàn)樘摂M暈動(dòng)癥不是實(shí)際運(yùn)動(dòng)，VR應(yīng)用于醫(yī)療訓(xùn)練、復(fù)健、心理治療時(shí)，VIMS不但會(huì)導(dǎo)致使用感下降，對(duì)于患者還會(huì)有安全隱患，影響體驗(yàn)與治療效果。所以VIMS的評(píng)估應(yīng)該作為VR系統(tǒng)可用性測(cè)試的重要環(huán)節(jié)之一。

對(duì)于暈動(dòng)癥，主觀與客觀評(píng)價(jià)結(jié)果均需要考慮。由于客觀生理信號(hào)采集、生理指標(biāo)選取和數(shù)據(jù)特征處理較為復(fù)雜多變，且變量因素龐大，故需要進(jìn)行針對(duì)性地篩選處理，采用探索性因子分析[11-12]（Exploratory Factor Analysis，EFA）剖析數(shù)據(jù)的潛在結(jié)構(gòu)，盡量減少信息損失才達(dá)到降維。另外，VIMS的評(píng)估模型建立應(yīng)考慮主與客結(jié)合的權(quán)重賦值思路，由于VIMS的強(qiáng)度受眾多主客因素的影響，且因素相互作用、相互影響，單一的評(píng)價(jià)方法難以進(jìn)行綜合、客觀的評(píng)價(jià)，為了使評(píng)價(jià)結(jié)果更接近于真實(shí)結(jié)果，應(yīng)采用多種評(píng)價(jià)方法的聯(lián)合運(yùn)用。本文引入熵權(quán)法[13]改進(jìn)EFA的思路，構(gòu)建基于多指標(biāo)眼動(dòng)數(shù)據(jù)的VIMS因子評(píng)估模型體系。“熵”是根據(jù)各項(xiàng)指標(biāo)值的變異程度來確定權(quán)數(shù)的，是一種客觀賦權(quán)法，應(yīng)用于模型建立可在很大程度上避免人為因素偏差，同時(shí)熵權(quán)法不能減少評(píng)價(jià)指標(biāo)的維數(shù)。

具體建立評(píng)估模型思路為，通過EFA篩選主成分因子，提取因子后指標(biāo)體系得到簡(jiǎn)化，再利用熵信息和方差貢獻(xiàn)率進(jìn)行客觀賦權(quán)。本方法在數(shù)學(xué)變換中，使VIMS評(píng)價(jià)模型中各變量權(quán)重?cái)?shù)的確定更符合客觀屬性，同時(shí)最大程度模糊了人為因素對(duì)評(píng)價(jià)模型的偏差，充分挖掘了數(shù)據(jù)包含的信息，在一定程度上提高了評(píng)價(jià)結(jié)果的真實(shí)性和可靠性。EFA–熵權(quán)法也是本文的創(chuàng)新點(diǎn)所在，其目的是運(yùn)用更為客觀的眼動(dòng)數(shù)據(jù)評(píng)價(jià)分析VIMS，為VR系統(tǒng)的評(píng)價(jià)研究貢獻(xiàn)新的思想。

1 實(shí)驗(yàn)內(nèi)容及方法

1.1 虛擬現(xiàn)實(shí)場(chǎng)景設(shè)計(jì)

人們通過視覺、聽覺、前庭系統(tǒng)和體感來判斷空間位置變化，佩戴VR HMD后測(cè)試者的眼與顯示鏡片之間的距離不再變化。例如人眼正前方所視的平移運(yùn)動(dòng)，其實(shí)是畫面放大的過程，自我運(yùn)動(dòng)錯(cuò)覺與不變的人眼焦距產(chǎn)生了感官?zèng)_突，誘發(fā)了暈動(dòng)癥狀。根據(jù)心理實(shí)驗(yàn)室常用研究視覺刺激的運(yùn)動(dòng)錯(cuò)覺鼓[14]和光流信息模擬的虛擬旋轉(zhuǎn)鼓[15]，本文基于上述原理設(shè)計(jì)了特殊的VR場(chǎng)景，利用Unity 3D軟件設(shè)計(jì)了包含幾種典型VR運(yùn)動(dòng)，用于研究VIMS。搭建的VR環(huán)境的設(shè)計(jì)見圖1，左側(cè)為架構(gòu)原理圖，右側(cè)為設(shè)計(jì)的VR環(huán)境之一圖示，測(cè)試平臺(tái)搭建見圖2。運(yùn)動(dòng)方式有5種：兩種線性移動(dòng)與3種旋轉(zhuǎn)運(yùn)動(dòng)，見表1。VR系統(tǒng)設(shè)置為被動(dòng)式運(yùn)動(dòng)，即受試者坐于椅上，應(yīng)要求受試者保持頭部不動(dòng)，避免過大的視角變換，排除頭部運(yùn)動(dòng)帶來的測(cè)量誤差[16]。場(chǎng)景可以進(jìn)行移動(dòng)速度和旋轉(zhuǎn)角度的參數(shù)設(shè)置，UI界面可以通過功能按鈕對(duì)速度和旋轉(zhuǎn)角度的增加與減少操作。

圖1 VR測(cè)試場(chǎng)景Fig.1 Virtual Reality scene for VIMS test

圖2 測(cè)試平臺(tái)Fig.2 Testing Platform

表1 實(shí)驗(yàn)設(shè)計(jì)的VR運(yùn)動(dòng)類型Tab.1 VR motions designed in experiment

1.2 數(shù)據(jù)采集

實(shí)驗(yàn)設(shè)備為德國ERGONEERS公司的虛擬現(xiàn)實(shí)眼動(dòng)儀（Dikablis HMD），該設(shè)備是在虛擬現(xiàn)實(shí)設(shè)備HTC VIVE中集成Dikablis傳感器，設(shè)備采集率為60 Hz，采集精度為0.1～0.3，配套的采集軟件為D–Lab心理人因同步軟件系統(tǒng)，提供虛擬現(xiàn)實(shí)環(huán)境下的行為數(shù)據(jù)采集分析綜合性同步平臺(tái)，包含眼動(dòng)數(shù)據(jù)模塊、視頻行為記錄與編碼、運(yùn)動(dòng)捕捉和工效評(píng)價(jià)等種類的數(shù)據(jù)需求，實(shí)驗(yàn)過程的眼部運(yùn)動(dòng)見圖3。

圖3 D–Lab界面8種眼部運(yùn)動(dòng)特征Fig.3 8 kinds of ocular motor showed in D-Lab during the experiments

研究共招募受試者25名，健康在校大學(xué)生，年齡為22±3歲。受試者在實(shí)驗(yàn)前均已知曉試驗(yàn)內(nèi)容，并要求受試者試驗(yàn)前24 h內(nèi)不能飲用茶、酒水或咖啡等，保證無睡眠短缺，確保數(shù)據(jù)真實(shí)性、準(zhǔn)確性。實(shí)驗(yàn)共向受試者發(fā)放主觀量表問卷共125份，剔除無效評(píng)分，實(shí)際收回用作分析的問卷115份，計(jì)算其各自分?jǐn)?shù)作為主觀數(shù)據(jù)量，問卷內(nèi)容包括：Kim等[17]提出的由“動(dòng)眼（Oculomotor，O）”和“定向障礙(Disorientation，D）”這兩個(gè)潛在因素驅(qū)動(dòng)的虛擬現(xiàn)實(shí)暈動(dòng)癥問卷（Virtual Reality Sickness Questionnaire，VRSQ），根據(jù)權(quán)重計(jì)算可得到問卷分?jǐn)?shù)，選取李克特5分制量表；對(duì)于誘發(fā)運(yùn)動(dòng)的移動(dòng)錯(cuò)覺，以評(píng)分量表的形式讓受試者做出移動(dòng)錯(cuò)覺強(qiáng)度[18]（Vection Strength）評(píng)分，強(qiáng)度定位0至100分?jǐn)?shù)，大于50則說明存在移動(dòng)錯(cuò)覺，分?jǐn)?shù)越高，強(qiáng)度越大。實(shí)驗(yàn)期間采用“視線追蹤回溯式有聲思維[19]（Eye–tracking Retrospective Think Aloud）”的方法，即受試者實(shí)時(shí)、準(zhǔn)確地口頭表述感受到的眩暈狀態(tài)，并以虛擬現(xiàn)實(shí)暈動(dòng)級(jí)別[20]（Visually Induced Motion Sickness Level，VIMSL）數(shù)值量化，強(qiáng)度級(jí)別從小到大為1至5級(jí)。實(shí)驗(yàn)前需要進(jìn)行預(yù)實(shí)驗(yàn)測(cè)試步驟的完成度。受試者分別在場(chǎng)景內(nèi)進(jìn)行暈動(dòng)測(cè)試，見表1。進(jìn)行測(cè)試前說明，期間由實(shí)驗(yàn)記錄者改變環(huán)境的移動(dòng)類型與速度。D–Lab軟件實(shí)時(shí)采集眼動(dòng)數(shù)據(jù)，每次休息時(shí)間不少于5 min。受試者要完成的任務(wù)為測(cè)試前后需要完成VRSQ問卷調(diào)查；開始前靜息20 s，觀察測(cè)試場(chǎng)景；等場(chǎng)景速度發(fā)生變化后，口頭匯報(bào)當(dāng)前感受到的移動(dòng)錯(cuò)覺強(qiáng)度；測(cè)試中感受到的眩暈強(qiáng)度增強(qiáng)時(shí)，實(shí)時(shí)報(bào)告當(dāng)前的VIMSL級(jí)別。

為評(píng)估整個(gè)虛擬現(xiàn)實(shí)暈動(dòng)實(shí)驗(yàn)的用戶狀態(tài)，需要對(duì)每個(gè)受試者采集眼動(dòng)和量表數(shù)據(jù)進(jìn)行處理，導(dǎo)入Matlab 2016 Ra和IBM SPSS Statistics 26.0軟件進(jìn)一步分析，要將全部數(shù)據(jù)與受試者靜息狀態(tài)下的數(shù)據(jù)作為基線，確保分析科學(xué)有效。

1.3 眼動(dòng)指標(biāo)分析

人眼變化是評(píng)價(jià)認(rèn)知負(fù)荷的有效手段，眼動(dòng)追蹤技術(shù)用于記錄視覺的移動(dòng)情況，提供與注意相關(guān)的信息，其數(shù)據(jù)更加客觀且有利于認(rèn)知過程分析。準(zhǔn)確的凝視點(diǎn)是測(cè)算的基礎(chǔ)，眼動(dòng)標(biāo)定是實(shí)驗(yàn)記錄前重要的校準(zhǔn)步驟，見圖4。眼動(dòng)追蹤技術(shù)中可采集的能量化指標(biāo)繁多，根據(jù)預(yù)實(shí)驗(yàn)結(jié)果，采用mRMR方法選取了以下幾個(gè)相關(guān)性大、彼此特征關(guān)系最小的眼動(dòng)指標(biāo)。首先，在眼動(dòng)采集軟件中，注視[21]是由多個(gè)連續(xù)采樣點(diǎn)組成的，提取方法有平均法和差分法兩種。注視點(diǎn)帶有一個(gè)時(shí)間長度，可間接統(tǒng)計(jì)出注視持續(xù)時(shí)間；對(duì)于眼跳[22]信號(hào)，利用差分法，一旦眼跳速度超過某閾值，即作為一個(gè)眼跳信號(hào)。注視點(diǎn)與掃視發(fā)生的圖例，見圖5。其次，眨眼和瞳孔變化均可以反映人的情緒或情感狀態(tài)，如知覺、記憶、思維、情緒等高級(jí)心理活動(dòng)也會(huì)影響瞳孔變化[23]。由于“疲勞”屬于不可觀測(cè)信息，目前沒有唯一的量化定義標(biāo)準(zhǔn)。瞳孔的變化有時(shí)不受個(gè)體意識(shí)控制，由人體自主的反應(yīng)控制，所以瞳孔可以是判斷主觀疲勞的可靠客觀指標(biāo)[24]。2019年Wang Yan[25]基于眼動(dòng)技術(shù)追蹤的HMD眼部疲勞研究中，綜合驗(yàn)光指標(biāo)建立了廣泛性強(qiáng)的測(cè)量眼部疲勞方法，該文全面搜尋比較了眼疲勞的相關(guān)可測(cè)指標(biāo)，為本文提供了重要參考。例如關(guān)于眼疲勞的客觀指標(biāo)，包括臨界融合頻率（CFF）、雙眼視力、眨眼率、瞳孔收縮率等[26-27]。眨眼屬于瞳孔變化的范圍，其本身的變化規(guī)律也與眼部疲勞與認(rèn)知相關(guān)，眨眼信號(hào)分為兩種類型，一般通過睜眼與閉眼的時(shí)間差異計(jì)算眨眼信號(hào)。數(shù)據(jù)處理時(shí)需要過濾生理性眨眼，提取帶有受試者意識(shí)信息的隨意性眨眼信號(hào)。故通過檢測(cè)眨眼與瞳孔變化可以獲得被試者的內(nèi)部狀態(tài)，并結(jié)合當(dāng)前注視位置的信息，通過算法和計(jì)算機(jī)分析獲取操作者當(dāng)前狀態(tài)（如眩暈、疲勞等）的信息，從而給出適當(dāng)?shù)姆答佇盘?hào)，用作緩解或者警覺提醒。根據(jù)預(yù)先篩選工作，采集的研究項(xiàng)名稱見表2。

圖5 注視點(diǎn)與掃視Fig.5 Points of fixation and saccade type

表2 指標(biāo)與對(duì)應(yīng)變量名Tab.2 Indicators and corresponding variable names

圖4 Dikablis HMD的標(biāo)定操作Fig.4 The calibration of the Dikablis HMD

2 實(shí)驗(yàn)數(shù)據(jù)處理與評(píng)估模型建立

2.1 EFA分析提取

EFA主要用于實(shí)驗(yàn)數(shù)據(jù)的有效簡(jiǎn)化、降維，以合理解釋變量的相關(guān)性并篩選變量。推導(dǎo)成分表因子模型見式（1），簡(jiǎn)化為X=AF+ε，式中A為矩陣系數(shù)，ε為隨機(jī)變量，F(xiàn)為原始變量，X為提取出的成分因子。再根據(jù)重新命名定義的公共因子建立整體函數(shù)模型，見式（2）。為了檢驗(yàn)樣本數(shù)據(jù)適用性，在因子分析之前，需要進(jìn)行KMO測(cè)度和Bartlett檢驗(yàn)樣本，根據(jù)Kaiser的觀點(diǎn)，KMO值至少達(dá)到基準(zhǔn)0.6才可進(jìn)行分析。結(jié)構(gòu)見表3，Bartlett概率接近0，P值小于0.01，有較高顯著性符合因子分析的條件。

2.2 因子載荷提取

判斷適合進(jìn)行因子分析后，進(jìn)行公共因子載荷提取。適當(dāng)?shù)男D(zhuǎn)可使載荷陣的結(jié)構(gòu)簡(jiǎn)化，得到較為清晰、直觀又滿意的成分因子。選擇適合的載荷矩陣旋轉(zhuǎn)方法，是最終推導(dǎo)出合理線性模型的重要步驟之一，目前主要的正交旋轉(zhuǎn)法有3種：方差最大法、四次方最大法和等量最大法。由于它們?cè)诤?jiǎn)化、分類、提取上的思路各有不同，為了得到合理且無歧義的模型，本文分別采用3種因子模型，進(jìn)行綜合對(duì)比分析，選擇最優(yōu)的方法。所有因子都需要先進(jìn)行標(biāo)準(zhǔn)化處理得到F?。方差最大法正交旋轉(zhuǎn)前后的累計(jì)方差解釋見表3，旋轉(zhuǎn)在7次迭代后收斂。累積率是指同一成分因子對(duì)各變量方差貢獻(xiàn)的總和，統(tǒng)計(jì)提取了4個(gè)成分因子，累計(jì)方差解釋率是86.765%，大于80%，表明4個(gè)成分因子基本保留了樣本特征的大部分信息。樣本數(shù)據(jù)生成的旋轉(zhuǎn)得分與因子載荷系數(shù)，見表4。根據(jù)Comrey和lee整理[28]，因子載荷小于0.32，無法有效反映特性，因子載荷超過0.55的變量對(duì)公共因子的影響比較好，大于0.71為理想，故選取大于0.55的變量，作為主因子得分的主要指數(shù)。四次方最大法和等量最大法同理，分別在旋14次迭代、7次迭代后收斂。3種正交旋轉(zhuǎn)法分別得到主因子得分表達(dá)，見式（3），Xi為對(duì)應(yīng)的主因子，k為回歸計(jì)算系數(shù)，ε為隨機(jī)變量。

表4 因子載荷與因子系數(shù)Tab.4 Factor loadings and Standardized Scoring Coefficients

表3 正交旋轉(zhuǎn)后累積方差解釋Tab.3 Explained variance after Orthogonal rotation

2.3 指標(biāo)權(quán)重確定與模型驗(yàn)證

表5 各因子累積貢獻(xiàn)率與熵權(quán)權(quán)重Tab.5 Cumulative contribution rate and basic entropy weight of each factor

3 討論

在本研究中，獲得的回歸預(yù)測(cè)模型，利用方差最大法和等量最大法的載荷矩陣旋轉(zhuǎn)得到的模型擬合度高，且有效性高，其中等量最大法的平均值與標(biāo)準(zhǔn)差最小，t值最大。方差最大法簡(jiǎn)化了矩陣的每一列，使各因子上的載荷分離，這樣僅有少數(shù)幾個(gè)變量在個(gè)別因子上具有較高載荷。在因子得分評(píng)估模型中瞳孔直徑、平均注視時(shí)間、總眨眼次數(shù)、眨眼頻率和SSQ分?jǐn)?shù)也在整個(gè)模型分析項(xiàng)中具有較高權(quán)重值。在主成分提取中的4個(gè)主因子中，眨眼頻率指標(biāo)在2個(gè)主因子上均具有一定載荷，因子載荷均稍大于0.55，這樣提取的4個(gè)主因子并未被完全分開，容易在主成分命名上產(chǎn)生歧義。

等量最大法思路是綜合四次冪與方差最大法求加權(quán)平均。結(jié)合了兩種優(yōu)勢(shì)，囊括分別從因子載荷矩陣的行、列分開各變量，使所需因子達(dá)到最少。因子得分評(píng)估模型如下式，平均注視時(shí)間、總掃視時(shí)間、總注視點(diǎn)個(gè)數(shù)和眨眼頻率具有較高權(quán)重值，在主成分提取的4個(gè)主因子中，各指標(biāo)分別在4個(gè)因子上具有較高載荷，這樣提取的4個(gè)主因子被完全分開，容易對(duì)4個(gè)主成分進(jìn)行重新命名：X1代表瞳孔變化，X2代表視線變化，X3代表眨眼行為和X4代表量表評(píng)分，具有實(shí)際應(yīng)用意義。各成分變量解釋與主因子命名見表5。并且，VIMSL與回歸估計(jì)曲線預(yù)測(cè)值的差異的配對(duì)t檢驗(yàn)結(jié)果顯示，模型結(jié)果與實(shí)際VIMSL差異無統(tǒng)計(jì)學(xué)意義：t=0.014,P(Sig. (2 -tailed))= 0.989＞ 0.05，且見表6所示，與EFA比，EFA–熵權(quán)法的差異性更小。熵權(quán)賦值法一定程度上解決了其中存在的主觀因素在EFA法中的影響，將主觀因素與客觀因素建立起統(tǒng)一的模型框架，EFA降維后變量得到新的命名，進(jìn)一步使各因素權(quán)重值更為客觀合理。綜上所述，本研究得到的基于EFA–熵權(quán)法的最佳評(píng)估模型見式（4）。

表6 EFA與EFA–熵權(quán)法t檢驗(yàn)結(jié)果對(duì)比Tab.6 Paired t test for EFA and Entropy Weight Method

表7 成分變量解釋與重新命名Tab.7 Interpretation for composition variables and factor renaming

4 結(jié)語

本文利用多項(xiàng)眼動(dòng)指標(biāo)對(duì)虛擬現(xiàn)實(shí)暈動(dòng)癥進(jìn)行定量評(píng)估，構(gòu)建暈動(dòng)癥級(jí)別與11項(xiàng)測(cè)試指標(biāo)的預(yù)測(cè)回歸模型，解釋模型的意義及驗(yàn)證其有效性。該模型適用于研究虛擬現(xiàn)實(shí)運(yùn)動(dòng)機(jī)制的體驗(yàn)改進(jìn)，也可以用作虛擬現(xiàn)實(shí)暈動(dòng)癥的暈動(dòng)疲勞評(píng)估。本研究仍存在不足，模型應(yīng)該進(jìn)一步考慮運(yùn)動(dòng)環(huán)境變化帶來的影響，雖然總體樣本量達(dá)到分析建立模型的標(biāo)準(zhǔn)，但關(guān)于針對(duì)虛擬運(yùn)動(dòng)環(huán)境變化影響的后續(xù)研究，目前樣本量仍較少。在之后的研究中，基本思路為繼續(xù)增加受試者及添加有效樣本量，建立分段模型，可以把環(huán)境變化量化為區(qū)間數(shù)值，使VIMS評(píng)估模型更加具有實(shí)用性價(jià)值。綜上所述，本研究創(chuàng)新性地選取了眼動(dòng)指標(biāo)與主觀量表數(shù)據(jù)建立回歸模型，同時(shí)眼動(dòng)可作為一種實(shí)時(shí)反饋受試者狀態(tài)的數(shù)據(jù)信號(hào)，為VR系統(tǒng)的人因設(shè)計(jì)提供研究參考，也為今后解決虛擬現(xiàn)實(shí)暈動(dòng)癥的問題提供更多的理論研究。