vr论文发表什么ei

摘 要

由于无人值守变电站越来越多，这对电力管理部门在技术和管理上都带来了新的挑战。无人值守变电站的自动化、智能化的程度越来越高，各种在线监控系统也越来越多，对于信息化管理的要求也更高。因此亟待需要一个统一监控平台将电气设备、环境、图像、各种报警装置全方位直观展现，以便管理操作人员能快速、直观、便捷的查看到所需的实时或历史数据。本项目即是针对以上所列出的无人值守变电站运行管理的新挑战，通过基于虚拟现实(VR)技术的变电站远程统一智能监控平台的应用研究，来提高无人值守变电站的运行管理水平。

【关键词】虚拟现实 电力 智能 监控平台

1 引言

随着电力自动化技术的快速发展，越来越多的常规变电站改造为无人值守变电站，无人值守变电站的电压等级和范围越来越广，成为未来发展的必然趋势。在常规变电站改造为无人值守变电站以后，它实现了变电站运行的自动化、精度化，确保了对变电站事故的处理效率和准确性，进一步保障了 系统安全 ，减少了人员的误操作，减少了大量的运行值班人员，提高了劳动生产率，降低了成本，带动了企业科技进步。

但是无人值守的模式无论是在技术上还是管理上都对原有的模式带来了新的挑战。无人变电站的电压等级各站有所不同，设备型号复杂，对于管理运行人员熟悉设备的运行、维护和操作的要求高。并且无人值守变电站的自动化、智能化的程度越来越高，各种在线监控系统也越来越多，对于信息化管理的要求也更高。因此亟待需要将不同监控系统按照设备的真实场景进行统一、整合、分析，电气设备、环境、图像、各种报警装置能全方位直观展现，以便管理操作人员能快速、直观、便捷的查看到所需的实时或历史数据。

2 项目内容

本项目即是针对以上所列出的无人值守变电站运行管理的新挑战，通过基于虚拟现实(VR)技术的变电站远程统一智能监控平台(以下简称“平台”)的应用研究，来提高无人值守变电站的运行管理水平，如图1所示。

2.1 平台的功能

2.1.1 真实三维再现变电站场景

直观再现变电站的建筑、主控室、开关室及环境场景; 直观显示电气一次部分以及电气部分的实际连接;直观显示开关柜的位置、外观 ; 直观显示辅控设备的现场安装位置。

2.1.2 集中展示设备工况

3D实景中沉浸、快速、便捷地查看任意电气设备的相关数据、数值、图像，并可进行历史变化趋势的对应分析、判断。

与Scada系统融合――实时展示电气设备的Scada遥测、遥信数据，并统计开关跳闸次数、变压器调档次数及瓦斯保护动作次数;

与图像监测系统融合――实时显示现场监测图像;

与在线测温系统融合――实时显示在线温度;

与现场巡检系统融合――展示设备巡检历史记录。

2.1.3 自动灵活查看实时图像

双击场景中的设备，图像设备自动进行转向、对焦，颠覆传统人工查找摄像机、转动云台、聚焦等一系列繁琐动作;无需查找图像设备，可快速、便捷、准确地进行对应设备的远程外观察看、拍照、热红外成像测温、热红外拍照等一系列动作，并智能生成人性化的记录、 报告 等。

2.1.4 设备异常告警

整个三维场景中，每个设备模型会随着实时采集来的数据，智能判断设备工作状态是否正常;对于出现异常的，三维场景会自动将设备渲染成告警模式并定位，不断提示操作人员及时排除故障;解警后，可在设备数据面板中查看历史告警记录。

2.1.5 远程巡视

设定所需巡检的设备点以及关注的数据量、视频图像外观、热红外成像等必要的巡检信息，系统自动生成巡检路径;巡视人员通过平台随机或定时进行远程巡检，当进入已设定的巡检设备点时，系统将相关的设备相关在线监测数据，进行集中展示;对实时巡检的结果、过去时间短的变化趋势等进行正常与否进行巡视、判定，形成远程综合分析巡检结果记录，如图2所示。

2.2 基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台的特点

2.2.1 直观逼真

虚拟现实是人们通过计算机对复杂数据进行可视化、操作以及实时交互的环境。本平台中将通过三维模型忠实逼真地再现了安阳市北郊变电站场景，产生了沉浸式的交互环境。

2.2.2 统一管理

基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台可融合各种平台系统，展示其相应数据或图像，如Scada电气数据(遥信、遥测数据)、在线测温数据、辅助监控系统的视频图像等。

2.2.3 智能监控

基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台融合数字视频监控、RFID无线识别、智能门禁、智能报警等多种监控方式：

整个三维场景中，每个设备模型会随着实时采集来的数据，智能判断设备工作状态是否正常。对于出现异常的，三维场景会自动将设备渲染成告警模式并定位，不断提示操作人员及时排除故障;

所有的图像、安防、消防、周界、门禁、温湿度、各种传感设备、三维一次电气设备及其附件的各种属性、数据、动作、变化规律，均可以作为告警条件，进行告警及组合告警触发。

2.2.4 智能远程巡检

优化目前传统的现场巡检模式，通过在该平台上设定巡检路线、巡检设备、巡检数据量、设备外观等不同巡检内容，巡视人员在定时或随机通过该平台上进行远程巡检，当进入巡检设备点时，系统将相关的设备相关在线监测数据，进行集中展示，并对实时巡检的结果、过去时间短的变化趋势等进行正常与否进行巡视、判定，形成综合分析结果记录，能远程、高效进行电气设备多系统、跨平台巡测，减少现场巡检频次，形成和现场巡检的高度互补、统一。

3 技术实现 3.1 3D建模技术

三维建模软件为3dMax，它是Autodesk公司开发的基于PC系统的三维动画渲染和制作软件，它功能强大，扩展性好。它适合制作建筑模型、物体动画模型以及人物动画模型等，可利用系统自带的材质库，或自制的贴图，来达到逼真的效果。

3DMax还可以将模型文件导出多种格式的文件，可用于 Java3D开发的引擎平台加载，如obj文件、3ds文件、mdl文件和smd文件等。

本平台引擎所适用的模型有obj、3ds和ms3d。基本场景静止模型采用obj文件格式;刀闸开合、门开合的动画采用3ds格式;漫游人物动画采用ms3d格式。

3.2 平台引擎技术

由于本平台采用B/S架构，所以平台引擎选择用Java3D 来实现VR技术。Java 3D是Java语言在三维图形领域的扩展，是一组应用编程接口(API)。客户端只需要使用标准的Java虚拟机就可以浏览，因此具有不需要安装插件的优点。而且Java3D是基于Internet的软件开发平台，它能将图形功能与Internet很好地集成在一起，因此它非常适用于开发基于网络的VR系统。

本平台算法有如下创新点：

(1)创新采用双视野模式展示变电站复杂场景中的人物/眼睛视野模式;更加直观，沉浸地再现变电站复杂真实场景，实现变电站复杂场景及电气设备、屏柜等多视角三维展。

(2)针对三维变电站场景地形的复杂性，改进传统2D启发式搜索A*算法，大幅度提升变电站复杂三维场景自动寻径的消耗时间。

(3)改进了三维变电站复杂场景中地面高低的检测算法，创新地增加了多维射线，来检测路面的高度信息，提高检验的精确性。

(4)根据变电站场景的复杂性、电气设备的布局复杂以及空间局限性，改进传统的AABB碰撞检测算法，采用动态AABB碰撞检测算法，大幅度提高碰撞检测的准确性。

(5)在变电站三维复杂场景中人物平滑移动，摒弃传统的BSP树，采用椭球体算法并添加滑动公式，实现碰撞后的平滑移动及电力巡检人物碰撞后的椭球体滑动处理。

3.3 系统接口技术

本平台与 其它 所需展示的系统接口程序采用Web Service模式。它是基于网络的、分布式的模块化组件，它执行特定的任务，遵守具体的技术规范，这些规范使得Web Service能与其他兼容的组件进行互操作。Web Services 利用 SOAP(简单对象访问协议)和 XML(Extensible Markup Language可扩展标记语言 )对这些模型在通讯方面作了进一步的扩展以消除特殊对象模型的障碍。XML是用于标记电子文件使其具有结构性的标记语言，提供统一的 方法 来描述和交换独立于应用程序或供应商的结构化数据，可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言，非常适合 Web 传输。

本平台的一大功能是可以展示不同系统的实时参数，不同的系统有不同的编程方式，而且像Scada系统，数据量大，且实时性要求很高，接口程序需要设计的灵活、高效，扩展性好。

与Scada系统接口：Scada系统中有所有电力设备所有遥测、遥信数据，本平台需要快速、便捷的从如此庞大的数据量中检索出所需的数据是个难点

与变电站辅控系统接口：本平台需要从辅控系统中要快速便捷地检索出实时图像、及智能报警信号，而图像的文件一般比较大，快速流畅地在3D平台中展示是个难点。

预留与其它系统的接口：因为本平台可以融合其它多种系统平台的数据，所以要求它在扩展性上做到有足够的冗余设计。

4 结论

基于虚拟现实(VR)技术的统一监控平台三维系统采用先进的软硬件技术，在系统功能方面立足电力变电站智能化管理和安全运行的实际情况，解决了传统管理中很多人工难以解决的问题，同时面向变电站整体模块，克服过去各系统数据条块分割、人工关联的弊端，从变电站实际指挥、运行诊断、检修操作等实际使用的角度出发，实现变电运行设备数据准确及时的采集，电气设备、各种监控装置等真实位置场景及实时状态进行直观、立体、逼真的集中再现及变电站三维巡视的漫游、数据记录、外观记录、巡视分析报告录入等数据的直观、统一再现。规范了业务流程的管理，减少了人工和材料损耗，实现了信息数据及分析的自动生成，实现了变电运行的智能及集中化管理。

参考文献

[1]陈卓等.基于虚拟现实的变电站培训仿真巡视功能研究 [J].现代计算机(下半月版)，2010(09).

[2]张照彦等.虚拟现实在变电站仿真中的应用 [J].计算机仿真，2008，25(2).

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 1、研究背景 增强运动想象的一种方法是动作观察，也就是观察与运动想象任务相关的身体部位的运动。先前的研究表明，镜像神经元通过模仿来进行动作的理解和学习，从而引起相应区域的激活。因此，当一个人观察到另一个实体反映想象的身体运动时，动作观察起到了诱导镜像神经元的刺激作用。 2D和3D运动的事件相关去同步化(ERD)模式有显著差异，3D可视化组的ERD增强。更丰富的可视化和对观察到的运动的更强的所有权可诱导更好的ERD发生。 近期，发表在《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》杂志上的一篇研究论文通过对握手动作的动作观察，探讨虚拟现实(VR)的丰富沉浸感是否会影响重复的运动想象训练。为了研究显示介质的不同是否会影响进行运动想象时的动作观察，研究者通过两种不同的显示器显示了相同的图形握手动作：沉浸式VR耳机和显示器。此外，该研究以图形情景为刺激，更加强调沉浸式VR中的错觉和具体化对运动想象训练中动作观察的影响。为了检查使用这两种不同介质时的大脑活动，研究者使用了EEG，并识别了感觉运动皮层诱发的神经信号的变化。为了测量不同运动想象任务中空间脑活动模式的可区分性，研究者应用了脑机接口中常用的机器学习技术来学习和区分不同类型的运动想象中的脑活动。 2、研究流程 研究者对每个参与者进行了两个实验，以调查在运动想象训练中使用沉浸式VR耳机提供动作观察是否对表现有影响： (1)基于沉浸式VR的运动想象(IVR-MI)：利用沉浸式VR头戴式耳机为运动想象训练提供图形握手场景的实验。 (2)基于显示器显示的运动想象(MD-MI)：在运动想象训练中使用非沉浸式显示器显示相同场景的实验。 以MD-MI结果为对照，分析VR对运动想象的影响。 2.1 被试 共有20名年龄在20岁到37岁之间的健康参与者参加了这两个实验。在实验之前，所有参与者还被要求使用较长时间的VR头戴式耳机，以确保他们在使用VR头戴式耳机时没有任何问题。参与者被随机分成两组，人数相等：A组在IVR-MI之前进行MD-MI，B组在MD-MI之前进行IVR-MI。为了降低前一实验影响后一实验成绩的可能性，后一实验至少在前一实验后7天进行。实验结果也要到两个实验结束时才向参与者透露，以避免产生任何可能影响表现的反馈。从每个参与者那里收集的数据都经过了目视检查，排除了其中两名参与者的数据，因为他们显示出广泛的噪音，最终总共留下了18名参与者进行分析。 2.2 方案 这个图形化的场景由两只虚拟的手和黑色背景上的箭头组成，是用Unity游戏引擎实现的。在每次实验之前，调整虚拟手的位置，使得两只虚拟手之间的距离大致等于参与者的肩宽(图1a)。 (1)IVR-MI设置：参与者戴上带电极的EEG帽后，佩戴Oculus Go，不使用垂直带，以防止重叠电极上的带子收紧。 (2)MD-MI设置：在参与者面前的桌子上放置一个带显示器臂的显示器，该显示器臂可提供三个自由度。每个参与者都可以自由调整显示器臂的角度。 每个参与者都可以在Unity应用程序中调整相机视角，以最大限度地提高虚拟手的所有权。参与者被要求将他们的手放在桌子上，这样他们自己的手就会被虚拟手重叠替代。 2.3 数据采集 BrainProducts的actiChamp和actiCAP被用来从每个参与者的头皮中检索脑电数据。数据以500Hz的采样率采样，有源电极按国际10-20系统放置。在整个实验过程中，记录了放置在感觉运动皮质周围的20个电极(FC5，C5，CP5，FC3，C3，CP3，FC1，C1，CP1，Cz，CPZ，FC2，C2，CP2，FC4，C4，CP4，FC6，C6，CP6)的脑电信号，接地电极和参考电极分别位于AFz和Fz位置(图1b)。用BrainVision记录脑电信号，并将每个电极的阻抗控制在5k以下，以获得高质量的数据。数据在8-25 Hz的频率之间进行带通滤波。在收集之后，然后通过在所有使用的电极位置上应用平均参考来重新参考EEG数据。将得到的预处理数据用于神经活动的分析。 2.4 实验设计 实验在一个黑暗、隔音的房间里进行，以最大限度地减少任何环境干扰。每个运动想象实验由六个阶段的10个连续的运动想象实验组成。如果需要，参与者可以在两次阶段之间休息。每个试验由一个随机序列组成，该序列包含一个连续的右手抓取运动想象任务、一个连续的左手抓取运动想象任务和一个休息任务(图2a)。 单个任务包括最初的4秒指令周期和随后的6秒运动想象周期，然后是2秒的休息期(图2b)。在指导期间，参与者被给予一个指示休息任务的十字形线索，或一个指示左手或右手抓取运动想象任务的箭头线索，以告知参与者下一个任务是什么，并指示他们凝视相应的手。在指令周期之后的整个运动想象周期中，与箭头线索相对应的虚拟手模拟一系列抓握动作，并指示参与者观察并想象以运动方式执行相同的动作。最后，在休息期间，虚拟手保持不动，参与者被允许移动或眨眼，以防止眼睛疲劳。在指导期和运动想象期，受试者都被指示避免任何动作，包括眨眼。在整个实验过程中，两只虚拟的手都被展示出来，参与者被期望将它们想象成自己的手。 3、研究方法 3.1 ERD分析 对应于电极位置C3和C4的大脑区域分别与右手和左手的抓握动作相关。为了测量单个时段大脑活动的变化，我们首先用下面的方程式计算了三个运动想象任务记录的脑电数据的平均功率谱： 为了分析受试者在每次会话的左右握持运动想象中诱发的ERD幅度随时间的变化，我们使用以下公式计算了两个运动想象任务相对于休息任务的ERD比率： 因此，每一阶段的ERD比率是根据在每个电极位置的不同运动想象任务期间诱发的大脑模式特征的差异来计算的。 为了分析每个实验的运动想象表现，研究者进一步计算了每个实验参与者的平均ERD比率，应用以下公式： 考虑到最活跃的频带对于每个个体可能不同，通过选择带宽为2Hz的频带来确定两个方程中每个参与者的频带，该频带导致来自两个实验的所有任务的最大平均ERD比率。 分别对右手和左手握持运动想象的C3和C4的ERD结果进行分析，探讨被试在两种不同任务中的表现。为了考察使用不同的显示介质对每个参与者的影响，该文对计算的平均ERD值进行了双向方差分析，其中指定的组(表示实验顺序)和显示介质作为两个因素。为了进一步检验参与者在每次会话中ERD的统计增强，该文应用了Dunnett型非参数多重对比检验，其中使用第一次会话的ERD比率作为对照。因此，在两个实验中，分别比较了右手运动想象任务和左手运动想象任务的ERD比率(图3)。 3.2 判别分析 通过对两个实验中神经活动的判别分析，构建了经典的机器学习模型以进一步评估性能。为了比较两个实验中每个参与者的分类准确率，提取了每个运动想象周期的6秒脑电数据。为了增加模型要学习的数据量，该文进一步对每个6秒的EEG数据进行了数据增强，将数据以100毫秒的步长划分为2秒长的时间窗口。 应用公共空间模式(CSP)算法从预处理的EEG数据中提取空间特征，并且使用Fisher线性判别分析(LDA)来创建分类模型，该分类模型预测EEG数据段是否涉及休息、左手或右手运动想象任务。为了评估运动想象脑电图数据，我们采用了两种不同的交叉验证方法：1)6折交叉验证，其中分析来自单个实验的数据，并且每个折叠对应于从10个运动想象试验的单个会话中检索到的数据；2)10折交叉验证，其中使用来自单个会话的数据，并且每个折叠对应于从单个试验检索的数据。采用交叉验证法检验区分左手抓握、右手抓握和静止状态三种不同运动想象任务的准确性。为了进行统计分析，该文对6折交叉验证结果进行了双向方差分析检验，以表明每个实验的总体表现。为了进一步检验神经活动辨别力的统计增强，该研究对10折交叉验证结果使用了Dunnett型非参数多重对比检验，其中以第一次会话的准确性作为对照。 4、研究结果 4.1 统计分析假设验证 在对左手和右手运动想象的ERD结果进行方差分析以及交叉验证准确性结果的参数检验之前，验证了必要的假设。表1显示了Shapiro-Wilk正态检验和Levene齐性方差检验的结果。P值结果表明，所有病例的方差均未违反正态性和均匀性(p>0.05)。 4.2 ERD表现的实验分析 为了比较使用两种不同显示介质的参与者的表现，我们分析了ERD比率和ERD幅度，ERD比率由参与者在运动想象期间的平均ERD比率表示，ERD幅度代表从每次会话收集的ERD随时间的平均值。 两个实验的左手和右手运动想象的ERD比率和ERD幅度进行了比较，如图4所示。图4a的方差分析结果显示，左手运动想象中IVR-MI的ERD比MD-MI大(IVR-MI和MD-MI分别为49.32±12.08和34.75±14.75)，差异有非常显著性意义(F(1，16)=20.182，p<0.001)。与MD-MI相比，IVR-MI的右手运动想象的ERD值也较大(分别53.29±12.57和41.32±15.19)，差异有非常显著性意义(F(1，16)=14.693，P<0.01)。另一方面，两组受试者左手和右手运动想象差异均无显著性意义(F(1，16)=0.131，p>0.72；F(1，16)=1.034，p>0.32)。 图4b显示了参与者相对于时间的ERD幅度，该幅度是通过平均每个参与者在所有会话中的ERD幅度来计算的。IVR-MI和MD-MI的红色和蓝色波幅图显示，在运动想象期间，左手和右手的ERD均有显著差异，IVR-MI的ERD波幅大于MD-MI。如x轴上的灰标所示，左手运动想象的时域范围为1.05.4秒和6.27.0秒之间，右手运动想象的时域范围为1.45.8秒和6.07.2秒之间，两种幅度有显著差异。在指导期(左手运动想象 t<1.0s，右手运动想象 t<1.4s)和静息期结束时(左手运动想象 t>7.0s，右手运动想象 t>7.2s)，两组间差异无统计学意义。 4.3 Experiment-Wise交叉验证 图5显示了IVR-MI和MD-MI的6折与对象相关的交叉验证精度结果，其中单个折叠表示从每个会话获取的数据。方差分析结果显示，两种介质的准确性差异非常显著(F(1，16)=20.990，p<0.001)，且IVR-MI的准确性高于MD-MI(分别为67.85±13.50和57.49±13.96)。相反，两组组内的差异无统计学意义(F(1，16)=0.008，p>0.93)。 4.4 ERD表现的Session-Wise变化 该研究进一步分析了左手和右手运动想象的ERD表现是如何随着训练时间的变化而变化的。如图6所示，左手运动想象期间IVR-MI和MD-MI的ERD率均呈线性正相关(IVR-MI r=0.345，p<0.001；MD-MI r=0.260，p<0.01)。右手运动想象也有相似的结果(IVR-MI r=0.362，p<0.001；MD-MI r=0.181，p>0.001)。在左手和右手运动想象中，IVR-MI的r值和p值比MD-MI在统计学上更强。 第一次会话的ERD比率被选为基线，并与其他会话的ERD比率进行比较，以分析与各次会话相比ERD性能的改善情况，如图6和表2所示。对于左手运动想象，IVR-MI和MD-MI的参与者从第5次开始都有显著的改善，但IVR-MI和MD-MI的改善程度更强(第5次的IVR-MI和MD-MI的P<0.01和P<0.05，第6次的IVR-MI和MD-MI的p=0.014和p=0.032)。对于右手运动图像，参与者只有在使用VR头戴式耳机时才能表现出显著的差异(第4次和第6次分别为p<0.05和p<0.01)，而在使用显示器屏幕的重复测试中，没有观察到显著的改善。 4.5 交叉验证的Session-Wise变化 图7示出了在每个会话中使用10折交叉验证来区分脑活动模式的结果，其中单个折叠代表来自每个试验的数据。对于IVR-MI和MD-MI，准确度结果均呈正线性关系(分别为r=0.276，p<0.01和r=0.136，p>0.05)。与MD-MI相比，IVR-MI的交叉验证准确性的r值和p值更强。 为了分析不同时段交叉验证准确率的提高，我们对第一个时段的准确性结果进行了Dunnett型非参数多重对比检验。图7和表3中的结果表明，IVR-MI期间的参与者能够从第5次会话开始在辨别力方面表现出显著的改善(第5和第6次会话分别为p<0.01和p<0.05)，而在MD-MI期间没有观察到显著差异。 4.6 Fisher比值地形图 为了进一步研究从不同的手想象任务中获得的空间特征，我们使用ERD结果在每个电极上应用了Fisher比值。如图8所示，电极位置C3和C4是区分左手和右手运动想象的主要因素。与MD-MI的Fisher比值(C3和C4分别为0.544和0.377)相比，IVR-MI组C3和C4的Fisher比值均较高(C3和C4分别为0.997和0.566)。 5、讨论 该研究采用VR头戴式耳机和显示器作为观察左右手动作的媒介，考察沉浸和错觉对运动想象训练的影响。通过比较两个实验获得的ERD比率和交叉验证精度，该文提供了证据，证明在训练中通过不同的媒介感知相同的动作可能会导致不同的运动想象表现。 研究结果表明，参与者在使用VR头戴式耳机时能够获得更好的运动想象表现。在通过反复训练练习运动想象方面，不仅证实了重复动作观察会影响受试者的运动想象表现，而且发现使用VR头戴式耳机可能会以更少的时间成本提高运动想象表现。通过对使用VR头戴式耳机的ERD比率和交叉验证准确率的结果都显示出较大的改善，该文证实使用VR头戴式耳机比使用显示器显示在改善ERD性能和增加大脑活动的空间区分性方面更有效。 研究者还研究了ERD振幅和Fisher比值，以解决仅仅有不同的显示介质影响中央运动皮质(C3和C4)的ERD比率的担忧。该研究的结果显示ERD振幅模式在指导期略有增加，没有显著差异，然后在两个实验之间有统计上的显著差异，在运动想象期间有较大的增加，然后在静息期出现下降(图4b)。虽然研究者预计在指导期内没有显著差异的轻微增加是被指导动作的准备和计划的结果，但IVR-MI的ERD幅度仅在运动想象和休息早期显著高于MD-MI的显著增加表明，这种统计差异是由运动想象操作引起的。此外，图8显示，在两个实验中，区分不同运动想象任务的主要空间特征来自C3和C4电极，这表明仅仅是显示介质的不同对可能影响我们结果的因素影响很小，例如来自视觉皮层的空间特征。这些结果表明，通过VR头戴式耳机的动作观察比通过显示器显示的运动想象操作更有效。 如前所述，该文重点研究了通过VR系统进行的沉浸和错觉对动作观察的重复运动想象训练是否有效。该文的假设通过ERD表现和交叉验证结果得到了验证，结果显示，在重复的运动想象训练中，ERD比率更高，空间脑活动更具区分性。结果表明，丰富的沉浸本身影响运动想象(通过呈现相同的图形手部运动)。因此，对于可以模拟的任何图形场景，与非沉浸式显示器相比，使用沉浸式VR头戴式耳机可能证明对运动想象训练是有益的。 该研究存在一些局限和可能的改进之处。可能会有人担心，该研究的图形场景可能在某种程度上被认为是不同的，因为两种显示介质的虚拟手的比例可能不完全相同。为了解决这个问题，在开始每个实验之前，在调整大小以最大限度地体现时，将重点放在每个参与者的反馈上。此外，虽然研究者在研究中调整了各种环境成分以扩大具体化，但在两个实验中并没有直接量化每个用户的具体化水平。由于两个实验之间存在着相当大的时间差距，研究者认为任何可能的调查或问卷都是潜在的不可靠的，而是使用以前的工作结果来声称VR增强了具体化。最后，相对较小的样本量也是一个限制。虽然每个参与者都进行了多次重复试验，但考虑到每个人表现的不同，分析的统计能力可能是有限的。因此，该文的研究结果应该仔细解释。根据该文的研究结果，未来的研究将集中于使用该文的指标来比较VR头戴式耳机(一种完全沉浸式可视化工具)和立体3D眼镜(一种半沉浸式虚拟现实系统)的使用情况。 6、结论 不同于以往研究侧重于动作观察和运动想象的视觉场景本身的比较，该研究关注沉浸式VR和具体化对运动想象的联合效应。与其他现有介质相比，VR耳机能够提供更逼真的体验，增强了错觉和沉浸感，受此启发，研究者通过比较VR耳机和显示器对相同虚拟手部动作的动作观察，研究了沉浸式VR耳机是否也可以用来增强运动想象表现。 该文研究了与这两种介质的运动想象表现相关的大脑模式的两个不同方面：来自运动想象相关脑区的信号振荡节律的变化，以及信号空间特征的可区分性，这是使用通常用于脑机接口的机器学习模型来探索的。这两项分析的结果表明，使用VR耳机可能会导致神经信号发生更大的振荡变化和空间分辨。因此，在临床治疗、康复和脑机接口等领域，使用沉浸和错觉相结合的VR头戴式耳机可以更好地呈现运动想象训练中的动作观察。在临床治疗、康复和脑机接口领域，使用VR头戴式耳机可以更好地呈现运动想象训练中的动作观察。