基于皮肤电导峰值与神经建模的虚拟现实游戏类型情绪唤醒预测研究

《IEEE Latin America Transactions》：Genre-Sensitive Prediction of Emotional Arousal in Virtual Reality: A Neural Modeling Approach Using Skin Conductance Peaks

本研究针对虚拟现实(VR)游戏开发中缺乏标准化生理指标量化情绪唤醒的问题，开展了基于皮肤电导反应(SCR)峰值和神经网络预测模型的跨类型情绪唤醒研究。通过对比恐怖类、技巧类和运动类VR游戏对25名大学生被试的生理影响，发现技巧类游戏能引发比恐怖游戏更持续的SCR响应，并开发出仅基于游戏类型特征即可预测个体唤醒水平的轻量级神经网络模型(MAE=1.05μS，R2=0.92)。该成果为开发无需连续生物信号监测的情绪自适应VR系统提供了创新方法，对治疗、教育及娱乐领域的生理适应性应用具有重要价值。

　　

随着虚拟现实技术在教育、医疗和娱乐领域的快速普及，如何精准量化用户对沉浸式体验的情绪反应成为关键挑战。尽管VR能通过多感官刺激创造独特的情绪测量机会，但开发者仍缺乏标准化的生理指标来指导体验设计，特别是不同游戏类型所引发的情绪唤醒差异。现有研究多局限于单一游戏类型或混合人群，难以揭示特定用户群体（如大学生）在跨类型VR内容中的生理响应规律。

为破解这一难题，墨西哥泛美大学的研究团队在《IEEE Latin America Transactions》发表了一项创新研究，通过高分辨率皮肤电导反应(SCR)数据和神经预测模型，系统比较了恐怖类、技巧类和运动类VR游戏对情绪激活的调节作用。研究采用Shimmer3 GSR传感器记录25名大学年龄段被试在标准化游戏过程中的相位峰值，并开发前馈神经网络仅基于游戏类型特征预测个体唤醒水平。

关键技术方法包括：1）使用Meta Quest2头显和Shimmer3传感器采集生理数据，采用拉丁方设计平衡游戏顺序；2）信号预处理包含z-score归一化、滑动平均滤波（公式(1)）和固定阈值峰值检测（公式(2)）；3）构建三层隐藏层(128-64-32)的神经网络模型（公式(4)），以Adam优化器训练并评估预测性能。

SCR描述性统计

表II数据显示技巧类游戏产生最高平均SCR峰值(49.46μS)，略高于恐怖游戏(48.38μS)，而运动类游戏响应最低(31.79μS)。该结果挑战了恐怖内容必然引发最强唤醒的传统认知，揭示认知-运动需求对交感神经激活的持续影响。

情绪唤醒的时域动态

图6通过平均SCR轨迹显示：技巧类游戏呈现持续升高的SCR振幅，反映持续的认知投入；恐怖游戏表现为突发性尖峰，对应跳跃惊吓等离散刺激；运动类游戏则保持平稳的紧张性激活。这种时域特征为实时情绪适应提供了动态依据。

预测模型验证

神经网络模型在验证集上达到MAE=1.05μS和R²=0.92的优异性能（图3）。图4的分布对比显示模型能较好复现群体响应规律，但可能低估极端个体反应。训练损失曲线（图5）表明模型未出现过拟合，支持其在轻量级应用中的可行性。

研究结论强调，VR中的情绪唤醒不仅取决于叙事强度，更与任务结构和认知-运动需求密切相关。所提出的"类型敏感预测"框架突破了传统生物信号监测的局限性，为开发非侵入式情感计算系统开辟了新途径。尽管样本同质性和未交叉验证等局限需在未来工作中改进，但该研究首次在均匀群体中建立了跨类型VR内容的生理响应档案，为个性化沉浸体验设计提供了重要理论支撑和实践工具。