基于主观垂直冲突理论构建晕动病症状个体进展计算模型：开启个性化预测新征程

　　为解决晕动病模型多输出晕动病发生率（MSI），难以预测轻微症状个体进展的问题，研究人员开展基于主观垂直冲突（SVC）理论预测个体 Misery Scale（MISC）进展的研究。结果表明更多数据点可提升预测准确性，该研究为个性化晕动病预测模型发展奠定基础。

为了促进科学的传播，生物通采集了这篇文章，如需英文原文，请点击！订阅BioHot索取原文

　　晕动病，这个在日常生活中并不陌生的现象，总是在人们乘车、乘船、乘飞机时 “不请自来”，给出行带来诸多不适。随着自动驾驶技术的发展，人们在车内从事其他活动的频率增加，晕动病的发作几率也随之上升，这使得晕动病的研究变得更加迫切。

目前，虽然已经有了一些晕动病的相关模型，比如国际标准 ISO 2631 - 1 中引入的晕动病剂量值（MSDV），它通过整合垂直方向的频率加权加速度来量化晕动病发生的可能性，但该指标存在诸多局限性。它主要针对垂直平移运动，无法涵盖旋转运动，也没有考虑视觉刺激的影响。而且，MSDV 与晕动病发生率（MSI，即出现呕吐个体的百分比）相关，对于描述晕动病的轻微或特定症状的效果并不明确。

欢迎索取锐博生物lncRNA研究技术文档及产品和服务方案领 取

基于假设机制的数学模型也在不断发展，其中主观垂直冲突（SVC）理论备受关注。该理论认为晕动病源于感觉器官感知的重力方向与中枢神经系统预期的重力方向之间的差异积累。基于此理论的计算模型不断涌现，从最初针对 1DOF 垂直运动的模型，到后来扩展到 6 - DOF 头部运动、纳入视觉输入的模型等。然而，这些模型大多输出 MSI，在实际应用中，人们更希望能够预测或量化轻微症状的程度及症状的进展，因此，输出 Misery Scale（MISC，一种基于症状进展的 11 点主观评分量表）的模型应运而生。

在此背景下，奈良科学技术研究所（Nara Institute of Science and Technology）的研究人员 Shota Inoue、Van Trong Dang、Hailong Liu 和 Takahiro Wada 开展了一项研究，旨在验证使用从过去某一点收集的数据识别的模型参数来预测个体未来 MISC 进展的 SVC 模型的性能。该研究成果发表在《Experimental Brain Research》上，为晕动病的研究开辟了新的方向。

研究人员在本次研究中主要运用了以下关键技术方法：

• 模型构建：基于 SVC 理论构建计算模型，模型分为 SVC 部分和 MISC 输出部分。SVC 部分采用 In - 1 模型，计算主观垂直冲突信号（Δv）；MISC 输出部分引入四种不同结构，包括 MSIbase、OmanAP、OmanBP 和 OmanHILL，以探究不同结构对 MISC 输出的影响。
• 参数设定与优化：设定模型参数的取值范围，通过求解优化问题，使用 MATLAB 中的非线性编程求解器 “fmincon”，计算出能使模型最佳描述观察到的 MISC 的参数。
• 实验数据收集：使用先前研究（Orita 等人，2025 年）中的部分数据集，该数据集是在黑暗环境下对参与者进行横向运动实验收集的，参与者坐在定制汽车座椅上，座椅安装在直线运动平台上，实验过程中限制参与者身体运动，通过 MISC 评估晕动病进展。
• 数据分析：使用平均绝对误差（MAE）评估模型性能，通过 Friedman 检验和 post - hoc Wilcoxon signed - rank 检验分析 MISC 输出部分和数据点数量（M）对模型性能的影响。

广告 细胞能量代谢分析怎么做？安捷伦细胞分析学习中心和演示申请点这里！

下面来详细看看研究结果：

• 观察到的 MISC：实验中记录的 MISC 时间序列在不同参与者之间存在差异，14 名参与者中有 4 人中途退出实验，剩余 10 名参与者的 MISC 记录最多为Mtotal?=23。
• 模型预测的 MISC：当使用所有可用数据（M=Mtotal?）确定参数时，四种 MISC 输出部分的模型都能较好地代表观察到的 MISC。Friedman 检验表明，MISC 输出部分对 MAE 有显著主效应，其中 MSIbase 的 MAE 显著大于 OmanBP 和 OmanHILL，OmanAP 与其他模型无显著差异。
• 数据点数量（M）对模型性能的影响：随着M增加，所有 MISC 输出部分的 MAE 均下降，平均而言，使用 5 - 10 分钟或更长时间的数据，模型准确性显著提高。但不同个体的 MAE 变化模式差异显著，且与个体观察到的 MISC 时间序列模式密切相关。
• 基于观察到的 MISC 确定数据点M的可能性：尝试根据 MISC 首次达到或超过 1、2、3 的时间点确定数据点数量（分别记为M1?、M2?、M3?），结果显示随着M增加（从M1?到Mtotal?），MAE 通常呈下降趋势，但该趋势在所有情况下并不一致。

在研究结论和讨论部分，研究人员发现所有四种 MISC 输出部分在使用完整数据集确定参数时，建模误差都较低，这表明改变原始 SVC 模型的输出部分以输出 MISC，并仅在输出部分个性化参数以适应个体差异是有效的。同时，研究还发现预测准确性随着用于参数识别的数据点数量增加而提高，但所需数据长度因个体 MISC 历史而异。基于 MISC 达到一定值（如 2 或 3）来确定用于参数识别的数据点长度的方法，在一定程度上可降低模型误差，但不同个体差异较大。

该研究首次证明了基于 SVC 理论的计算模型，在有一定量个体过去数据的情况下，可预测个体未来 MISC 进展。然而，研究也存在一些局限性，如运动范式仅为横向运动，数据集的性别和年龄组存在不平衡，参数识别所需数据点数量受多种因素影响，SVC 部分参数未考虑个体差异等。尽管如此，该研究为未来晕动病的研究提供了重要的参考，为个性化晕动病预测模型的发展奠定了基础，有望推动自适应工程解决方案的发展，以更有效地管理晕动病。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》