王翘秀, 王宏, 胡佛, 化成城
东北大学 机械工程与自动化学院, 辽宁 沈阳 110819
收稿日期：2020-03-25
基金项目：国家重点研发计划项目(2017YFB1300300)。
作者简介：王翘秀(1991-), 女, 辽宁沈阳人, 东北大学博士研究生;
王宏(1960-), 女, 辽宁沈阳人, 东北大学教授，博士生导师。

摘要：高层建筑拔地而起, 客观的恐高检测手段是高空作业行业规范化的关键一步.本文结合虚拟现实技术设计高空暴露实验, 深入研究了恐高反应的大脑神经机制, 提出使用脑功能网络检测恐高程度.通过对比不同恐高程度脑功能网络的基本拓扑特征, 使用阈值化处理找出与恐高程度关系密切的脑区.根据脑区划分社团结构, 构建恐高程度识别模型.结果表明: 恐高程度越严重, 脑功能网络越复杂.发现参与恐高反应的主要脑区包括额叶、中央区和枕叶.使用这些脑区划分社团结构, 计算连接强度对恐高程度识别的准确率可达到(97.37±0.58) %.
关键词：脑电信号脑功能网络社团结构恐高虚拟现实
Recognition Model of Fear of Heights Based on Brain Region Community Structure
WANG Qiao-xiu, WANG Hong, HU Fo, HUA Cheng-cheng
School of Mechanical Engineering & Automation, Northeastern University, Shenyang 110819, China
Corresponding author: WANG Hong, E-mail: hongwang@mail.neu.edu.cn.

Abstract: With high-rise buildings emerging, objective fear of heights detection is a key step in the standardization of the aerial work industry. Taking into account virtual reality, this paper designs an aerial exposure experiment, which studies the brain neural mechanism of fear of heights reaction, and proposes the functional brain network (FBN) to detect the fear of heights.By comparing the basic topological characteristics of FBNs, the brain regions closely related to fear of heights are found through thresholding. By dividing the community structures according to the brain regions, the recognition model of fear of heights is established. The results show that the more severe the fear of heights, the more complicated the FBN. The main brain regions involved in fear of heights include frontal lobe, central area, and occipital lobe. Using these brain regions to divide the community structures, the calculation accuracy of connection strengths on fear of heights can reach (97.37±0.58) %.
Key words: electroencephalographyfunctional brain networkcommunity structurefear of heightsvirtual reality
随着经济发展和人口密集化, 高楼大厦、桥梁隧道以及基站电塔等拔地而起, 从修建到维护的过程中, 各行各业对高空作业人员的需求量大大增加.我国高空作业行业规范化建设起步较晚, 高空作业门槛较低, 从业人员良莠不齐.高空作业行业的全面规范化必将成为未来的发展趋势.而客观规范的恐高检测是高空作业人员选拔走向正规化的必然需求.恐高是一种因暴露于高处产生的异常或病理性恐惧, 其可导致发病者失去平衡甚至从高空坠落等严重后果.其发病率高且隐匿性强, 但社会关注度普遍较低^[1-2].
目前较为权威且普遍使用的恐高量化手段仍然以自我报告的调查问卷为主, 缺乏客观性, 不利于规范化的形成.有关恐高的研究多集中于恐高治疗, 而对恐高程度评估方面的研究几乎空白.但恐高治疗研究中, 研究人员同样需要对恐高反应进行较为精细的量化, 以此观察治疗方法的有效性^[3-4], 这为本研究提供了大量参考依据.脑成像技术广泛应用于神经系统疾病的相关研究与治疗中, 有关研究已经证实不同恐高程度的大脑在某些特定脑区激活程度不同.脑电信号(electroencephalography, EEG)是目前应用较为广泛的脑成像技术之一, 其具有便携性强、时间分辨率高等特点.EEG中包含恐高反应涉及的认知、行为、心理等活动的有效信息^[5].本文创新性地选择通过EEG进行恐高程度的识别检测.脑功能网络(functional brain network, FBN)方法着重从脑区间信号相互作用传递神经信息的角度, 将大脑转化为基于图论的复杂网络, 对其进行统计分析, 可以更直观地反映大脑的神经元的电生理活动.另一方面, 虚拟现实技术(virtual reality, VR)可以提供逼真的高空视觉刺激, 其被证实可以同真实暴露一样有效诱发恐高^{[3, 6]}, 并广泛应用于恐高治疗等相关研究中^[7-9].VR技术安全、便捷、易于设置场景等优势, 也十分符合高空作业人员培训的需求.目前国内外一些公司已经将虚拟现实技术引入高空作业人员培训与资格认证中.
本文将EEG与VR技术结合, 提高实验的可塑性和安全性, 从FBN的角度针对恐高程度客观识别检测方法进行深入研究.不仅提高了恐高检测的智能化水平促进高空作业走向全面规范化, 还为EEG与VR技术结合以及EEG应用于神经系统相关疾病等研究提供了理论依据与技术支持, 具有重要的研究意义和使用价值.
1 实验设计1.1 实验方案本文采用虚拟现实游戏Richie's Plank Experience on Steam构建虚拟高空场景, 由HTC Vive VR眼镜呈现.EEG使用NeuroSCAN的一套40导联的电极帽, 所有电极的位置符合国际10-20电极分布标准, 此外包括2个双极导联用于记录水平和垂直眼电信号, 2个参考电极分别位于左、右耳后突触, 1个接地电极位于前额中部.该设备采样频率为1 kHz, 所有电极的阻抗均低于5 kΩ, 使用NuAmps放大器.
实验开始前, 被试在穿戴好生理电信号采集设备及头戴式VR眼镜后被允许随意走动、感受并熟悉VR场景, 期间实验员告知被试实验详细流程.待其适应虚拟现实环境后, 开始正式实验.实验流程如图 1所示.被试尽量避免头部晃动、吞咽、眨眼等肢体动作, 首先在虚拟地面场景内站立10 s记录EEG, 作为基准用于消除个体间差异.而后乘坐电梯到达离地高度约80层楼(约160 m)的高空, 电梯门打开出现一条细长的木板, 木板长度为250 cm, 宽度为15 cm.被试需完成在木板行走的任务, 记录其站在木板边缘俯视地面10 s的EEG.个别被试未能走到木板尽头, 将其视为高度恐高组(highFG), 并记录其站立在极限位置向下俯视10 s的EEG.记录完毕后, 被试通过口头报告的形式给出主观恐惧程度分值(SUDS, 在0~10之间, 数值越大表明越恐惧).HTC Vive定位系统可以捕捉被试位置, 当被试踩在木板上时, 耳边还会传来"吱吱"的声音回馈, 沉浸感非常强.当被试踩空时, 会发生自由落体一般的坠楼体验, 被试需要重新再次进行实验, 直到实验完成.
图 1(Fig. 1)

图 1 实验流程示意图Fig.1 The diagram of the experiment procedure

1.2 被试选择共有81名被试参加了本次虚拟现实暴露实验, 其中有效被试人数为76, 包括34名女性和42名男性, 其年龄范围从22周岁到54周岁.被试均无任何癫痫病等其他中枢神经系统疾病, 自身及直系亲属无任何精神病史, 无心脏病以及情绪障碍；视力正常或经矫正后视力正常.被试在进行实验前不得饮用任何咖啡、酒精或茶等刺激精神的饮品或食物, 并确保实验前睡眠充足.所有被试者均在实验前被告知本次实验的实验目的和具体流程, 并同意加入本次实验.
为保证数据集分布合理, 本实验征集了一些恐高程度有别于大众的被试, 表现为在有安全设施保护的情况下仍然感到过分恐惧, 或当其处于正常高度时会产生眩晕、身体失去平衡等反应.实验前被试填写恐高评定问卷(acrophobia questionnaire, AQ)^[10].另一方面, VR技术对于恐高相关研究而言引入了一些新的变量, 如VR设备是否会对被试产生不同程度的副作用(如头晕、恶心等), 被试是否沉浸于VR环境中.使用模拟器疾病问卷(simulator sickness questionnaire, SSQ)^[11]和Igroup存在感问卷(Igroup presence questionnaire, IPQ)^[12], 分别对VR的副作用和体验感进行统计分析.实验结束后, 对所有被试各个问卷的分值进行统计, 并根据SSQ问卷和IPQ问卷去除无效数据, 根据AQ问卷和SUDS的分值对被试进行分组.将同时满足SUDS≤2, AQ焦虑评分≤20且AQ回避评分≤6的被试视为不恐高组(NFG); 同时满足SUDS≥5, AQ焦虑评分≥40且AQ回避评分≥12的被试视为高度恐高组(highFG); 其余被试为轻微恐高组(lowFG).最终分组结果如表 1所示, 其中NFG组32人, lowFG组22人, highFG组22人.观察表 1可知, 三组被试的主观恐惧程度(P＜0.001)、AQ焦虑评分(P＜0.001)和AQ回避评分(P>0.001)具有显著组间差异.同时, 统计分析结果显示三组被试的SSQ和IPQ分值不具有显著的组间差异.这说明VR技术引入的新变量(如副作用和参与感等)对三组被试的影响不具有显著差异，从而确保影响三组被试脑电信号产生差异的变量仅为被试间不同的恐高程度.
表 1(Table 1)

表 1 各组被试问卷评分数值统计Table 1 The statistics of questionnaire scores of each group 问卷类型 状态 highFG lowFG NFG P 主观恐惧 — 5.89±2.06 3.64±1.74 1.52±1.32 < 0.001 AQ 焦虑 58.26±18.33 35.09±16.19 14.47±5.95 < 0.001 回避 13.82±5.32 8.46±5.98 2.42±4.18 < 0.005 SSQ — 34.61±27.62 28.62±22.60 18.93±17.66 0.090 IPQ 存在感 4.47±0.85 4.50±0.69 4.12±0.30 0.826 参与感 3.61±1.23 3.69±1.32 3.17±1.45 0.751 真实感 3.17±1.18 3.20±0.98 3.22±1.29 0.893

表 1 各组被试问卷评分数值统计 Table 1 The statistics of questionnaire scores of each group

1.3 信号预处理对采集到的原始信号做带通滤波(0.5~50 Hz), 去除基线漂移及50 Hz谐波工频干扰.使用小波增强独立成分分析(wavelet enhanced ICA, wICA)方法对脑电信号进行伪迹去除.阈值选取使用软阈值进行小波阈值处理, 如式(1) 所示:

(1)

其中: D为独立成分经小波变换后得到的细节系数; N为信号的长度.而后将脑电信号9层小波包分解, 重构得到δ频段(0.5~39 Hz), θ频段(3.9~7.8 Hz), α频段(7.8~11.7 Hz), β1频段(11.7~15.6 Hz), β2频段(15.6~19.5 Hz), β3频段(19.5~30.3 Hz)和γ频段(30.3~50.0 Hz).
2 脑功能网络的构建及分析2.1 基于同步似然的脑功能网络构建计算各频段的高空暴露脑电信号EEG_ps与平地暴露脑电信号EEG_gs的差值ΔEEG=EEG_ps-EEG_gs, 使用同步似然性求解任意两导联ΔEEG的耦合关系, 可以得到一个对称的邻接矩阵, 从而构建脑功能网络.由于在无向网络中不考虑节点的自连接, 因此本节脑功能网络不考虑各导联与自身的耦合关系, 表现为邻接矩阵对角线的值为0.
同步似然性基于信号的状态空间向量计算时间序列的线性与非线性耦合关系, 适用于非稳态脑电信号且鲁棒性较好.同步似然性算法首先通过延迟时间嵌入理论对已知时间序列x_i(n)(n=1, 2, …, N, 共N个采样点)重构映射到m维的动力学系统状态空间X ⁱ, 有

(2)

其中τ是时间延迟, 延迟重建嵌入向量Xⁱ∈ R^m.对另一时间序列x_j(n)进行同样嵌入, 得到向量X^j.
对时间序列x_i和时间对(n, l), 定义任意2个内嵌向量X_nⁱ, X_lⁱ间的距离小于r_xi,n，并满足w₁＜|l-n|＜w₂的概率为

(3)

其中: |X_nⁱ-X_lⁱ|为两个空间状态向量Xⁱ_n和Xⁱ_l的欧几里得距离; w₁是用于消除自相关影响的Theiler修正参数; w₂是提高时间分辨率的时间窗, 有w₁?w₂?N; 通常设定参考概率p_ref?1, 临界距离r_{xi, n}由P_{xi, n}=p_ref确定; θ(x)为Heaviside单位阶跃函数, 当x≤0时, θ(x)取值为0, 否则θ(x)取值为1, 即当向量X_nⁱ和Xⁱ_l的欧几里得距离小于临界距离r_{xi, n}时, θ(x)取值为1.同样地, 得到时间序列x_j(n)的临界距离r_{xj, n}.
对于时间对(n, l), 时间序列x_i(n)和x_j(n)的同步似然值为当状态空间中向量X_nⁱ和X_lⁱ距离小于r_{xi, n}时向量X_n^j和X_l^j距离也小于r_{xj, n}的概率, 如式(4)所示.

(4)

对SL_n^ij在时间n上取平均得到时间序列x_i(n)和x_j(n)的同步似然系数SL_ij.由式(4)可知, SL_ij的值应介于p_ref和1之间.两信号同步程度越强, SL_ij的值越接近于1.其中参数p_ref取值为0.05, w₁通常取100, w₂常设为时间序列长度N的十分之一, 延迟时间τ=10, 嵌入维度m=10.
2.2 脑功能网络的特征提取及分析首先分别提取各个被试7个频段脑功能网络的平均强度、特征路径长度、聚类系数和小世界系数共计28个特征量.对脑功能网络的特征量进行统计分析及事后检验, 结果如图 2所示.其中浅灰色星号表示对三组样本进行非参数Kruskal-Wallis检验的显著差异, 黑色星号表示事后检验结果, 任意两组间是否具有显著差异, 1个星号表示显著性P＜0.05, 2个星号表示显著性P＜0.01, 3个星号表示显著性P＜0.005.
由图 2可知, 邻接矩阵的平均强度随恐高程度增加而显著增加, 聚类系数随恐高程度增加而显著增加, 特征路径长度随恐高程度增加而显著降低, 小世界系数随恐高程度增加而显著增加，但值均小于1(但这并不说明被试者脑功能网络不具有小世界性, 因为该邻接矩阵是由差值ΔEEG构建而来).但高度恐高组与轻微恐高组被试的上述特征参数间大多不具备显著差异.
图 2(Fig. 2)

图 2 脑功能网络邻接矩阵拓扑特征参数箱型图统计结果Fig.2 The boxplots and statistical results of topology features of FBN adjacent matrices

2.3 阈值化后脑功能网络的特征提取及分析对加权脑功能网络进行阈值化处理可以使得不同组别间的差异性增加, 易于提高恐高程度识别的准确率.因为阈值化处理后网络可能出现不完全连通的现象, 此时网络的特征路径长度会达到无穷大, 因此提取特征包括各个频段的平均强度、网络密度和聚类系数, 共21个特征参数.
对其进行非参数Kruskal-Wallis单因素显著性差异检验以及事后分析两两组别间的显著性差异, 发现脑功能网络经阈值化处理后具有显著差异的特征参数大大增多, 如图 3所示.其中，横坐标阈值最小刻度为0.5，每个阈值下三组网络特征参数的显著差异用星号表示，其中1个星号表示P＜0.05, 2个星号表示P＜0.01，3个星号表示P＜0.005.为了增加三组特征参数的差异性, 选择特征参数具有两两显著差异且显著差异较强的数值作为阈值.同时为了保留更多信息, 选择符合前述条件中数值较小作为最终选择的阈值.根据图 3选择0.6作为最终阈值.
图 3(Fig. 3)

图 3 阈值化处理后的特征参数随阈值变化的统计曲线Fig.3 The curves of features varying with thresholds after thresholding

图 4为阈值取0.6时三组被试阈值化后平均脑功能网络的对比拓扑图.由图可知, 恐高程度越严重, 被试大脑导联间的同步耦合程度较强的边越多.具体而言, 两恐高组不同于NFG组, 在中央区表现出一些强连接边, 这是由于中央区与运动中枢有着密切关系，很可能因为恐高被试较为紧张, 不自觉产生身体晃动等行为导致.尤其是左半脑中央区, highFG在左侧中央区比lowFG组具有更强的耦合关系, 由于被试大部分为右利手, 紧张导致被试潜意识便利侧躯体产生更多运动.这验证了EEG中包含恐高有关的行为反应的信息.其次, highFG组在额叶表现出较强的连接, 尤其在右侧额叶, 研究指出额叶与大脑恐惧回路息息相关.此外, highFG组和lowFG组在枕叶均表现出比NFG组更强的耦合关系, 说明枕叶可以有效地区分恐高和不恐高的被试组.枕叶是视觉中枢, 恐高反应主要由VR视觉刺激诱发, 反映了恐高组的枕叶激活程度要强于不恐高组.
图 4(Fig. 4)

图 4 阈值取0.6时不同分组的平均脑功能网络对比Fig.4 The comparison of the average FBNs of different groups when the threshold is 0.6

2.4 脑功能网络的脑区社团结构特征提取及分析社团结构是了解整个复杂网络结构和功能的重要途径之一.目前存在多种社团结构的划分方法, 主要可以分为凝聚方法、分裂方法、搜索方法和其他方法.许多实际网络都嵌入在欧氏空间中, 节点间的拓扑关系受到空间地理位置的影响, 以社交网络为例其社团结构的划分可以不使用任何社团划分算法, 而是单纯地以每个国家或地区的用户归为一个社团.同样的脑电采集电极间也具有特定的空间位置关系, 大脑分为多个不同的脑区, 每个脑区具有特定的功能, 但在大脑进行心理、认知等活动时多个脑区协同合作.因此, 本节将脑电电极按照脑区的分布划分为不同的社团, 并使用脑区内和脑区间的连接强度来度量不同脑区社团结构内部的连接紧密程度和社团结构之间的相互作用关系.
对于加权无向网络, 假设某社团中包含N₁节点, 即x₁, x₂, …, x_N1∈R₁; 另一社团中包含另外N₂节点, 即y₁, y₂, …, y_N2∈R₂.则R₁脑区内连接强度I_R1表示为

(5)

其中w_ij表示任意两节点i和j间连接边的权重值.R₁脑区与R₂脑区间的连接强度I_R1-R2表示为

(6)

利用2.3节发现的主要作用脑区, 直接根据导联的相对位置将复杂网络进行划分, 划分为4个社团结构.包括由FP2、F4和F8导联组成的右额叶(right frontal lobe, 记为RF), 由FC3、C3和CP3导联组成的左半脑中央区(left central area, 记为LC), 由FC4、C4和CP4导联组成的右半脑中央区(right central area, RC)和由O1、Oz和O2导联组成的枕叶(occipital lobe, 记为O).进一步提取更为针对恐高反应的特征, 从而提高识别准确率.提取社团结构内以及结构间的连接强度作为特征, 对于加权无向脑功能网络而言, 可以分别提取7个频段的脑区内连接强度(包括RF、LC、RC和O)和脑区间连接强度(包括RF-LC、RF-RC、RF-O、LC-RC、LC-O和RC-O), 共70个特征.
图 5为PLV、TFMI和SL方法得到的所有特征单因素统计及事后分析的结果.其中浅灰色星号表示三组非参数Kruskal-Wallis检验显著性结果, 黑色星号表示事后检验两两对比的显著性结果, 1个星号表示显著性P＜0.05, 2个星号表示显著性P＜0.01, 3个星号表示显著性P＜0.005.观察可见, 脑功能网络阈值化后, 三组被试两两具有显著差异的特征参数有θ，α和γ频段RF脑区内、全频段LC脑区内、全频段RF-LC脑区间、α频段LC-RC脑区间，以及除α频段外的LC-O脑区间的连接强度, 共24个特征参数.
3 识别结果与讨论使用MATLAB中的工具箱, 分别将FBN的拓扑特征参数(M1)、阈值化后的拓扑特征参数(M2)以及社团结构特征(M3)作为输入训练机器学习模型, 对恐高分组进行识别, 记录最佳识别结果, 分类结果如表 2所示.其中召回率、F₁度量和精准率为三个类别各个评价指标的均值.
表 2(Table 2)

表 2 恐高程度识别的交叉验证结果Table 2 Cross validation results of fear of heights recognition 参数 准确率/% 召回率/% F1度量/% 精准率/% M1 86.32±0.72 84.24±0.83 83.98±1.09 89.53±0.64 M2 89.21±0.59 90.10±0.68 88.98±0.61 88.60±0.65 M3 97.37±0.58 97.47±0.33 97.20±0.44 96.97±0.81

表 2 恐高程度识别的交叉验证结果 Table 2 Cross validation results of fear of heights recognition

由表 2可知, 以主要脑区划分的社团结构特征作为输入的M3模型各个评价指标值最高, 对恐高程度的识别结果最佳.根据统计分析可以看到M1更适用于区分恐高组与不恐高组, 而M3提取的特征可以显著区分三组被试, 尤其是右侧前额叶与左半脑中央区对区分不同恐高程度的highFG和lowFG作用明显.此外, M1和M2反映了恐高引起的全脑协同活动, 而M3更好地反映了主要脑区内及脑区间的活动, 识别结果表明针对性更强的脑区社团结构特征对恐高程度的识别结果更好.
图 5(Fig. 5)

图 5 脑功能网络邻接矩阵社团结构内及社团结构间特征箱型图统计结果Fig.5 The boxplots and statistical results of features within and between community structures of the FBN adjacent matrices

4 结论1) 发现恐高程度越严重，被试网络平均连接强度越高、聚类系数越大、特征路径长度越短，说明恐高反应是不同脑区相互协同作用的结果, 其可以导致脑功能网络进入高度运行的状态, 网络复杂化.
2) 对脑功能网络阈值化处理后, 对平均拓扑网络进行观察, 发现恐高程度不同的被试组在额叶、脑中央区和枕叶网络的连接强度具有较为明显的不同.
3) 以这些感兴趣脑区将脑功能网络划分为不同的社团结构, 计算社团结构内部及社团结构间的连接强度, 经统计分析后筛选特征, 训练得到的模型对恐高程度识别准确率较好, 可达(97.37±0.58) %.
参考文献

[1]	Arroll B, Wallace H B, Mount V, et al. A systematic review and meta-analysis of treatments for acrophobia[J]. The Medical Journal of Australia, 2017, 206(6): 263-267. DOI:10.5694/mja16.00540
[2]	Hong Y J, Kim H E, Jung Y H, et al. Usefulness of the mobile virtual reality self-training for overcoming a fear of heights[J]. Cyberpsychology, Behavior, and Social Networking, 2017, 20(12): 753-761. DOI:10.1089/cyber.2017.0085
[3]	Gromer D, Madeira O, Gast P, et al. Height simulation in a virtual reality CAVE system: validity of fear responses and effects of an immersion manipulation[J]. Frontiers in Human Neuroscience, 2018, 12: 1-10. DOI:10.3389/fnhum.2018.00001
[4]	Raeder F, Woud M L, Schneider S, et al. Reactivation and evaluation of mastery experiences promotes exposure benefit in height phobia[J]. Cognitive Therapy and Research, 2019, 43(5): 948-958. DOI:10.1007/s10608-019-10018-x
[5]	Wang H, Wang Q X, Hu F. Are you afraid of heights and suitable for working at height?[J]. Biomedical Signal Processing and Control, 2019, 52: 23-31. DOI:10.1016/j.bspc.2019.03.011
[6]	Gromer D, Reinke M, Christner I, et al. Causal interactive links between presence and fear in virtual reality height exposure[J]. Frontiers in Psychology, 2019, 10: 1-10. DOI:10.3389/fpsyg.2019.00001
[7]	Landowska A, Roberts D, Eachus P, et al. Within-and between-session prefrontal cortex response to virtual reality exposure therapy for acrophobia[J]. Frontiers in Human Neuroscience, 2018, 12: 1-16. DOI:10.3389/fnhum.2018.00001
[8]	Verger A, Malbos E, Reynaud E, et al. Brain metabolism and related connectivity in patients with acrophobia treated by virtual reality therapy: an 18F-FDG PET pilot study sensitized by virtual exposure[J]. Ejnmmi Research, 2018, 8: 1-7. DOI:10.1186/s13550-017-0352-6
[9]	Wuehr M, Breitkopf K, Decker J, et al. Fear of heights in virtual reality saturates 20 to 40 m above ground[J]. Journal of Neurology, 2019, 266(1): 80-87.
[10]	Cohen D C. Comparison of self-report and overt-behavioral procedures for assessing acrophobia[J]. Behavior Therapy, 1977, 8(1): 17-23. DOI:10.1016/S0005-7894(77)80116-0
[11]	Kennedy R S, Lane N E, Berbaum K S, et al. Simulator sickness questionnaire: an enhanced method for quantifying simulator sickness[J]. The International Journal of Aviation Psychology, 1993, 3(3): 203-220. DOI:10.1207/s15327108ijap0303_3
[12]	Schubert T W, Friedmann F, Regenbrecht H, et al. The experience of presence: factor analytic insights[J]. Presence: Teleoperators & Virtual Environments, 2001, 10(3): 266-281.