随着显示设备的快速发展和广泛应用，人们在日常生活的各个方面对其依赖程度越来越高。根据最新报告，人们平均每天使用显示设备6小时37分钟[1]，这凸显了显示设备已经渗透到我们日常生活中的程度。然而，长时间使用显示设备引发了一些以前不存在的新健康问题。在与显示设备使用相关的各种健康问题中，伴有眼部症状的视觉疲劳是最突出且被频繁报告的症状之一。许多研究表明，接触显示数字内容的屏幕与一系列眼部相关症状有关，如眼睛疲劳和干眼[2][3][4]。最近一项关于视觉显示终端的荟萃分析进一步证实了这一点，该分析发现长时间屏幕暴露是视觉疲劳的重要风险因素，强调了这一问题的严重性，使其成为一个普遍的公共卫生问题[5]。
由于视觉疲劳引起的不适会降低生活质量，为了解决这个问题，许多研究探讨了显示设备导致眼部不适的原因。根据以往的研究发现，显示设备的第一个独特特征是它们会从近距离直接向眼睛发射光线。先前的研究也表明，长时间近距离观看高亮度屏幕会导致视觉疲劳和其他眼部相关症状[6][7]。此外，研究还表明，与亮屏相比，暗屏可以减少视觉疲劳[8]，这表明近距离高强度光线的照射可能是显示设备比其他类型屏幕更容易引起视觉疲劳的关键原因。
显示设备的另一个特点是，与印刷材料不同，它们通常显示动态且时间敏感的内容。因此，这需要持续的视觉注意力，因为错过短暂的视觉变化会导致信息丢失，从而增加认知和视觉负担。此外，在这种条件下长时间保持近距离聚焦会导致调节滞后和集合疲劳，进而降低眨眼频率——导致泪膜不稳定[9]。这些视觉压力还可能导致视力模糊或复视以及眼部不适加剧[2][4]。另外，其他研究还表明，屏幕上内容的运动和速度会进一步增加视觉疲劳[10][11][12]。例如，涉及许多物体向观众移动的交互式3D游戏在短短30分钟内就会显著增加视觉疲劳[13]。此外，在立体显示中，这种动态内容经常会引起双眼视差的时域和空间变化，因为移动的物体不断改变其感知深度。这些视差变化需要反复进行调节-集合调整，这与视觉不适密切相关，并经常被用作不适预测模型的关键指标[14][15]。综上所述，这些发现表明显示设备的动态和时间敏感特性是视觉疲劳的另一个关键因素。
因此，虽然已经知道显示设备的上述特性会导致视觉疲劳，但对于其背后的神经机制了解仍然有限。这就提出了一个问题：这些独特的显示设备特性是否会引起不同的大脑活动模式，从而为开发减少视觉疲劳的策略提供见解。为了解决这个问题，一些先前的研究已经探讨了与视觉疲劳相关的神经机制。第一项研究使用fMRI通过增加工作负荷来解码视觉疲劳。结果显示，视觉疲劳与视觉相关区域（如中间枕叶回、楔叶和舌回）以及眼动相关区域（如斜坡区）的活动有关[16]。同样，第二项研究使用fMRI识别了与立体视觉疲劳相关的皮质区域。他们发现，观看3D内容比2D内容时，背侧和腹侧视觉通路的激活更强，表明深度感知所需的强烈神经处理与视觉疲劳直接相关[17]。第三项研究使用fNIRS研究了在不同认知负荷水平下的集合-调节冲突。结果表明，背外侧前额叶皮层中的HbO2、HHb和tHb水平的变化反映了在视觉要求高的显示设备使用过程中监督性眼动控制的程度[18]。第四项研究使用EEG基于稳态视觉诱发电位来研究视觉疲劳。结果显示，视觉疲劳与从高频到低频的EEG节律变化有关，频谱指标和Lempel–Ziv复杂性是疲劳检测的可靠指标[19]。最后一项研究使用fNIRS提出了一个深度学习框架来自动评估3D视觉疲劳。通过结合卷积层、变换器模块和通道注意力机制，该模型在受试者内部和之间实现了高分类准确性[20]。总体而言，先前的研究表明，视觉疲劳可以通过任务操作来解码，并且可以找到与视觉疲劳相关的大脑区域。
然而，先前的神经影像学研究在几个方面存在局限性。首先，之前的研究没有改变与视觉疲劳原因相关的内容特性，如亮度和动态性。其次，之前的研究在实验后评估了视觉疲劳[16][18]，或者没有评估主观视觉疲劳[19][20]，这限制了捕捉显示设备引起的整体视觉疲劳变化。这一局限性已被多项先前的研究指出[21][22][23]，这说明了需要一种客观的评估方法来预测动态视觉疲劳。最后，由于先前的神经影像学研究通常使用平衡或随机顺序来最小化顺序效应，因此研究暴露时间对视觉疲劳的影响也很重要，因为视觉疲劳会随着时间的积累而增加[24]，并且可能不受内容特性的影响。
为了克服这些局限性，本研究首先改变了内容的运动和亮度以诱发视觉疲劳。我们之前的研究表明，在笔记本电脑上，运动变化比亮度变化引起的视觉疲劳更严重[23]。此外，仅通过直接对比被改变的内容可能不足以在神经层面揭示显著差异，因此我们使用功能连接性（FC）来检测实验条件之间整体大脑网络参与度的差异，并预测不同实验条件下的主观视觉疲劳。
其次，本研究采用了动态评估方法和任务后评估相结合的方法，以更好地捕捉整体视觉疲劳，结合了时间敏感性和整体主观评估。在我们之前的研究中，我们已经研究了动态评估方法在行为[10]和fMRI[25]研究中的有效性。这些方法用于评估参与者在观看驾驶视频时的风险和速度感知。fMRI研究[25]表明，动态评估方法比传统的任务后评估方法更能捕捉风险感知随时间的变化。我们还在行为研究中验证了动态评估对视觉疲劳的有效性，该研究表明动态视觉疲劳评估能够有效预测内容特性如何影响视觉疲劳[23]。
第三，我们通过检查主观视觉疲劳随时间的变化来分析顺序效应，而不考虑具体条件。此外，我们还研究了FC在实验顺序中的变化，以进一步探索神经层面的顺序效应。
因此，本研究旨在探讨两个关键视觉参数——运动和亮度——的变化如何影响视觉疲劳以及相关的大脑FC模式。通过系统地改变这些参数，我们试图识别在不同视觉刺激下表现出不同作用的神经网络。此外，我们还试图确定基于任务的FC（tbFC）所引发的FC模式是否可以预测视觉疲劳，从而加深我们对大脑如何响应长时间数字屏幕暴露的理解。
总之，我们对本研究提出了以下四个假设：首先，内容之间的运动对比比亮度对比引起的视觉疲劳差异更大。其次，高运动和低运动及亮度水平之间的FC差异表现出不同的FC模式。第三，无论条件如何，可能存在影响视觉疲劳的顺序效应。最后，可以根据tbFC预测视觉疲劳。
