《Chinese Journal of Physics》：Nonlinear Analysis of Eye Movements for Visual Fatigue Classification
编辑推荐：
本研究系统评估了非线性眼动特征（如样本熵Sample Entropy）对日常屏幕使用中产生的轻度视觉疲劳的检测效能。结果表明，疲劳状态下，眼动信号的时间序列复杂性（如SamEnx, SamEny）显著降低。结合线性与非线性特征的混合模型（如Random Forest, AUC=0.92）展现出最优分类性能，超越了单一特征模型。这项研究为开发非侵入式、实时的视觉疲劳监控系统提供了有力的实证依据。
重点发现（Highlights）
量化视觉疲劳：SSQ症状加重与眼动轨迹退化
表2展示了疲劳诱导前后，模拟器晕动症问卷（SSQ）四个子量表（恶心SSQ-N、眼动负荷SSQ-O、定向障碍SSQ-D及总症状得分SSQ-TS）的均值、标准差及配对样本t检验结果。结果显示，所有指标在疲劳诱导后均显著上升：SSQ-N均值从5.72 (SD = 12.60) 升至8.90 (SD = 9.45)；SSQ-O从11.45 (SD = 8.09) 升至30.82；SSQ-D从6.18 (SD = 7.55) 升至16.36；SSQ-TS从7.79 (SD = 8.41) 升至18.73。所有比较的p值均小于0.001，表明20分钟的动画观看成功诱发了显著的主观疲劳感。
非线性眼动参数的讨论
研究发现，在疲劳状态下，眼动信号的样本熵（Sample Entropy）显著下降。这一现象可用认知资源耗竭的神经机制来解释：负责维持目标导向注意力和精细调节眼动的前额叶-顶叶控制网络，随着疲劳逐步耗竭神经资源，其进行实时微调的能力也随之减弱。这种变化与“复杂性丧失”理论相吻合，即健康的生理系统通常表现出高度的变异性与复杂性，而疲劳或疾病状态则会导致这种复杂性的下降，使系统的行为模式变得更加可预测和刻板。
结论（Conclusion）
随着屏幕使用时间的持续增长，计算机视觉综合征（CVS）已成为现代生活中最普遍的视觉劳损问题之一。尽管先前的研究主要集中在由虚拟现实环境、飞行模拟器或其他高需求任务诱发的中度至重度疲劳，但对于日常生活中更为普遍、且与学习和工作表现高度相关的“轻度视觉疲劳”，其生理变化和可检测性仍知之甚少。
实证结果表明，非线性眼动特征（如样本熵）对捕捉轻度疲劳引起的细微时间动态变化具有高度敏感性。更重要的是，融合了线性和非线性特征的混合模型，通过结合空间统计信息与时间复杂性度量，实现了性能的显著提升，为开发稳健、实时的疲劳监测工具铺平了道路。这项研究不仅加深了我们对轻度视觉疲劳生理机制的理解，也为将其应用于日常健康管理和人机交互系统提供了新的视角。
