《Chinese Journal of Physics》：Nonlinear Analysis of Eye Movements for Visual Fatigue Classification
編輯推薦：
本研究系統評估了非線性眼動特征（如樣本熵Sample Entropy）對日常屏幕使用中產生的輕度視覺疲勞的檢測效能。結果表明，疲勞狀態下，眼動信號的時間序列復雜性（如SamEnx, SamEny）顯著降低。結合線性與非線性特征的混合模型（如Random Forest, AUC=0.92）展現出最優分類性能，超越了單一特征模型。這項研究為開發非侵入式、實時的視覺疲勞監控系統提供了有力的實證依據。
重點發現（Highlights）
量化視覺疲勞：SSQ癥狀加重與眼動軌跡退化
表2展示了疲勞誘導前后，模擬器暈動癥問卷（SSQ）四個子量表（惡心SSQ-N、眼動負荷SSQ-O、定向障礙SSQ-D及總癥狀得分SSQ-TS）的均值、標準差及配對樣本t檢驗結果。結果顯示，所有指標在疲勞誘導后均顯著上升：SSQ-N均值從5.72 (SD = 12.60) 升至8.90 (SD = 9.45)；SSQ-O從11.45 (SD = 8.09) 升至30.82；SSQ-D從6.18 (SD = 7.55) 升至16.36；SSQ-TS從7.79 (SD = 8.41) 升至18.73。所有比較的p值均小于0.001，表明20分鐘的動畫觀看成功誘發了顯著的主觀疲勞感。
非線性眼動參數的討論
研究發現，在疲勞狀態下，眼動信號的樣本熵（Sample Entropy）顯著下降。這一現象可用認知資源耗竭的神經機制來解釋：負責維持目標導向注意力和精細調節眼動的前額葉-頂葉控制網絡，隨著疲勞逐步耗竭神經資源，其進行實時微調的能力也隨之減弱。這種變化與“復雜性喪失”理論相吻合，即健康的生理系統通常表現出高度的變異性與復雜性，而疲勞或疾病狀態則會導致這種復雜性的下降，使系統的行為模式變得更加可預測和刻板。
結論（Conclusion）
隨著屏幕使用時間的持續增長，計算機視覺綜合征（CVS）已成為現代生活中最普遍的視覺勞損問題之一。盡管先前的研究主要集中在由虛擬現實環境、飛行模擬器或其他高需求任務誘發的中度至重度疲勞，但對于日常生活中更為普遍、且與學習和工作表現高度相關的“輕度視覺疲勞”，其生理變化和可檢測性仍知之甚少。
實證結果表明，非線性眼動特征（如樣本熵）對捕捉輕度疲勞引起的細微時間動態變化具有高度敏感性。更重要的是，融合了線性和非線性特征的混合模型，通過結合空間統計信息與時間復雜性度量，實現了性能的顯著提升，為開發穩健、實時的疲勞監測工具鋪平了道路。這項研究不僅加深了我們對輕度視覺疲勞生理機制的理解，也為將其應用于日常健康管理和人機交互系統提供了新的視角。
