基于VR技術(shù)的大學(xué)生焦慮情緒施動感輔助訓(xùn)練系統(tǒng)設(shè)計

摘要：文章旨在評估基于虛擬現(xiàn)實（Virtual Reality，VR）技術(shù)的大學(xué)生焦慮情緒施動感輔助訓(xùn)練系統(tǒng)的有效性。通過構(gòu)建自適應(yīng)焦慮情緒管理訓(xùn)練模塊、虛擬情境互動反饋模塊及動態(tài)行為結(jié)果預(yù)期匹配分析模塊，該系統(tǒng)提供了沉浸式、互動性高的訓(xùn)練環(huán)境，以幫助大學(xué)生管理焦慮情緒，提升自我效能感。研究的評估結(jié)果顯示，訓(xùn)練后用戶在焦慮水平、施動感、任務(wù)完成率、用戶滿意度及預(yù)期匹配度等方面均有顯著改善，驗證了VR輔助訓(xùn)練在心理健康干預(yù)中的應(yīng)用潛力。

關(guān)鍵詞：虛擬現(xiàn)實技術(shù)；焦慮情緒；施動感輔助訓(xùn)練

中圖分類號：G434

文獻(xiàn)標(biāo)志碼：A

1 研究背景

隨著信息技術(shù)的快速發(fā)展，VR技術(shù)以其獨特的沉浸式體驗和交互性特點，被探索作為創(chuàng)新的心理健康干預(yù)工具。本研究聚焦于基于VR技術(shù)的大學(xué)生焦慮情緒施動感輔助訓(xùn)練系統(tǒng)，通過系統(tǒng)設(shè)計與實證評估，探討該技術(shù)在緩解大學(xué)生焦慮情緒、增強施動感和自我效能感方面的應(yīng)用效果。本研究的開展為未來心理健康干預(yù)的VR應(yīng)用提供了科學(xué)依據(jù)，強調(diào)了個性化和動態(tài)適應(yīng)性在設(shè)計心理健康VR訓(xùn)練系統(tǒng)中的重要性^［1］。

2 輔助訓(xùn)練關(guān)鍵技術(shù)

2.1 雙目立體視頻合成及編碼技術(shù)

在本研究中，深度估計（Depth Estimation，DE）是實現(xiàn)高質(zhì)量三維視覺效果的關(guān)鍵步驟，其基本原理通過以下算法公式進(jìn)行描述。深度估計過程是計算2個相機視角（左視圖和右視圖）之間的視差，視差大小直接關(guān)聯(lián)到場景中各點的深度信息。

假設(shè)d（x，y）表示像素點（x，y） 在左視圖和右視圖之間的視差，則該點的深度 Z（x，y）可通過下式計算：

Z（x，y）=f×B/d（x，y）

式中，f是相機的焦距，B是2個相機之間的基線距離（即相機中心點之間的水平距離）。深度 Z（x，y） 與視差d（x，y）成反比，視差越大，深度越小，表示物體距離觀察者更近。

在深度圖的生成過程中，采用半全局匹配算法（Semi-Global Matching， SGM）進(jìn)行視差估計，該算法通過最小化全局能量函數(shù)來優(yōu)化視差值，能量函數(shù)＼＼（E（D）＼＼） 定義為：

E（D）=∑_{（x，y）}C（x，y，d（x，y））+∑_{（x，y），（x′，y′）} P（d（x，y），d（x′，y′））

第一項是數(shù)據(jù)成本項，表示像素點 （x，y）在視差d（x，y） 下的匹配成本C，通常通過比較左右視圖中相應(yīng)像素點的亮度或顏色來計算。第二項是平滑成本項，用于懲罰相鄰像素之間視差的變化，其中（x′，y′） 表示 （x，y）的鄰域像素，P是根據(jù)視差差異 d（x，y）和d（x′，y′）計算的懲罰項，目的是保持深度圖的平滑性同時保留邊緣信息。

本研究在計算完成視差圖后，通過雙目立體視頻的編碼階段，采用高效視頻編碼（HEVC）標(biāo)準(zhǔn)，尤其是3D視頻擴展，為了優(yōu)化編碼效率，采用深度圖的特殊編碼策略和視圖合成預(yù)測技術(shù)，以減少所需的數(shù)據(jù)量并提高圖像質(zhì)量。

2.2 手勢動作捕捉技術(shù)

本研究的手勢識別過程分為2個階段：手勢檢測與手勢分類。在手勢檢測階段，利用深度學(xué)習(xí)中的對象檢測算法，如基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Region based Convolutional Neural Network，R-CNN）或者單次多框檢測器（Single shot multi frame detector，SSD）來定位圖像中手部的位置。該階段的關(guān)鍵在于生成手部區(qū)域的精確邊界框，為后續(xù)的手勢分類提供準(zhǔn)確的輸入。公式表示為：

B=f_detect（I;θ_detect）

其中，I是輸入圖像，B表示手部區(qū)域的邊界框，f_detect 是檢測模型，θ_detect是模型參數(shù)。

在手勢分類階段，將檢測到的手部區(qū)域作為輸入，通過分類模型來識別具體的手勢類型。長短期記憶網(wǎng)絡(luò)（LSTM）常用于處理序列數(shù)據(jù)，以識別動態(tài)手勢中的時序模式。對于序列化的手勢動作數(shù)據(jù)S=｛s₁，s₂，…，s_T｝，LSTM模型輸出的手勢類別C可通過下述公式計算。

C=f_classify（S;θ_classify）

其中，S表示手勢動作序列，C是手勢類別，f_classify表示分類模型，θ_classify是模型參數(shù)。通過此流程，手勢動作捕捉技術(shù)能夠?qū)崟r將用戶的自然動作轉(zhuǎn)化為精確的交互命令，進(jìn)而實現(xiàn)與虛擬環(huán)境的無縫對接。在VR輔助訓(xùn)練系統(tǒng)中，不僅提升用戶的沉浸感和滿意度，更為焦慮情緒的管理提供了新穎而有效的途徑。

2.3 面部捕捉技術(shù)

本研究的面部捕捉技術(shù)通過高精度面部表情追蹤，能夠捕捉到微妙的情緒變化，從而為用戶提供實時的情緒反饋和調(diào)整訓(xùn)練內(nèi)容。三維面部重建技術(shù)從二維圖像或視頻中重建用戶面部的三維模型，主要依賴于形狀從遮擋（Shape from Shading， SfS）技術(shù)或多視圖立體重建（Multi-View Stereo， MVS）技術(shù)。形狀從遮擋技術(shù)利用圖像中的光照信息來推斷物體的形狀，其基本假設(shè)是光照模型可知，并且表面反射特性均勻。公式可表示為：

Z=f_SfS（I;L，R）

其中，Z表示重建的三維面部模型，I為輸入的二維圖像，L是光照模型，R代表表面反射特性，f_SfS是基于形狀從遮擋的三維重建函數(shù)。

本研究通過分析三維面部模型的變化來識別用戶的表情。該技術(shù)通常采用深度學(xué)習(xí)方法，尤其是CNN，進(jìn)行特征提取和分類。面部表情識別的關(guān)鍵在于準(zhǔn)確地從高維數(shù)據(jù)中提取表情特征，并將其映射到特定的情緒類別。這可以通過訓(xùn)練深度CNN模型來實現(xiàn)，模型的輸出為表情類別的概率分布，公式表示為：

P=f_CNN（Z;?）

其中，P是表情類別的概率分布，Z為輸入的三維面部模型，?表示CNN模型的參數(shù)，f_CNN是表情識別函數(shù)。

3 基于VR技術(shù)的大學(xué)生焦慮情緒施動感輔助訓(xùn)練系統(tǒng)設(shè)計

3.1 系統(tǒng)總體架構(gòu)設(shè)計

本研究基于VR技術(shù)的大學(xué)生焦慮情緒施動感輔助訓(xùn)練系統(tǒng)通過沉浸式體驗輔助大學(xué)生管理和緩解焦慮情緒，其系統(tǒng)總體架構(gòu)設(shè)計充分融合了多種高端技術(shù)，以確保用戶體驗的自然性、互動性和個性化。該系統(tǒng)架構(gòu)主要由4個核心組件構(gòu)成：用戶交互界面、VR內(nèi)容生成模塊、情緒監(jiān)測與反饋機制以及數(shù)據(jù)處理與分析中心。

3.2 系統(tǒng)功能結(jié)構(gòu)設(shè)計

3.2.1 自適應(yīng)焦慮情緒管理訓(xùn)練模塊

（1）情緒狀態(tài)實時監(jiān)測。通過集成的面部捕捉技術(shù)和生理信號監(jiān)測設(shè)備（如心率監(jiān)測器和皮膚電反應(yīng)傳感器），實時捕獲用戶的情緒狀態(tài)和生理反應(yīng)，通過特定算法進(jìn)行分析，精確評估用戶當(dāng)前的焦慮水平。

（2）動態(tài)訓(xùn)練內(nèi)容調(diào)整?；趯崟r監(jiān)測數(shù)據(jù)，訓(xùn)練模塊通過預(yù)設(shè)的邏輯和算法自動調(diào)整訓(xùn)練難度和內(nèi)容。采用機器學(xué)習(xí)模型，使用決策樹和深度學(xué)習(xí)網(wǎng)絡(luò)，分析用戶的訓(xùn)練表現(xiàn)和情緒反饋，以決定提供更加放松的訓(xùn)練環(huán)境還是增加挑戰(zhàn)性的任務(wù)。

（3）個性化訓(xùn)練方案生成。利用用戶的歷史數(shù)據(jù)和訓(xùn)練表現(xiàn)，結(jié)合用戶特定的焦慮觸發(fā)因素，生成個性化的訓(xùn)練方案。該方案不僅針對用戶的特定需求，還考慮到了用戶的偏好和訓(xùn)練進(jìn)度，旨在提供最適合用戶的焦慮管理訓(xùn)練^［2］。

（4）反饋與引導(dǎo)機制。訓(xùn)練模塊集成了即時反饋系統(tǒng)，通過虛擬環(huán)境中的導(dǎo)師或提示，向用戶提供正面的反饋和建議。此外，引入認(rèn)知行為療法（CBT）元素，教授用戶應(yīng)對焦慮的技巧，如深呼吸、正念冥想等，以增強訓(xùn)練效果。

3.2.2 虛擬情境互動反饋模塊

（1）逼真環(huán)境模擬。采用高級圖形渲染技術(shù)和3D建模工具，精細(xì)構(gòu)建與用戶焦慮觸發(fā)因素相關(guān)的虛擬情境，如公共演講、考試環(huán)境等，確保虛擬環(huán)境的真實感和沉浸感。通過模擬現(xiàn)實生活中可能遇到的壓力情境，幫助用戶在安全、可控的環(huán)境中學(xué)習(xí)應(yīng)對技巧。

（2）互動設(shè)計與實現(xiàn)。結(jié)合手勢動作捕捉技術(shù)和語音識別技術(shù)，實現(xiàn)用戶與虛擬環(huán)境的自然互動。用戶可以通過自然的手勢和語音命令與虛擬角色或?qū)ο蠼换?，提升?xùn)練的互動性和參與感。

（3）情緒監(jiān)測與即時反饋。利用面部表情捕捉和生理信號監(jiān)測技術(shù)（如心率、皮膚電活動）實時監(jiān)控用戶的情緒狀態(tài)。根據(jù)用戶的情緒變化，系統(tǒng)能夠提供即時的反饋和指導(dǎo)，如調(diào)整虛擬情境的難度或通過虛擬導(dǎo)師提供放松技巧指導(dǎo)。

（4）認(rèn)知行為干預(yù)集成。在虛擬情境中融入認(rèn)知行為療法（Cognitive-behavioral Therapy，CBT）的元素，設(shè)計情境任務(wù)和挑戰(zhàn)，引導(dǎo)用戶識別和重構(gòu)負(fù)面思維模式，學(xué)習(xí)積極應(yīng)對策略。通過完成特定任務(wù)，用戶能夠在虛擬環(huán)境中實踐和鞏固這些技巧。

3.2.3 動態(tài)行為結(jié)果預(yù)期匹配分析模塊

（1）用戶行為捕捉。采用先進(jìn)的手勢動作捕捉技術(shù)和眼動追蹤技術(shù)，實時記錄用戶在虛擬環(huán)境中的行為和視線移動。這一步驟確保了對用戶行為的全面捕捉，為后續(xù)分析提供基礎(chǔ)數(shù)據(jù)。

（2）行為結(jié)果模擬?；谟脩舻木唧w行為，系統(tǒng)通過預(yù)設(shè)的邏輯算法模擬出可能的行為結(jié)果。這些結(jié)果不僅涵蓋了直接的任務(wù)完成情況，還包括了行為對虛擬環(huán)境及其內(nèi)虛擬角色的影響，增加了模擬的復(fù)雜度和真實感。

（3）自我效能反饋提供。根據(jù)預(yù)期匹配度的評估結(jié)果，系統(tǒng)通過虛擬情境中的反饋機制向用戶提供即時的正面反饋或建設(shè)性指導(dǎo)。這一過程旨在增強用戶的自我效能感和行為控制感，對提升其焦慮情緒管理能力至關(guān)重要。

（4）訓(xùn)練內(nèi)容自適應(yīng)調(diào)整。動態(tài)行為結(jié)果預(yù)期匹配分析模塊還負(fù)責(zé)根據(jù)用戶的表現(xiàn)動態(tài)調(diào)整后續(xù)訓(xùn)練的難度和內(nèi)容。通過這種方式，確保訓(xùn)練計劃始終符合用戶的個人發(fā)展需求，最大化訓(xùn)練效果^［3］。

4 施動感輔助訓(xùn)練效果評估

如表1所示，在本研究的自適應(yīng)焦慮情緒管理訓(xùn)練模塊中，用戶的焦慮水平（通過標(biāo)準(zhǔn)化的SAS量表評估）從基線測試的平均得分45下降到訓(xùn)練后的30，顯示了顯著的改善（plt;0.05），同時施動感水平的提高也表明了用戶在訓(xùn)練中增強了對自己情緒管理能力的信心。在虛擬情境互動反饋模塊方面，任務(wù)完成率的顯著提高（從65%提升到85%，plt;0.05）和用戶滿意度的增加（從3.5分提高到4.8分，滿分為5分，plt;0.05）反映了訓(xùn)練系統(tǒng)的有效性和用戶體驗的優(yōu)化。動態(tài)行為結(jié)果預(yù)期匹配分析模塊的評估結(jié)果也同樣令人鼓舞，預(yù)期匹配度的提升（從60%提升到80%，plt;0.05）和自我效能感的增強（從3.0提升到4.2，plt;0.05）顯示了用戶對訓(xùn)練內(nèi)容的良好接受度和對自身行為控制感的增強。

5 結(jié)語

未來，隨著技術(shù)的不斷發(fā)展和應(yīng)用的深化，有理由相信基于VR的心理健康干預(yù)不僅能夠為大學(xué)生群體帶來福祉，還將惠及更廣泛的人群。此外，本研究的方法和發(fā)現(xiàn)為后續(xù)在該領(lǐng)域的研究提供了寶貴的經(jīng)驗和數(shù)據(jù)支持，鼓勵未來研究進(jìn)一步探索VR技術(shù)在心理健康及其他領(lǐng)域的應(yīng)用，持續(xù)推動科技與人文關(guān)懷的深度融合，共同構(gòu)建更加健康、和諧的社會。

參考文獻(xiàn)

［1］湯華清，辛勃呈，趙金道，等.基于VR技術(shù)的心理適應(yīng)性訓(xùn)練系統(tǒng)設(shè)計與實現(xiàn)［J］.消防科學(xué)與技術(shù)，2023（4）：541-544.

［2］布宇博，李力紅，呂香玲，等.動作自主性與結(jié)果性質(zhì)對不同預(yù)測性條件下施動感的影響［J］.心理學(xué)報，2022（7）：789-798.

［3］安燦翎，李力紅，田昊月，等.施動感雙層結(jié)構(gòu)的發(fā)展［J］.心理科學(xué)，2021（5）：1273-1279.

（編輯 沈 強）

Design of assisted training system of anxiety emotions in college students

based on VR technology

Tang" Shuzhu

（Changchun College of Humanities， Jilin 130000， China）Abstract： The aim of this study is to evaluate the effectiveness of a virtual reality （VR） technology-based assisted training system for college students’ anxiety emotion perception. By constructing an adaptive anxiety emotion management training module， a virtual situational interactive feedback module， and a dynamic behavior result expected matching analysis module， this system provides an immersive and highly interactive training environment to help college students manage anxiety emotions and improve self-efficacy. The evaluation results of this study show that after training， users have significantly improved their anxiety levels， motivation， task completion rate， user satisfaction， and expected match， verifying the potential application of VR assisted training in mental health interventions.

Key words：virtual reality technology; anxiety emotions; motion assisted training