其中𝑥和𝑦是目标身体部分的水平加速度分量。我们计算了头部(HS)和躯干(TS)的测量值。 质心。质心(COM)运动为视觉诱发晕动病相关的压力中心测量提供了身体运动模拟[34]。Xsens使用其关节式数字人类模型来评估COM。我们提取了平面标准差(SDCOM)和轨迹长度(𝐿COM): 其中(𝑥 ,𝑦)是60 Hz时的𝑖th COM样本，𝑥 = 𝑛−1 ∑︁𝑛 𝑥，𝑦 = 𝑛−1 ∑︁𝑛 𝑦。 颈部弯曲。由于颈部屈曲与模拟疾病有关[43]，我们按照曹等人[8]的标志性定义计算了图5所示的角度: 其中𝐴是左肩和右肩标志的中点，𝐵是颈部标志，𝐶是头部标志。然后，我们提取了运动范围和标准偏差[22]: 我们的分析有三个阶段(图6)。首先，我们比较了五个已建立的分类器。第二，我们将博鲁塔-SHAP应用于表现最好的模型，以去除无用的预测因子。第三，我们使用SHAP对保留的预测因子进行排序，并描述它们对每个MSL的贡献。 机器学习模型

其中𝑥和𝑦是目标身体部分的水平加速度分量。我们计算了头部(HS)和躯干(TS)的测量值。 质心。质心(COM)运动为视觉诱发晕动病相关的压力中心测量提供了身体运动模拟[34]。Xsens使用其关节式数字人类模型来评估COM。我们提取了平面标准差(SDCOM)和轨迹长度(𝐿COM): 其中(𝑥 ,𝑦)是60 Hz时的𝑖th COM样本，𝑥 = 𝑛−1 ∑︁𝑛 𝑥，𝑦 = 𝑛−1 ∑︁𝑛 𝑦。 颈部弯曲。由于颈部屈曲与模拟疾病有关[43]，我们按照曹等人[8]的标志性定义计算了图5所示的角度: 其中𝐴是左肩和右肩标志的中点，𝐵是颈部标志，𝐶是头部标志。然后，我们提取了运动范围和标准偏差[22]: 我们的分析有三个阶段(图6)。首先，我们比较了五个已建立的分类器。第二，我们将博鲁塔-SHAP应用于表现最好的模型，以去除无用的预测因子。第三，我们使用SHAP对保留的预测因子进行排序，并描述它们对每个MSL的贡献。 机器学习模型