编辑推荐：
这篇综述系统梳理了2015至2025年间利用光电容积脉搏波描记法（PPG）监测扩展现实（XR，包括VR/AR/MR）环境中用户认知负荷的23项研究。文章指出，相较于脑电图（EEG）、心电图（ECG）等功能磁共振成像（fMRI）等传统生理传感器，PPG因其非侵入、低成本、低功耗和便于集成到可穿戴设备的优势，在实时、持续监测方面展现出巨大潜力。然而，现有研究多集中于腕部、指尖等外周位置，与头戴式显示器（HMD）无缝集成的头戴式PPG方案仍有待深入探索。综述最后为研究人员、XR开发者和教育工作者绘制了技术路线图，指出头显嵌入式PPG、基于机器学习的特征提取以及多模态传感器融合是未来实现自适应、以学习者为中心XR系统的关键方向。
认知负荷测量：XR教育中的新挑战与PPG方案
在虚拟现实（VR）、增强现实（AR）和混合现实（MR）构成的扩展现实（XR）教育环境中，营造沉浸式学习体验的同时，如何有效监测并防止学习者认知过载，已成为优化教学效果的核心课题。认知负荷被定义为执行特定任务或处理知识所需的工作记忆资源量。过高的认知负荷会阻碍学习进程。传统的测量方法，如基于自我报告的主观量表（如NASA任务负荷指数NASA-TLX），存在结果不一致、难以实时应用的局限；而脑电图（EEG）、心电图（ECG）等功能磁共振成像（fMRI）等生理测量方法，则常受限于侵入性强、成本高昂、设备笨重或信号处理复杂等问题，难以无缝融入日常XR应用。
在此背景下，光电容积脉搏波描记法（Photoplethysmography， PPG）作为一种光学传感技术，凭借其非侵入、低成本、低功耗的特性脱颖而出，成为测量认知负荷的潜力方案。其原理是利用发光二极管（LED）照射皮肤组织，并通过光电探测器检测因血液容积搏动而导致的光吸收或反射变化，从而提取出包含交流（AC，脉动性）和直流（DC，基线）成分的PPG波形。
PPG vs. 其他生理传感器的竞争优势
一项针对23项研究的系统综述，从便携性、成本、功耗、舒适度和运动时信号质量五个维度，对PPG与其他常用生理传感器进行了定性比较。结果显示，PPG在便携性、成本和功耗方面均获得最高评分，非常适合于集成到可穿戴设备和XR头显中，实现长期监测。虽然其信号在运动状态下易受伪影干扰，评分低于ECG和眼动仪，但通过先进的信号处理算法（如奇异谱分析SSA）可以有效缓解这一问题。
相比之下，ECG虽然信号质量高，但通常需要多个接触点和皮肤准备，设置更为侵入；EEG能提供优异的时空分辨率，但需要在头皮放置电极，且原始信号噪声大、预处理复杂，不利于日常应用；皮肤电反应（GSR）设备轻便，但易受运动、皮肤水合度及温度影响；而fMRI则因便携性差、成本极高，主要用于研究而非日常评估。
PPG在XR中的集成演进与应用
PPG与XR技术的融合在过去十年经历了三个发展阶段：
- •
奠基阶段（2015–2017）：研究聚焦于核心算法开发，如在动态XR环境中实现运动稳健的远程PPG（rPPG）测量的平面正交于皮肤（POS）算法，并首次在三星Gear VR环境中利用PPG衍生的心率变异性（HRV）特征实现高精度的压力分级。
- •
验证阶段（2018–2021）：研究转向临床验证和疗法应用。例如，在VR环境中验证HRV生物反馈与传统方法具有同等生理效能，但用户动机更高；探索PPG信号与认知负荷评估的相关性，确定了相关性维度是认知负荷最稳健的非线性HRV标记物；并对未来集成于头戴式显示器至关重要的前额PPG波形进行了表征。
- •
集成阶段（2022–2025）：近期研究致力于开发内置传感器系统。例如，验证了与HTC Vive和Pico头显兼容、集成前额PPG和多通道面部肌电的emteqPRO平台；开发了首个针对VR的远程PPG算法Meta-rPPG架构；以及利用PPG信号实时测量血容量脉冲和超短HRV，从而动态调整VR叙事内容以优化用户唤醒水平的自适应系统。
传感器布局、测量指标与多模态融合
现有研究中，PPG传感器多放置于腕部和指尖等外周位置。虽然腕戴式设备普及，但其信号强度可能不如指尖PPG，且更易受运动伪影干扰。头戴式位置（如额部、颞部）因身体大幅运动较少，能减少对传感器的干扰，并与XR头显集成潜力巨大，但相关探索仍很有限。前额、颞部（靠近颞浅动脉）和眉间区域（位于眶上动脉上方）是潜在适合PPG测量的部位，而口周和脸颊区域则因呼吸和频繁口部运动影响而不太合适。
在认知负荷测量方面，PPG可提供多种生理指标：
- 1.
心率（HR）/脉搏率（PR）：通过检测PPG波形峰值间的脉搏间隔（tpi）计算。在认知任务中，tpi常随任务难度增加而显著减小，表明心率升高。
- 2.
心率变异性（HRV）/脉搏率变异性（PRV）：反映自主神经系统（ANS）的平衡。认知负荷增加通常导致交感神经活动增强（低频/高频比LF/HF升高），副交感神经活动减弱（高频HF降低）。HRV可从PPG信号中提取，但分析通常需要至少2分钟的数据，且受年龄、运动等多种因素影响。
- 3.
小动脉脉搏传导时间（aPTT）：源于多波长PPG（MWPPG）信号，与系统性血管阻力（SVR）变化相关。认知负荷引发的应激会激活交感神经系统，导致血管收缩，从而影响aPTT。
- 4.
PPG波形形态学特征：包括从PPG波形及其一阶、二阶导数中提取的时域和频域特征。例如，压力诱导血管反应指数（sVRI）和PPG波形的标准差已被证明是评估认知负荷的敏感、可靠指标。
为提升测量的准确性和鲁棒性，多模态传感器融合成为趋势。在综述的23项研究中，有7项整合了PPG与其他生理传感器。常见的组合包括PPG与GSR、ECG、眼动仪或EEG。这种融合能提供更全面的生理状态视图，弥补单一模态的不足。例如，结合PPG和GSR，利用随机森林（RF）等机器学习模型，可在认知负荷分类中达到高准确率，成为一种非侵入的EEG替代方案。然而，多模态集成也带来了系统复杂性、成本增加以及可能干扰用户自然行为的挑战。
研究现状与未来方向
现有研究多采用实证定量或混合研究设计，样本量集中在20-50人之间。在数据分析方法上，描述性统计占主导地位，用于总结PPG生理响应特征；方差分析（ANOVA）常用于验证实验任务（如N-back任务）能否有效诱发不同水平的认知负荷；机器学习方法（如随机森林、支持向量机SVM）的应用也呈增长趋势，用于从复杂数据中识别模式，实现实时分析与反馈。
尽管如此，该领域仍存在明显的研究空白。大多数实施方案依赖于腕部和指尖放置，对头戴式集成方案的探索不足。同时，在传感器布局优化、多模态信息融合以及实时信号处理方面仍需深入探索。未来的研究方向包括：开发专为XR头显设计的嵌入式PPG传感器；利用机器学习进行更高效的特征提取和认知状态解码；以及建立融合PPG与其他传感数据的标准化框架，最终推动构建能够实时适应学习者认知状态的自适应XR教育系统。
