利用脑电图评估虚拟现实中的具身感：范围综述
Evaluating sense of embodiment in virtual reality with EEG: A scoping review
https://www.sciencedirect.com/science/article/pii/S2451958825002830
摘要
在虚拟现实（VR）体验中，具身感指的是拥有并控制一个虚拟身体。它结合了身体所有权感、代理感和自我位置感，使使用者感到虚拟身体就是他们自己的。尽管对这一话题的兴趣日益增长，但具身感仍然缺乏定量的客观和主观标准评估实践。在这一背景下，我们进行了一项范围综述，通过搜索科学数据库来评估现有文献在具身感、其组成部分以及通过基于脑电图（EEG）技术进行评估方面的广度。我们还调查了生理性的EEG衍生指标与通过问卷收集的心理测量数据之间的关系，这些问卷旨在评估参与者的主观体验。审查中纳入了41篇文章，并根据具身感被调控的组成部分以及EEG技术进行分类。文献分析结果突显了VR诱导刺激以及EEG数据收集、预处理和分析方面的高度异质性。此外，在所审查的研究中，主观反馈通常通过非标准化且往往未经验证的问卷收集。这种显著的异质性反映了在具身感的关键主观和基于EEG的标记物上缺乏共识，这表明未来研究的设计需要更大的标准化。尽管如此，个别研究的结果表明，具身感可以引发可测量的反应，这些反应可以通过EEG衍生指标进行量化，并与主观感受相关联。因此，需要进一步调查，以更好地设计涉及具身感的VR体验。
关键词： 沉浸式现实 脑电图 主观体验 代理感 自我位置感 身体所有权感 橡胶手错觉
1. 引言
沉浸式虚拟现实（VR）由于技术进步和成本可负担性的提高，正变得越来越容易获得（Fares et al., 2024）。VR 在多个领域提供了各种可能性，例如娱乐和休闲（Calisto & Sarkar, 2024）、医疗保健和神经科学（Javvaji et al., 2024）、培训和教育（Lampropoulos & Kinshuk, 2024）。凭借其将用户沉浸到完全由计算机生成的场景中的能力，并在其中整合多感官刺激，VR 允许在可控且安全的场景中提供引人入胜且生动的体验（Świdrak et al., 2024）。此外，VR 使用户能够将虚拟身体体验为自己的身体，这种现象通常被称为“具身感”。
具身感最初基于20世纪90年代末至2000年代初使用橡胶手进行的现实世界实验而被概念化（Botvinick & Cohen, 1998; Ehrsson et al., 2004）。这些研究定义了具身感的现象学和神经原理，后来随着多感官VR环境的出现而得到更深入的调查（Sanchez-Vives & Slater, 2005; Slater et al., 2008），这也允许将具身感从身体部位——通常是手或上肢——扩展到整个身体（Lenggenhager et al., 2007）。在2000年代至2020年代期间，VR技术的演进使具身感研究从被动范式过渡到主动、自适应和实时系统（Jeunet et al., 2018; Slater et al., 2008）。
具身感的体验是由多感官感知、运动代理感和空间位置之间的复杂交互实现的（Blanke, 2012），它通常通过两种不同的方式触发：视触觉刺激和视运动同步。根据刺激以及更一般地说，根据VR体验，可以刺激具身感的一个或多个组成部分。这些组成部分是：i) 身体所有权感（SoBO），ii) 代理感（SoA），以及iii) 自我位置感（SoSL）（Guy et al., 2023）。
SoBO 是主观感觉，即虚拟身体或其部分属于自己。它是“这（虚拟）身体是我的”这种感觉。这种现象基于所谓的橡胶手错觉（Botvinick & Cohen, 1998），这是第一个实验，证明如果视觉和触觉刺激被感知为连贯且同步的，就有可能对外在物体诱导所有权感。SoBO 是早期具身感研究中第一个被研究的组成部分，因为同步视觉和触觉刺激相对简单（Slater et al., 2008）。虽然有效，但同步视触觉刺激最近已演变为视运动同步范式，在该范式中，参与者的化身模仿真实或想象的动作，或者化身由参与者主动控制（Girondini et al., 2025）。用户运动与虚拟身体运动之间的一致性可以诱导SoBO。尽管如此，从完全被动体验向研究参与者主动参与的转变，使得对其他两个具身感组成部分的系统性调查成为可能，尤其是SoA（Girondini et al., 2025）。
SoA 是感觉自己是引起自身动作的代理者的感觉。它是对虚拟身体运动有意控制的感知。在VR环境中，当虚拟化身的运动立即且准确地对应于用户的运动时，SoA 会得到促进。延迟或不一致的存在会降低这种感觉。SoA 和 SoBO 的区分很重要：一个人可以对一个身体拥有代理感而没有感觉它是自己的（反之亦然），即使这两个方面往往会互动（Kalckert & Henrik Ehrsson, 2012）。
最后，SoSL 是感知自己位于空间中某个点的感觉。在VR中，SoSL 与显示环境中的虚拟身体相关，更具体地说，在沉浸式环境中，它受第一人称视角（1PP）和用户视角与虚拟身体视角一致位置的影响。神经科学实验，例如Lenggenhager et al.的实验（Lenggenhager et al., 2007），已经表明，通过虚拟环境中的视触觉操纵，可以改变自我的感知位置，创造“自我转移”的错觉。
具身感的这三个组成部分不仅对游戏至关重要，还对临床、治疗和神经科学应用至关重要（Kilteni et al., 2012; Riva & Wiederhold, 2015）。具身感的调控已被证明在VR应用中很重要，因为它影响用户如何感知自己以及他们行为和与虚拟物体互动的方式（Kilteni et al., 2012）。强烈的具身感会导致更自然、目标导向的行为和性能改善。事实上，具身感不仅增强了虚拟世界中的存在感，还改善了用户体验（Scheibler & Rodrigues, 2019），促进了新技能的学习（Slater, 2017），并支持了行为和心理效应的研究（Gall et al., 2021）。
几个因素已被证明会影响具身感的感知；其中包括多感官刺激以及用户化身的外观和行为（Fribourg et al., 2020）。虽然这些因素被认为是贡献元素，但它们的精确作用和潜在机制仍未得到充分表征。这表明，一方面，需要对文献进行系统评估，针对VR诱导错觉调控的具体组成部分以及诱导此类调控所采用的方法论；另一方面，需要识别能够客观评估具身感的定量指标。
在大多数研究中，作者通过自我报告问卷评估具身感，其中许多问卷尚未经过关于其可靠性和内部一致性的严格验证程序，从而限制了其在比较分析中的适用性（Roth & Latoschik, 2020）。此外，缺乏共享标准阻碍了跨研究结果的比较和可靠复制发现（Roth & Latoschik, 2020）。这一差距限制了规范基准的建立，并因此限制了可以用于开发稳健临床和遥操作应用的具身感稳健特征的识别（Falcone et al., 2023）。
为了满足对客观具身感测量的需求，过去十年中越来越多的研究利用了EEG和VR技术的整合，来调查与“具身”虚拟自我的表征相关的神经生理相关物。
EEG 确实是一种非侵入性神经成像方法，它以高时间分辨率测量大脑电活动。与其他广泛使用的模态（如功能磁共振成像（fMRI））不同，EEG 是便携的，并且对运动相对更稳健，使其非常适合交互式VR场景。因此，EEG 代表了一种在VR范式中调查具身感神经相关物的最佳模态。通过分析EEG信号，研究人员可以识别与感觉虚拟身体是“我的”并处于控制之下的振荡脑节律变化或诱发电位。这些脑节律代表了无偏且共享的响应，可以实时收集——而不中断体验——并在临床人群中收集。它们与具身感的有意识体验的相关性（也通过主观问卷的管理进行检查），可以改善对该现象的理解，从而提供可再现的生物标记物来指导临床协议、定制环境并优化用户参与（Porssut et al., 2023）。
例如，经典的SoBO错觉（如虚拟手错觉）已使用EEG进行研究：当参与者接受虚拟肢体作为自己的肢体时，他们的传感运动EEG节律（在mu/alpha范围内）通常显示出增加的抑制，反映了类似于真实肢体使用时的运动皮层的参与（González-Franco et al., 2014）。同样，alpha频段振荡与VR诱导的错觉性自我位置相关，揭示了双侧传感运动皮层和内侧前额叶区域的身体特异性功率调制（Lenggenhager et al., 2011）。
最近对脑机接口（BCI）的兴趣进一步推动了涉及EEG和具身感的研究：通过给用户一个可控制的化身或VR中的假肢，研究旨在在运动想象（MI）期间产生增强的大脑激活，从而提升BCI性能（Choi et al., 2020; Vourvopoulos et al., 2022）。总体而言，EEG和VR具身感的交叉提供了一种独特的方法来客观测量“成为”虚拟身体的沉浸式体验。
鉴于这些前提，我们进行了本次综述，以概述这一跨学科领域的当前状态，同时关注VR体验中实施的特征，以调控一个或多个具身感组成部分，以及EEG方法论和具身感的关键神经生物标记物。主要目的是提供关于具身感及其使用EEG测量的现有知识概述，以阐明调控特定组成部分的神经生理效应，并指导未来工作。为此，我们进一步深化并具体化了之前文献综述中由Guy et al.进行的分析（Guy et al., 2023），该综述考虑了所有可用的具身感研究方法论。作为次要目的，我们调查了定量EEG结果是否以及如何与常用的具身感主观测量相关。
本次综述的相关性在于需要识别解释框架——以再现生态有效或神经自适应场景，并设计自然XR接口——将神经信号与具身体验连接起来；事实上，最近的几篇论文显示了EEG如何以定量方式帮助识别与具身感相关的神经机制（Guy et al., 2023）。因此，阐明具身感和EEG研究代表了一个及时的话题。一旦它们的关系被理解，就有可能将原始神经数据转化为有意义的洞见，在工业、健康、神经科学和人机交互领域对VR体验产生显著改进（Hejrati et al., 2025; Risoli et al., 2025; Serim et al., 2024）。
本文的其余部分组织如下：方法（第2节）提供了关于搜索策略、研究选择和数据提取的信息。结果（第3节）报告了我们关于具身感调控技术的发现，重点关注每个具体组成部分（§ 3.1）。随后的结果小节呈现了EEG方法，包括系统设置、预处理和数据分析（§ 3.2），以及收集主观响应的工具（§ 3.3）。讨论（第4节）批判性地审视并讨论当前发现，建议未来工作的潜在发展（§ 4.4）。小节4.5报告了本工作的局限性。最后，我们在第5节中得出一些结论。
2. 方法
进行了一项科学文献的范围综述，以识别所有与通过在VR环境中分析EEG信号来研究具身感及其相关概念有关的研究活动。选择准备范围综述而非系统综述，是因为本工作的主要目的是映射该领域所有可用文献，识别当前技术水平和仍未解决的问题，而不是回答特定研究问题（Levac & Heather, 2012）。此外，由于近年来对具身感的兴趣增加，范围综述的方法论显得更合适，因为它允许纳入更广泛的研究，即使这些研究处于初始阶段。为了确保应用严格的协议，我们采用了（Arksey & O’Malley, 2005）建议的框架，该框架已在其他范围综述中使用（Andersen et al., 2023; Arlati et al., 2020; Maggio et al., 2021）。PRISMA指南的组成部分（Liberati et al., 2009）——通常推荐用于系统综述和元分析——在可能的情况下被使用。
我们意识到存在其他处理相同主题的综述。如前所述，Guy et al.（Guy et al., 2023）专注于具身感评估策略；我们在具身感组成部分的定义方面与他们的综述保持一致。然而，我们更深入地探讨了VR体验与SoBO、SoA和SoSL之间的关系，并专注于EEG，提供更多关于方法论和有助于引发并检测具身感及其组成部分的特征的信息。Kellmeyer在2018年进行了一项综述，但仅限于神经病学和精神病学领域（Kellmeyer, 2018）；此外，它排除了该主题的几项近期工作。最后，Ronca et al.的近期工作提供了使用EEG估计扩展现实技术下具身感的非常广泛概述（Ronca et al., 2024）。尽管如此，他们遵循了对具身感不太精确的定义，将其同化为空“存在感”的概念，即在计算机生成的环境中“在那里”。此外，他们排除了参与者少于12人或招募残疾人的研究，而我们认为这些研究对于更深入探讨该主题是必需的。
2.1. 搜索策略
其中一位作者在以下科学数据库中进行了搜索：PubMed（Medline）、Scopus（EMBASE）和Web of Science。第一次搜索于2024年3月进行；更新于2025年5月进行。研究搜索限于英文文章，时间范围从2010年起（Levac & Heather, 2012）至2025年5月。这一选择是因为我们预计大多数研究会使用沉浸式VR。事实上，为所有当前头戴显示器铺平道路的第一个头戴显示器——即第一个Oculus Rift——于2010年发布。
综述过程，包括搜索字符串，如图1所示。
2.2. 纳入和排除标准
按照范围综述的指南，我们定义了宽泛的纳入和排除标准，以允许更广泛的研究选择，旨在捕捉该主题的所有当前证据，而不具体评估研究质量（Levac & Heather, 2012; Tricco et al., 2018）。因此，我们纳入了所有满足以下条件的研究：(a) 在VR环境中作为实验范式的一部分评估具身感的一个或多个组成部分（例如，SoBO、SoSL、SoA）；(b) 使用EEG作为主要测量工具来评估VR体验的神经相关物；以及(c) 涉及人类参与者（健康个体或临床人群）。
如果研究：(a) 实际上未涉及具身感分析（例如，它们处理类似概念，如存在感，但不是具身感）；(b) 未包括EEG数据（例如，没有结果的协议或仅使用行为测量或其他生理测量如fMRI的研究具身感）；或(c) 是意见文章、理论论文、综述，则被排除。
2.3. 研究选择
研究选择过程的第一步预见了去除重复项。然后，对搜索结果的标题和摘要进行相关性筛选。在这一阶段，明明不符合纳入标准的研究被丢弃。如果存在不确定性，则阅读整篇论文。接下来，获取潜在相关论文的全文，并根据纳入标准进行详细审查。所有作者单独阅读所有论文并评估其资格。任何歧义或冲突意见通过本综述作者之间的讨论解决。
2.4. 数据提取和综合
在研究选择之后，我们从每篇纳入的研究中提取关键信息，包括：(1) 研究特征（研究设计——例如，组内、组间或干预前/后——以及参与者细节，如样本大小和人群）；(2) VR系统，即沉浸式VR系统（头戴显示器，HMD和CAVE）与计算机屏幕（或其他媒体）；(3) 具身感调控程序，即具身感是如何诱导的（即，通过关注视触觉或视运动刺激的存在），涉及哪些组成部分，以及向研究参与者提出的哪些条件；(4) 预期的应用领域（例如，神经科学、医疗保健、心理学）；(5) EEG方法论（EEG设备和通道、预处理步骤、分析方法——时域ERP分析、频域功率分析、事件相关去同步/同步（ERD/ERS）、时频分析、连通性测量等）；(6) 其他测量（如适用）（例如，使用具身感问卷、行为绩效测量）；以及(7) 与具身感相关的研究关键发现（哪些EEG标记物被发现随具身感而变化，以及任何报告的EEG测量与主观报告或任务绩效之间的联系，以及任何注明的研究局限性）。所有审阅者独立提取这些数据片段，每人专注于不同方面。然后，其中两位作者对整个工作进行修订。收集的数据被审查并根据被调控的具身感组成部分（考虑Guy et al.给出的定义（Guy et al., 2023））和最相关的EEG数据分析程序进行分类。然后，我们试图突出两种分类之间任何可能的关系，以为未来研究协议的开发提供信息。
3. 结果
范围综述的搜索策略识别出150篇论文。在删除重复项并对标题和/或摘要进行初始筛选后，有80篇稿件被认为符合纳入标准。其中，36篇被认为适合纳入本次综述。更新识别出5项额外工作；在一种情况下（Alsuradi et al., 2025），作者分析了先前收集的数据，我们还搜索了描述原始实验的文章（Alsuradi et al., 2024），并将这两篇文章一起考虑。在纳入的工作中，超过75%（n = 31/41）发表于2018年之后，几乎60%（n = 24）发表于2020年之后，这表明对该主题的研究兴趣正在增加（图2）。
3.1. 具身感调控方法
所有纳入的研究都采用了组内设计，在一次会话中将参与者暴露于两种或更多条件之下，除了两项工作进行了训练前-后分析（Liu et al., 2023, pp. 435–440; Song et al., 2025）。一项研究还对健康参与者和一名中风患者的EEG响应进行了比较（Garipelli et al., 2021）。一项研究（Ramirez-Campos et al., 2024）没有进行实验，而是使用了先前工作中生成的数据库（Vagaja et al., 2023）进行进一步的EEG数据分析。
在大多数情况下，样本大小较小，这突显了研究的探索性性质：11项研究（26%）招募的参与者人数小于或等于10人；21项（51%）研究的样本大小在11至20人之间；其余工作（21%）招募了24至37名参与者。在大多数情况下，参与者是健康的志愿者：在34项研究中，高达39项（80%，在3项研究中数据不可用），他们的年龄小于40岁。Xu et al. 招募了14名中风患者（年龄：61 ± 11）（Xu et al., 2024）；Liu et al. 招募了13名年龄在18至65岁之间的脊髓损伤个体（Liu et al., 2023, pp. 435–440）；Garipelli et al. 招募了12名健康志愿者和一名中风参与者（年龄：60）（Garipelli et al., 2021）；Song et al. 招募了两名截肢者（Song et al., 2025）。
设备、VR体验以及如何调控具身感以诱导可测量的EEG响应，在以下表格中描述。研究根据其声明的或可推断的主要具身感感兴趣变量进行分组：表1报告了主要处理SoBO调控的研究（n = 7），表2处理SoA的研究（n = 15），表3处理SoSL的研究（n = 7）。其余13项研究涉及不同具身感组成部分的调控；这些工作在表4中简要描述，连同每项研究中涉及的组成部分。大多数研究关注SoBO和SoA的组合（n = 9），这是从执行运动想象任务中得出的。一项预见了SoBO和SoSL的组合（Raz et al., 2020），其他研究则考虑了所有具身感组成部分。
关于用于诱导具身感的技术，我们识别出6项（14%）研究仅使用视触觉刺激来诱导SoBO（n = 4）或SoSL（n = 2），以及26项（62%）研究涉及视运动反馈（其中4项使用了被动范式）。其余工作（n = 10，23%）使用了混合刺激，即视触觉结合被动或主动视运动设计；这些文章大多发表于2019年之后（仅有一个例外（Evans & Blanke, 2013））。
从视触觉刺激以及SoBO和SoSL的调控向视运动范式的这种演变，主要发生在2000-2010年代，随着高质量HMD和实时运动跟踪等技术的出现，以及Slater及其同事的探索性工作（Kokkinara et al., 2015; Sanchez-Vives & Slater, 2005; Slater et al., 2008）。这些涉及视运动刺激的研究也允许了对SoA的调控（单独或与其他组成部分结合），增加了引入对自身动作的一致或不一致控制的可能性。最近的研究进一步探索了这一领域，将具身感作为一种方法论引入，以改善BCI，例如（Jeunet et al., 2018; Marchesetti et al., 2023; Vourvopoulos et al., 2022）。
大多数纳入的研究涉及基础研究（n = 19；46%），其次是康复（n = 14；34%）和人机交互研究（n = 7；17%）。一项工作（2%）专注于诊断（Bu-Omer et al., 2021）。此外，大多数研究提出了沉浸式体验：30项使用了HMD，1项使用了CAVE系统（Pavone et al., 2016）。一项研究采用了半沉浸式设置（Lenggenhager et al., 2011），5项使用了非沉浸式技术（即计算机屏幕）（Bu-Omer et al., 2021; Garipelli et al., 2021; Kang et al., 2015; Lee et al., 2015; Song et al., 2025）。在4种情况下，对设备进行了比较：在3项研究中，比较是在计算机屏幕和HMD之间（Alanis-Espinosa & Gutiérrez, 2020; Choi et al., 2020; Dewil et al., 2024）；在一种情况下，测试了3种设备：计算机屏幕、平板电脑和AR界面（Sun et al., 2023）。
3.2. EEG方法 3.2.1. EEG系统设置
本次综述纳入的研究采用了广泛多样的EEG系统，在通道数量、电极放置、参考方案和采样率方面存在显著差异。电极数量从最少的6个（González-Franco et al., 2014）到高密度系统高达256个通道（Lenggenhager et al., 2011; Studnicki et al., 2024, pp. 989–990），这反映了在沉浸式VR环境中空间分辨率与易用性之间的不同权衡。大多数研究使用了中等密度EEG帽（例如，32个电极），这在空间信息和设置复杂性之间提供了良好的平衡，例如（Alsuradi et al., 2025; Dewil et al., 2024; Song & Kim, 2019）。
参考电极和接地电极的配置也存在相当大的变异性。虽然许多研究采用了诸如耳垂之类的参考（例如（González-Franco et al., 2014; Nicolardi et al., 2025; Škola & Liarokapis, 2018）），其他研究使用了中央位置（例如，Cz在（Lu et al., 2025）中或FCz在（Raz et al., 2020）中）、乳突（例如（Singh et al., 2018; Xu et al., 2024）），或更高级的参考如公共模式感测和右腿驱动（CMS/DRL）（Škola et al., 2019）。同样，当报告时，接地电极通常放置在AFz或额头。
采样率也差异很大：一些研究使用了非常高的速率（例如，5000 Hz（Casula et al., 2022）；2048 Hz在（Evans & Blanke, 2013）中）以确保TMS或快速皮层动态的高时间保真度，而其他研究采用了较低的速率（128–512 Hz），这些通常与通道数量较少的EEG系统相关，这些系统更适合VR设置（例如（González-Franco et al., 2014; Sun et al., 2023））。
3.2.2. EEG预处理策略
预处理流程在研究间显示出显著的异质性，这反映了在VR和具身感研究中缺乏标准化EEG协议。然而，一些反复出现的步骤是可以识别的。大多数研究应用了带通滤波，截止频率通常在0.1至100 Hz之间，例如（Pavone et al., 2016; Ramirez-Campos et al., 2024）。陷波滤波器在50/60 Hz处经常用于抑制线路噪声，例如（Alsuradi et al., 2025; Martial et al., 2023）。
降采样通常在初始采集后应用，以减少数据量并便于分析（例如，从2048降到512 Hz在（Marchesotti et al., 2023）中；从1000降到250 Hz在（Nicolardi et al., 2025）中），以减少数据大小并提高计算效率。
分段——将连续EEG分割成与事件相关的时间窗口——在绝大多数论文中被使用，尽管长度和对齐因任务和范式而异。
伪影拒绝和缓解使用了多种技术。几乎所有研究都依赖独立成分分析（ICA）来去除眼动、肌肉或运动相关噪声，例如（Lu et al., 2025; Martial et al., 2023）。一些研究在高噪声环境中采用了ASR（伪影子空间重建），例如（Alsuradi et al., 2025; Škola et al., 2019），甚至与ICA结合。其他研究使用了自动和手动检查的组合，通常随后进行坏通道插值，例如（Marchesotti et al., 2023; Song et al., 2025）。少数作者使用了额外技术，如z分数归一化（Škola & Liarokapis, 2019）或使用Hampel滤波器的异常值拒绝（Sun et al., 2023）。
重新参考也不一致：虽然公共平均参考（CAR）是最常采用的方法，例如（Bu-Omer et al., 2021; Jeunet et al., 2018），一些研究依赖乳突或耳垂参考，还有少数没有报告参考。
3.2.3. EEG信号分析
在预处理之后，EEG信号在四个主要领域进行分析：时域（表5）、频域（表6）、时频域（表7）和连通性（表8）。每种分析方法为具身感VR的皮层相关物提供了独特的洞见，从事件相关响应到振荡活动和区域间通信。
图3总结了所审阅研究中采用的分析方法。如左面板所示，时频域分析最常见（n = 19），其次是频域方法（n = 17）。时域分析在16项研究中使用，而连通性方法采用最少（n = 5）。右面板说明了有多少研究结合了多种分析类型。相当数量的论文仅依赖一个领域，而较小比例整合了两个或更多。
总体而言，无法识别与特定具身感组成部分调控相关的任何特定方法，尽管出现了一些趋势。涉及SoBO研究的11项中有7项采用了时域分析；引入SoA调控的研究（单独或与其他组成部分结合）12项中有8项使用了频域分析；仅SoA调控也是大多数（5项中的4项）报告连通性相关结果的工作的对象。最后，时频域分析主要在涉及SoSL的研究或调控多个组成部分的研究中进行。
当考虑具身感诱导技术（即视触觉或视运动刺激）时，领域分析的选择更加碎片化。时域和频域分析已在两种刺激技术之一或两者存在时使用。时频域分析总是在视运动刺激（主动或被动）存在时进行，或与视触觉刺激结合。连通性分析，除一个例外外，都在预见视运动刺激的研究中进行。
此外，研究在处理和分析的方法论选择以及对观察变化的解释方面差异很大。
3.2.3.1. 时域分析
如表5所列，时域分析主要关注事件相关电位（ERPs），在某些情况下关注运动相关皮层电位（MRCPs），这提供了高时间分辨率来评估与具身感相关的皮层响应。然而，所调查的ERP组成部分在研究间差异显著，其实验设计和分析时间窗口也是如此。
Casula et al. 使用TMS诱发电位和源建模显示，在SoBO相关体验中虚拟手具身感后，M1快速抑制（Casula et al., 2022）。Du et al. 报告了在VR条件下相对于橡胶手错觉（RHI）或基线的C3处相对幅度增加（Du et al., 2021, pp. 703–708）。Garipelli et al. 在中风和健康参与者的镜像反馈条件下识别出更平衡的MRCP半球负性，证明了第三人称视角下诱导的有效SoSL错觉（Garipelli et al., 2021）。González-Franco et al. 证明了与更强的SoBO相关的P450幅度增加（González-Franco et al., 2014）。Iwane et al. 发现当SoA被破坏时，错误相关电位（ErrP）更高（Iwane et al., 2024）。
其他研究探索了对不同具身感组成部分敏感的ERP组成部分。关于SoBO，Lu et al. 显示对于自我相似的化身，N2和P1幅度降低（Lu et al., 2025），而Nicolardi et al. 发现对于第一人称视角（1PP）中情感显著刺激，N2-P2、EPN和LPP组成部分增强（Nicolardi et al., 2025）。
至于SoA，Marchesotti et al. 识别出P45和N60的调控，当空间不一致性在存在触觉输入设备的情况下修改参与者对环境的控制时（Marchesotti et al., 2023）。Porssut et al. 显示非具身感条件引发更强的错误相关负性（ERN）和Pe（Porssut et al., 2023）。
处理SoSL时，Martial et al. 使用Lempel-Ziv复杂度（LZC）显示在视触觉不匹配期间信号复杂度降低（Martial et al., 2023），该实验诱导出体体验。Pavone et al. 比较了第一人称与第三人称视角，并在错误观察期间报告了第一人称视角下增强的ERN（Pavone et al., 2016）。
Ramirez-Campos et al. 使用非线性动力学（例如，熵、分形维数）来分类调控所有组成部分的实验后的具身感条件（Ramirez-Campos et al., 2024）。Raz et al. 发现Pe/P300幅度随着更高语义一致性而降低，无论是在同步（相对于异步）刺激的情况下，还是当可视化真实手（相对于光标/翻转手）时（Raz et al., 2020）。真实手的可视化也在Singh et al.的实验中被优先，在该实验中记录到增加的预测错误负性和P300（A. K. Singh et al., 2018）。Škola et al. 将增强的N140和P100与错觉性触摸的主观强度相关联（Škola & Liarokapis, 2019）。Sun et al. 使用微状态和全局场功率分析来评估在使用不同输入接口进行空间界面任务时的alpha动态，并显示基于鼠标的平移是最佳的SoA交互模式（Sun et al., 2023）。
尽管在P300样组成部分和ERN的相关性上存在一些趋同，但研究间在协议、组成部分和感兴趣脑区方面的巨大多样性（表5）突显了缺乏共享的时域EEG具身感标记物。
3.2.3.2. 频域分析
考虑到表6，频域分析检查了典型EEG频段内的振荡活动，强烈关注alpha、mu和beta节律。功率谱密度（PSD）是最常见的方法，但频段和空间区域差异显著。
Alchalabi et al. 显示更强的中央-额叶alpha同步对应于SoBO增加和SoA违反（Alchalabi et al., 2019, pp. 776–783）。Bu-Omer et al. 发现alpha和beta功率——特别是在顶枕叶区域——随SoA变化而调控：视觉延迟越大，SoA越小（Bu-Omer et al., 2021）。Dewil et al. 报告了在力控制任务中更强的alpha和beta响应，alpha功率与代理感成反比（Dewil et al., 2024）。
Evans et al. 在错觉性所有权和运动想象期间观察到mu和beta调控，两者都受同步视触觉条件的青睐（Evans & Blanke, 2013）。González-Franco et al. 发现在虚拟手威胁期间mu去同步（González-Franco et al., 2014）。Jeunet et al. 显示在高和低（即不一致、部分或反转反馈）SoA条件下theta频段增加，但发生在不同阶段（Jeunet et al., 2018）。Lee et al. 发现在额叶区域beta和gamma功率增加，特别是具有化身的第一人称视角条件下（Lee et al., 2015）。
Lenggenhager et al. 将内侧前额叶皮层的alpha变化与多感官冲突下的SoSL相关联（Lenggenhager et al., 2011）。Liu et al. 发现在存在触觉和视觉反馈且延迟减少的基于VR的运动训练后，M1中alpha和beta功率增加（Liu et al., 2023, pp. 435–440）。Martial et al. 在第三人称视角的具身感实验期间观察到delta增加和alpha功率减少（Martial et al., 2023）。
Ramirez-Campos et al. 使用谱熵和复杂度指标证明了具身感状态的高分类准确率（第一人称视角、同步视触觉刺激、一致运动 vs. 第三人称视角、异步刺激、随机运动）（Ramirez-Campos et al., 2024）。Škola et al. 探索了多个频段的ERD/ERS指数和参与分数，突显了在调控SoA和SoBO的条件下谱动态的变异性（Škola et al., 2019; Škola & Liarokapis, 2016, 2018, 2021）。Sun et al. 报告了在暗示较少SoA的条件下（即与不太熟悉的界面互动）额叶alpha功率和相干性增加（Sun et al., 2023）。Wang et al. 使用Hilbert-Huang变换显示在视觉反馈速度变化调控SoA期间顶叶alpha调控（Wang et al., 2022, pp. 832–833）。
虽然许多研究将alpha和beta调控与具身感特别是SoA相关联，但空间焦点和谱分解方法（FFT vs. Hilbert vs. 小波）的差异再次阻碍了识别通用谱生物标记物。
3.2.3.3. 时频域分析
如表7所报告，时频研究调查了与运动想象、具身感起始或错误检测相关的振荡功率动态变化，使用了小波变换、STFT或ERSP等方法。
Alsuradi et al. 和 Bendor et al. 发现在自然肢体的运动想象期间delta/theta和alpha ERSP响应增强，而想象超数拇指时活动减少（Alsuradi et al., 2025; Bendor et al., 2025, pp. 90–97）。Choi et al. 报告了在沉浸式VR中相对于基于屏幕的训练的ERD幅度更强（Choi et al., 2020）。Du et al. 显示当结合VR与触觉反馈时alpha/beta ERSP差异显著（Du et al., 2021, pp. 703–708）。
González-Franco et al. 再次显示在诱导SoBO后威胁场景期间mu去同步和准备电位负性（González-Franco et al., 2014）。Kang et al. 发现alpha频段ERSP和相干性与感知控制相关，在通过手真实运动与视觉反馈的5个不同一致性水平调控SoA的任务中（Kang et al., 2015）。Nicolardi et al. 识别了与刺激效价和第一或第三人称视角相关的theta和mu ERSP变化（Nicolardi et al., 2025）。Nierula et al. 将负alpha ERD%与SoA相关联，即使在不匹配反馈的情况下（即物体被掉落，无论参与者行为如何）（Nierula et al., 2021）。Pavone et al. 报告了在错误抓取试验中额叶theta增加（Pavone et al., 2016）。
Raz et al. 和 Skola et al. 显示了与视触觉同步和SoBO评分相关的ERD变化（Raz et al., 2020; Škola et al., 2019; Škola & Liarokapis, 2018）。Song et al. 证明了橡胶手错觉的ERD模式比标准VR或MI更接近真实运动（Song et al., 2025; Song & Kim, 2019）。Studnicki et al. 发现在平衡丢失期间前扣带theta同步，受沉浸度调控（Studnicki et al., 2024, pp. 989–990）。Vagaja et al. 和 Vourvopoulos et al. 显示基于VR的反馈增强了运动相关ERD（Vagaja et al., 2023; Vourvopoulos et al., 2022）。Xu et al. 报告了在具身MI范式中ERD更强，即使在中风患者中（Xu et al., 2024; Xu et al., 2024）。
在这些研究中（表7），mu和beta ERD作为运动相关具身感的一致指标出现。然而，刺激类型和ERD/ERS计算的差异再次使不同研究之间的直接比较变得困难。
3.2.3.4. 连通性分析
如表8所述，连通性分析探索了具身感期间脑区如何通信，使用了基于相位的（PLV）、因果性的（PDC）或相关性的方法。虽然研究较少，但它们可以提供关于网络水平组织的有趣洞见。
特别是，Casula et al. 发现在SoBO诱导后额顶电路的快速调控，后顶叶皮层连通性增强与真实手可视化情况下主观所有权增加正相关（Casula et al., 2022）。Alanis-Espinosa et al. 报告alpha PDC和图论指标显示在第一人称视角条件下网络效率更高以及运动区域的影响更大，与第三人称视角相比，即使具身感发生在类人机器人中（Alanis-Espinosa & Gutiérrez, 2020）。Kang et al. 识别出额叶区域较低的alpha相干性对应于更强的SoA，而beta和gamma相干性反映了更广泛的传感运动整合，不直接归因于SoA调控（Kang et al., 2015）。
在Martial et al. 中，作者观察到具身感期间beta-2连通性增加和theta复杂度减少，这被解释为功能协调增强，即使视角在第三人称视角中被置换（Martial et al., 2023）。Sun et al. 显示alpha和beta相干性模式对与具身感相关的任务参数敏感（界面控制模式和设备）（Sun et al., 2023）。
虽然这些发现（表8）指向额顶网络——特别是在alpha和beta频段——作为具身感潜在关键，但连通性指标和源建模方法的多样性进一步强调了当前方法和方法的异质性。
3.3. 主观数据
在分析的42项研究中，大多数（34项研究，如表9所报告）报告了使用通过问卷收集的主观评分，而8项研究没有；在使用问卷的文章中，有两项评估了与具身感无关的变量（A. K. Singh et al., 2018; Vourvopoulos et al., 2022）。
关于评估感知具身感的工具，在工具本身以及调查的构念方面观察到相当大的变异性，许多工作使用了特设测量或现有问卷的部分改编。
大多数研究仅关注具身感的一个维度。SoBO（n = 23）和SoA（n = 19）的构念是最频繁探索的。SoSL 是调控具身感时考虑最少的，因此从主观角度调查也最少（n = 6）。此外，一些研究涉及与具身感相关但不太具体的构念，例如本体感觉、错觉性触摸，或更外围的变量如真实感、存在感、条件偏好、控制点和吸收。虽然这些测量有助于将具身体验置于语境中，但它们往往是孤立的且对理论核心是边缘的。
3.3.1. 主观数据与EEG数据的相关性
SoBO 与一致性和同步刺激更强烈相关（Raz et al., 2020），尽管与异步刺激或被动观察也存在较弱的关联。此外，以第一人称呈现的刺激比第三人称引发的SoBO更大，例如（Sun et al., 2023）。此外，Škola 和 Liarokapis 假设在VR环境中的体验会增加所有权感，以及一般意义上的具身感，独立于tDCS刺激（Škola & Liarokapis, 2019）；这些结果与神经水平上ERD调控中发生的情况一致，但仅针对SoBO（Škola et al., 2019）。关于与其他EEG结果的相关性，SoBO 显示出比SoA更一致和更稳健的相关物，尤其在多感官语境中（Raz et al., 2020）或对化身身体的威胁时（Casula et al., 2022; González-Franco et al., 2014）。
分析结果显示，SoA 随运动反馈中的延迟而降低（Bu-Omer et al., 2021），而随一致性和同步刺激而增加（Marchesotti et al., 2023; Yue et al., 2022）。此外，当控制是主动的而非被动的（即观察运动）时，SoA 更大（Nierula et al., 2021）。有趣的是，这一参数还受个人特征的影响，例如参与者的内部控制点（Jeunet et al., 2018）。总体而言，与主观SoA构念相关的结果往往与与运动控制、感官预测和错误监测相关的EEG模式相关，即使这种模式并非总是存在。例如，在Skola et al. 和 Marchesotti et al. 中，SoA 与神经相关物无关，这表明隐性运动控制与动作意识之间存在分离（Marchesotti et al., 2023; Škola et al., 2019）。
最后，SoSL 似乎与其他具身感构念一样，与同步刺激相关。此外，一些结果表明某些个人特征（如移情）的影响，在更强烈地体验具身感和SoSL时；这一联系也反映在神经生理水平上，其中ERP响应作为情感移情程度的函数而被调控（Raz et al., 2020）。
4. 讨论
本次综述的主要目的是调查具身感如何在VR环境中被诱导，以及如何通过EEG数据收集和分析进行定量评估。作为次要目标，我们旨在识别客观EEG数据与通过问卷收集的主观数据之间的潜在相关性。
我们评估了总共42项工作，这些工作大多进行了涉及健康年轻成年人的小样本前-后研究。只有四项研究涉及残疾人（即中风、脊髓损伤和截肢），尽管超过三分之一的文章讨论了康复领域的潜在发展。这些点，连同每年发表的涉及EEG和具身感的文章增加，表明该领域仍属新兴，且已进行的试验大多是探索性的。鉴于此，目前不可能确定使用EEG研究具身感以及主观数据收集工具的共享指南。在下文中，我们因此报告现有证据的总结，试图突出最有前景的范式和分析，并识别当前研究空白以指导未来发展。
4.1. 具身感调控
关于诱导具身感，我们根据实验中被刺激的主要组成部分对现有文献进行分类；这种分类并不总是容易的，因为具身感往往被作为一般概念提及和调查，而不是考虑其组成部分。此外，研究显示出高度异质性，这使得难以确定特定范式是否比其他范式在诱导SoBO、SoA或SoSL修改方面更有效。
SoBO 主要通过实施第一人称视角橡胶手错觉范式被孤立调查；纳入的研究证实了文献中已出现的内容，即具身感可以在第一人称视角下、在存在同步视触觉刺激时（Evans & Blanke, 2013），以及通过具有正面或负面效价的刺激（González-Franco et al., 2014）更好地促进。相反，TMS和可视化介质（即VR vs. AR）似乎没有显著影响，至少在EEG相关变量上没有。在仅有一种情况下（Lu et al., 2025），研究涉及全身可视化，并证明在这种情况下，面部特征和身体形状都与诱导SoBO相关。
SoA作为唯一被刺激的组成部分的条件，主要涉及空间和/或时间视觉反馈的操纵——例如（Bu-Omer et al., 2021; Jeunet et al., 2018; Wang et al., 2022, pp. 832–833）——或者，当处理运动想象时，通过根据运动的自愿程度提供反馈（Bendor et al., 2025, pp. 90–97; Škola et al., 2019）。所有这些调控类型在影响参与者的代理感方面都是有效的，并且对虚拟身体的控制感降低随着延迟或空间扭曲程度的增大而更高。
在SoSL的情况下，与SoBO的发现相反，实验条件大多预见了全身化身的参与，该化身在第三人称视角下被呈现，同时执行动作，要么在错位位置，要么像在镜子中一样。SoSL在视触觉刺激存在时、在类人化身存在时显得更强（Lenggenhager et al., 2011）。第一人称视角促进了SoSL（Pavone et al., 2016），正如为SoBO记录的那样。尽管如此，同步视触觉刺激也能够在化身在第三人称视角或镜子中被观察时诱导出体体验（Xu et al., 2024; Xu et al., 2024）。
最后，有的情况下多个组成部分同时被调控；这些研究主要进行了SoBO和SoA的操纵，SoSL仅在3种情况下存在，其中参与者体验了第一或第三人称视角（Lee et al., 2015; Vagaja et al., 2023）或在执行其他任务后不得不重新定位自己（或他们的虚拟手臂）（Raz et al., 2020）。几项涉及SoBO和SoA的工作处理了运动想象（Alsuradi et al., 2025; Choi et al., 2020; Du et al., 2021, pp. 703–708; Song & Kim, 2019; Škola & Liarokapis, 2018），两个组成部分的调控发生于从第一人称视角看到虚拟化身（SoBO）并作为正确EEG信号检测的结果诱导其运动（SoA）。此外，当分析组合组成部分时，同步视触觉刺激和类人外观作为诱导更好具身感响应的条件出现，无论在生理水平还是主观水平（Raz et al., 2020; A. K. Singh et al., 2018; Vagaja et al., 2023）。Choi et al. 还证明使用更沉浸式的设备（HMD vs. 计算机屏幕）可以有助于诱导更高的具身感，尽管最佳条件仍由现实世界场景代表（即使带有假手（Song & Kim, 2019））。
4.2. 基于EEG的具身感分析
EEG相关的数据采集、收集和分析也具有高度异质性：这种变异性显著限制了文献中发现的可比性和整合。因此，本次综述的一个关键发现是缺乏共享的标准化方法论用于数据收集和分析，从而缺乏基于EEG的生物标记物。
更详细地分析纳入的文章，首先，我们注意到硬件配置的变异性，研究呈现不同的电极数量和配置，这不可避免地影响了分析的谱和时间分辨率，为跨研究比较带来了挑战。其次，尽管识别了反复出现的实践，本综述突显了在评估VR中具身感的研究中关于EEG预处理和分析的共识缺乏。这种不一致性几乎涵盖了所有预处理步骤——从滤波选择到伪影拒绝技术和参考策略。
重要的是，我们注意到只有一部分研究报告了完整的预处理细节，即使在那些研究中，参数选择（例如，滤波阶数、拒绝阈值）也差异很大。尽管方法论异质性，大多数研究应用了核心EEG预处理步骤：带通滤波、降采样、分段和伪影去除（主要使用ICA）。公共平均参考（CAR）或耳垂/乳突参考也被频繁采用。这些共享实践突显了一个广泛认可的最低标准，即使详细参数和额外步骤在研究间差异。
标准管道的缺失在具身感语境中特别成问题，在那里感兴趣的是细微的电生理变化（例如，mu抑制、P300幅度偏移或ERD模式），这些变化容易被预处理选择掩盖或混淆。在这一语境中，应注意已提出标准化EEG预处理管道，如PREP管道（Bigdely-Shamlo et al., 2015）、HAPPE（Gabard-Durnam et al., 2018）和Automagic（Pedroni et al., 2019），以提供可再现的、模块化的框架，整合滤波、坏通道检测和伪影校正，从而增强研究间结果的可比性。重要的是，搜索可靠的具身感EEG标记物将大大受益于采用此类标准化方法。
同样的变异性也出现在信号分析中；差异存在于分析的方法论选择中，该选择发生在时域、频域、时频域或调查连通性，以及在所有情况下提取和分析的特征选择中。就EEG分析而言，大多数研究采用了时域（主要ERP特征，如P300样组成部分或错误相关电位）、频域（功率谱密度关注alpha/mu和beta频段）和时频方法（ERSP/ERD/ERS分析）。在这些领域内，事件相关分段和平均在ERP研究中是标准的，而频域分析通常检查传感运动区域上的alpha和beta功率。在时频分析的情况下，它们通常评估运动想象或具身感任务期间的mu/beta去同步。虽然提取的特征和应用的方法论不同，这些共享策略可以代表调查VR中EEG具身感的核心实践集。
在所有分析领域中，本次范围综述揭示，虽然EEG可以检测与具身感相关的神经信号，但没有单一EEG标记物或分析方法作为明确的生物标记物出现。实验范式、EEG系统、预处理策略和分析选择的多样性——从ERP组成部分到ERD、PSD和连通性——限制了将发现综合成连贯神经生理模型的能力。
除了标准化预处理和分析方法之外，另一个重要的发展方向涉及在沉浸式VR环境中实时EEG分析的可行性。最近的研究证明，大脑活动可以在线解码以在VR内提供自适应反馈。例如，Chiossi et al.（Chiossi et al., 2025）开发了一个系统，利用外部和内部注意的EEG相关物来支持工作记忆任务。在视觉N-back范式中，系统动态调整干扰元素的视觉复杂性，前额theta和顶叶alpha活动作为调整任务难度的可靠标记物。同样，Singh et al.（A. D. Singh et al., 2025, pp. 1296–1300）提出了一个神经自适应框架，其中VR环境基于EEG衍生的情感状态实时修改。通过结合高级EEG分析与自适应VR场景，这种方法旨在优化用户参与并改善治疗结果。具身感领域的研究人员特别可以受益于此类实时神经自适应方法的整合，因为它们提供了将EEG标记物直接链接到VR环境动态调整的可能性，从而加强实验控制和生态有效性。
4.3. 使用主观结果分析具身感
关于通过主观结果分析具身感，大多数纳入的研究收集了自我报告数据，但并未一致观察到将它们与EEG测量明确相关联的努力，尽管有时暗示了隐性联系。
即使在基于问卷的结果中，也出现了显著的异质性：对纳入工作中使用的主观测量的方法论分析突显了所用工具的构建、形式和来源的显著变异性。第一个关键元素是特设问题的广泛使用：许多文章使用明确为单一研究开发的条目，插入不同长度的Likert或VAS量表（从0到10、从0到100，或5–7点）。虽然这些问题允许快速和语境化的收集，但它们缺乏心理测量验证，并且往往没有伴随足够的关于其构建或所采用理论依据的解释。例如（Song & Kim, 2019）引用了“Embodied Perception Questionnaire”来测量诸如自我位置和代理感之类的变量，而没有指明工具的内容、理论来源或验证。这使得解释结果并与其他更结构化的研究比较变得困难。
相反，只有少数研究参考了结构化的且已验证的问卷。有些使用了已知量表的改编，例如Longo et al.的（Longo et al., 2008）或Botvinick and Cohen的橡胶手错觉问卷（Botvinick & Cohen, 1998）。尽管如此，即使在这些情况下，改编方法也很少被记录。对条目、响应量表或管理语境的改变几乎从未被证明或测试，这使得研究间可比性不确定。相反，在该领域采用标准化且验证的问卷将提供几个优势：它将允许研究间更可靠的比较、EEG数据与自我报告体验的更大整合，并促进至少在主观变量中识别反复出现的模式。
另一个反复出现的问题是对术语“具身感”的泛化使用，而对所采用测量的详细分析揭示，它们几乎总是指一个或两个特定子构念，尤其是SoBO。例如，在（Porssut et al., 2023）中，只询问了一个关于虚拟身体SoBO的特设问题，但该构念被整体标记为“具身感”。只有极少数研究，例如Skola et al.，以系统和多维方式处理了该主题，试图评估具身体验的不同方面（SoBO、SoA、SoSL）（Škola & Liarokapis, 2019）。
总体而言，主观发现表明具身感是一个多方面的构念，其中代理感、身体所有权感和自我位置それぞれ受外部感官条件（例如，刺激一致性、第一人称视角）和内部人格特质（例如，控制点、移情）的影响。虽然身体所有权感显示出最稳健和一致的神经相关物，但代理感揭示了更大的变异性，表明主观体验与EEG模式之间存在部分分离；同样，主观自我位置与特定神经指标无关。这些结果突显了在具身感构建中感知、动作和认知之间的复杂互动。
4.4. 展望和未来方向
本次综述突显了具身感及其通过EEG分析的主题无疑具有兴趣。然而，现有的研究以实质性的异质性为特征。这种异质性反映了在具身感的关键主观指标上缺乏共识，这表明未来研究的设计需要更大的标准化和理论清晰度。事实上，标准化将允许神经标记物与主观具身感分数的一致比较，为主观和客观基于EEG测量的验证铺平道路（Esteves et al., 2025）。为每个单一具身感组成部分识别一个（或更多）共享生物标记物确实将导致扩展具身感评估适用性的可能性，跨越用户人群（例如，无法表达主观判断的患者）、硬件设置和VR特征，以及为实时自适应场景或有效BCI接口的创建（Juliano et al., 2020）。
不幸的是，如前所述，目前的研究过于碎片化，无法识别稳健的生物标记物。然而，为了确保该领域未来研究产生可靠和可比的结果，从我们的综述中出现了三个关键推荐。首先，研究应精确定义并参考具身感构念本身，避免将“具身感”作为泛化术语使用，特别是相关但不同的概念，如存在感或沉浸感。其次，未来VR体验的设计应基于关于反馈类型和调控的现有知识，这些类型和调控可以有效地作用于一个或多个具身感组成部分。第三，未来研究将受益于协调的EEG协议，特别是旨在贡献于元分析或整合建模方法的研究，并应优先考虑方法论协调和跨验证研究，以建立VR中具身感的可复制EEG特征。此外，所有EEG方法的详细报告——从采集到预处理和分析——是必需的，连同朝着为具身感研究中EEG数据分析标准化建立共识指南的集体努力，类似于在其他领域已实现的那样（Admiraal et al., 2018; Bigdely-Shamlo et al., 2015; Dilena et al., 2021）。
最后，只要可能，研究人员应采用专门测量目标具身感维度的验证问卷，确保可靠和可解释的主观数据。朝着这些方向移动将加强该领域并促进VR中具身感的可再现、可转化EEG生物标记物的出现。
深化对具身感的理解将对几个领域产生增量影响，其中包括康复和人机交互。在康复中，对具身感组成部分如何被调控的精确知识将导致改进的治疗协议，通过运动想象加强神经通路、减少疼痛或重新训练身体表征，即使在运动功能有限的患者中（Arpaia et al., 2022, pp. 104–109; Matamala-Gomez et al., 2019; Ventura et al., 2023）。
一般而言，推进具身感研究将为设计人机界面朝着更直观、沉浸和自适应范式提供信息。实时适应的化身以及随之而来的对它们的更强SoBO和/或SoA代理感将意味着用户可以以自然和无缝的方式与数字环境互动，减少认知负荷并提升性能（Iwane et al., 2024; Teng et al., 2025; Ziadeh et al., 2021）。
4.5. 局限性
我们意识到本工作存在一些局限性。首先，纳入综述的研究的质量并未进行方法论评估。虽然范围综述的目标在这方面不同于系统综述（Arksey & O’Malley, 2005），但我们承认我们的结果的有效性可能受到质疑。尽管如此，我们仅在科学数据库中进行搜索，排除了灰色文献，从而限制了可靠性问题。最后，我们承认具身感这一主题是碎片化的，并涉及一系列不同且多学科的领域。因此，本范围综述中提出的一些分类必然反映了作者的主观判断，并基于他们对数据的批判性解释。
5. 结论
本工作呈现了对具身感、其组成部分以及通过基于EEG和主观方法论进行分析所进行的范围综述的结果。尽管近年来对这些主题的研究兴趣有所增加，但所提出的体验的多样性、VR硬件和软件解决方案，以及主观和EEG数据收集与分析的异质方法论并未允许得出具体结论。更具体地说，这种异质性反映了在具身感的关键主观和基于EEG的标记物上缺乏共识，这表明未来研究的设计需要更大的标准化。
另一方面，个别研究的结果是有前景的，至少初步表明，具身感可以引发可测量的响应，这些响应可以通过EEG衍生指标进行量化，并与主观感受相关联。鉴于这些发现，我们相信增强VR体验中具身感的主题值得进一步调查。对具身感潜在神经机制的更深入理解将导致更明智地设计直观且有效的VR环境以及更精确的脑机接口。
原文：https://www.sciencedirect.com/science/article/pii/S2451958825002830
热门跟贴