利用腦電圖評估虛擬現實中的具身感：范圍綜述

利用腦電圖評估虛擬現實中的具身感：范圍綜述

Evaluating sense of embodiment in virtual reality with EEG: A scoping review

https://www.sciencedirect.com/science/article/pii/S2451958825002830

摘要

在虛擬現實（VR）體驗中，具身感指的是擁有并控制一個虛擬身體。它結合了身體所有權感、代理感和自我位置感，使使用者感到虛擬身體就是他們自己的。盡管對這一話題的興趣日益增長，但具身感仍然缺乏定量的客觀和主觀標準評估實踐。在這一背景下，我們進行了一項范圍綜述，通過搜索科學數據庫來評估現有文獻在具身感、其組成部分以及通過基于腦電圖（EEG）技術進行評估方面的廣度。我們還調查了生理性的EEG衍生指標與通過問卷收集的心理測量數據之間的關系，這些問卷旨在評估參與者的主觀體驗。審查中納入了41篇文章，并根據具身感被調控的組成部分以及EEG技術進行分類。文獻分析結果突顯了VR誘導刺激以及EEG數據收集、預處理和分析方面的高度異質性。此外，在所審查的研究中，主觀反饋通常通過非標準化且往往未經驗證的問卷收集。這種顯著的異質性反映了在具身感的關鍵主觀和基于EEG的標記物上缺乏共識，這表明未來研究的設計需要更大的標準化。盡管如此，個別研究的結果表明，具身感可以引發可測量的反應，這些反應可以通過EEG衍生指標進行量化，并與主觀感受相關聯。因此，需要進一步調查，以更好地設計涉及具身感的VR體驗。

關鍵詞： 沉浸式現實 腦電圖 主觀體驗 代理感 自我位置感 身體所有權感 橡膠手錯覺

1. 引言

沉浸式虛擬現實（VR）由于技術進步和成本可負擔性的提高，正變得越來越容易獲得（Fares et al., 2024）。VR 在多個領域提供了各種可能性，例如娛樂和休閑（Calisto & Sarkar, 2024）、醫療保健和神經科學（Javvaji et al., 2024）、培訓和教育（Lampropoulos & Kinshuk, 2024）。憑借其將用戶沉浸到完全由計算機生成的場景中的能力，并在其中整合多感官刺激，VR 允許在可控且安全的場景中提供引人入勝且生動的體驗（?widrak et al., 2024）。此外，VR 使用戶能夠將虛擬身體體驗為自己的身體，這種現象通常被稱為“具身感”。

具身感最初基于20世紀90年代末至2000年代初使用橡膠手進行的現實世界實驗而被概念化（Botvinick & Cohen, 1998; Ehrsson et al., 2004）。這些研究定義了具身感的現象學和神經原理，后來隨著多感官VR環境的出現而得到更深入的調查（Sanchez-Vives & Slater, 2005; Slater et al., 2008），這也允許將具身感從身體部位——通常是手或上肢——擴展到整個身體（Lenggenhager et al., 2007）。在2000年代至2020年代期間，VR技術的演進使具身感研究從被動范式過渡到主動、自適應和實時系統（Jeunet et al., 2018; Slater et al., 2008）。

具身感的體驗是由多感官感知、運動代理感和空間位置之間的復雜交互實現的（Blanke, 2012），它通常通過兩種不同的方式觸發：視觸覺刺激和視運動同步。根據刺激以及更一般地說，根據VR體驗，可以刺激具身感的一個或多個組成部分。這些組成部分是：i) 身體所有權感（SoBO），ii) 代理感（SoA），以及iii) 自我位置感（SoSL）（Guy et al., 2023）。

SoBO 是主觀感覺，即虛擬身體或其部分屬于自己。它是“這（虛擬）身體是我的”這種感覺。這種現象基于所謂的橡膠手錯覺（Botvinick & Cohen, 1998），這是第一個實驗，證明如果視覺和觸覺刺激被感知為連貫且同步的，就有可能對外在物體誘導所有權感。SoBO 是早期具身感研究中第一個被研究的組成部分，因為同步視覺和觸覺刺激相對簡單（Slater et al., 2008）。雖然有效，但同步視觸覺刺激最近已演變為視運動同步范式，在該范式中，參與者的化身模仿真實或想象的動作，或者化身由參與者主動控制（Girondini et al., 2025）。用戶運動與虛擬身體運動之間的一致性可以誘導SoBO。盡管如此，從完全被動體驗向研究參與者主動參與的轉變，使得對其他兩個具身感組成部分的系統性調查成為可能，尤其是SoA（Girondini et al., 2025）。

SoA 是感覺自己是引起自身動作的代理者的感覺。它是對虛擬身體運動有意控制的感知。在VR環境中，當虛擬化身的運動立即且準確地對應于用戶的運動時，SoA 會得到促進。延遲或不一致的存在會降低這種感覺。SoA 和 SoBO 的區分很重要：一個人可以對一個身體擁有代理感而沒有感覺它是自己的（反之亦然），即使這兩個方面往往會互動（Kalckert & Henrik Ehrsson, 2012）。

最后，SoSL 是感知自己位于空間中某個點的感覺。在VR中，SoSL 與顯示環境中的虛擬身體相關，更具體地說，在沉浸式環境中，它受第一人稱視角（1PP）和用戶視角與虛擬身體視角一致位置的影響。神經科學實驗，例如Lenggenhager et al.的實驗（Lenggenhager et al., 2007），已經表明，通過虛擬環境中的視觸覺操縱，可以改變自我的感知位置，創造“自我轉移”的錯覺。

具身感的這三個組成部分不僅對游戲至關重要，還對臨床、治療和神經科學應用至關重要（Kilteni et al., 2012; Riva & Wiederhold, 2015）。具身感的調控已被證明在VR應用中很重要，因為它影響用戶如何感知自己以及他們行為和與虛擬物體互動的方式（Kilteni et al., 2012）。強烈的具身感會導致更自然、目標導向的行為和性能改善。事實上，具身感不僅增強了虛擬世界中的存在感，還改善了用戶體驗（Scheibler & Rodrigues, 2019），促進了新技能的學習（Slater, 2017），并支持了行為和心理效應的研究（Gall et al., 2021）。

幾個因素已被證明會影響具身感的感知；其中包括多感官刺激以及用戶化身的外觀和行為（Fribourg et al., 2020）。雖然這些因素被認為是貢獻元素，但它們的精確作用和潛在機制仍未得到充分表征。這表明，一方面，需要對文獻進行系統評估，針對VR誘導錯覺調控的具體組成部分以及誘導此類調控所采用的方法論；另一方面，需要識別能夠客觀評估具身感的定量指標。

在大多數研究中，作者通過自我報告問卷評估具身感，其中許多問卷尚未經過關于其可靠性和內部一致性的嚴格驗證程序，從而限制了其在比較分析中的適用性（Roth & Latoschik, 2020）。此外，缺乏共享標準阻礙了跨研究結果的比較和可靠復制發現（Roth & Latoschik, 2020）。這一差距限制了規范基準的建立，并因此限制了可以用于開發穩健臨床和遙操作應用的具身感穩健特征的識別（Falcone et al., 2023）。

為了滿足對客觀具身感測量的需求，過去十年中越來越多的研究利用了EEG和VR技術的整合，來調查與“具身”虛擬自我的表征相關的神經生理相關物。

EEG 確實是一種非侵入性神經成像方法，它以高時間分辨率測量大腦電活動。與其他廣泛使用的模態（如功能磁共振成像（fMRI））不同，EEG 是便攜的，并且對運動相對更穩健，使其非常適合交互式VR場景。因此，EEG 代表了一種在VR范式中調查具身感神經相關物的最佳模態。通過分析EEG信號，研究人員可以識別與感覺虛擬身體是“我的”并處于控制之下的振蕩腦節律變化或誘發電位。這些腦節律代表了無偏且共享的響應，可以實時收集——而不中斷體驗——并在臨床人群中收集。它們與具身感的有意識體驗的相關性（也通過主觀問卷的管理進行檢查），可以改善對該現象的理解，從而提供可再現的生物標記物來指導臨床協議、定制環境并優化用戶參與（Porssut et al., 2023）。

例如，經典的SoBO錯覺（如虛擬手錯覺）已使用EEG進行研究：當參與者接受虛擬肢體作為自己的肢體時，他們的傳感運動EEG節律（在mu/alpha范圍內）通常顯示出增加的抑制，反映了類似于真實肢體使用時的運動皮層的參與（González-Franco et al., 2014）。同樣，alpha頻段振蕩與VR誘導的錯覺性自我位置相關，揭示了雙側傳感運動皮層和內側前額葉區域的身體特異性功率調制（Lenggenhager et al., 2011）。

最近對腦機接口（BCI）的興趣進一步推動了涉及EEG和具身感的研究：通過給用戶一個可控制的化身或VR中的假肢，研究旨在在運動想象（MI）期間產生增強的大腦激活，從而提升BCI性能（Choi et al., 2020; Vourvopoulos et al., 2022）。總體而言，EEG和VR具身感的交叉提供了一種獨特的方法來客觀測量“成為”虛擬身體的沉浸式體驗。

鑒于這些前提，我們進行了本次綜述，以概述這一跨學科領域的當前狀態，同時關注VR體驗中實施的特征，以調控一個或多個具身感組成部分，以及EEG方法論和具身感的關鍵神經生物標記物。主要目的是提供關于具身感及其使用EEG測量的現有知識概述，以闡明調控特定組成部分的神經生理效應，并指導未來工作。為此，我們進一步深化并具體化了之前文獻綜述中由Guy et al.進行的分析（Guy et al., 2023），該綜述考慮了所有可用的具身感研究方法論。作為次要目的，我們調查了定量EEG結果是否以及如何與常用的具身感主觀測量相關。

本次綜述的相關性在于需要識別解釋框架——以再現生態有效或神經自適應場景，并設計自然XR接口——將神經信號與具身體驗連接起來；事實上，最近的幾篇論文顯示了EEG如何以定量方式幫助識別與具身感相關的神經機制（Guy et al., 2023）。因此，闡明具身感和EEG研究代表了一個及時的話題。一旦它們的關系被理解，就有可能將原始神經數據轉化為有意義的洞見，在工業、健康、神經科學和人機交互領域對VR體驗產生顯著改進（Hejrati et al., 2025; Risoli et al., 2025; Serim et al., 2024）。

本文的其余部分組織如下：方法（第2節）提供了關于搜索策略、研究選擇和數據提取的信息。結果（第3節）報告了我們關于具身感調控技術的發現，重點關注每個具體組成部分（§ 3.1）。隨后的結果小節呈現了EEG方法，包括系統設置、預處理和數據分析（§ 3.2），以及收集主觀響應的工具（§ 3.3）。討論（第4節）批判性地審視并討論當前發現，建議未來工作的潛在發展（§ 4.4）。小節4.5報告了本工作的局限性。最后，我們在第5節中得出一些結論。

2. 方法

進行了一項科學文獻的范圍綜述，以識別所有與通過在VR環境中分析EEG信號來研究具身感及其相關概念有關的研究活動。選擇準備范圍綜述而非系統綜述，是因為本工作的主要目的是映射該領域所有可用文獻，識別當前技術水平和仍未解決的問題，而不是回答特定研究問題（Levac & Heather, 2012）。此外，由于近年來對具身感的興趣增加，范圍綜述的方法論顯得更合適，因為它允許納入更廣泛的研究，即使這些研究處于初始階段。為了確保應用嚴格的協議，我們采用了（Arksey & O’Malley, 2005）建議的框架，該框架已在其他范圍綜述中使用（Andersen et al., 2023; Arlati et al., 2020; Maggio et al., 2021）。PRISMA指南的組成部分（Liberati et al., 2009）——通常推薦用于系統綜述和元分析——在可能的情況下被使用。

我們意識到存在其他處理相同主題的綜述。如前所述，Guy et al.（Guy et al., 2023）專注于具身感評估策略；我們在具身感組成部分的定義方面與他們的綜述保持一致。然而，我們更深入地探討了VR體驗與SoBO、SoA和SoSL之間的關系，并專注于EEG，提供更多關于方法論和有助于引發并檢測具身感及其組成部分的特征的信息。Kellmeyer在2018年進行了一項綜述，但僅限于神經病學和精神病學領域（Kellmeyer, 2018）；此外，它排除了該主題的幾項近期工作。最后，Ronca et al.的近期工作提供了使用EEG估計擴展現實技術下具身感的非常廣泛概述（Ronca et al., 2024）。盡管如此，他們遵循了對具身感不太精確的定義，將其同化為空“存在感”的概念，即在計算機生成的環境中“在那里”。此外，他們排除了參與者少于12人或招募殘疾人的研究，而我們認為這些研究對于更深入探討該主題是必需的。

2.1. 搜索策略

其中一位作者在以下科學數據庫中進行了搜索：PubMed（Medline）、Scopus（EMBASE）和Web of Science。第一次搜索于2024年3月進行；更新于2025年5月進行。研究搜索限于英文文章，時間范圍從2010年起（Levac & Heather, 2012）至2025年5月。這一選擇是因為我們預計大多數研究會使用沉浸式VR。事實上，為所有當前頭戴顯示器鋪平道路的第一個頭戴顯示器——即第一個Oculus Rift——于2010年發布。

綜述過程，包括搜索字符串，如圖1所示。

2.2. 納入和排除標準

按照范圍綜述的指南，我們定義了寬泛的納入和排除標準，以允許更廣泛的研究選擇，旨在捕捉該主題的所有當前證據，而不具體評估研究質量（Levac & Heather, 2012; Tricco et al., 2018）。因此，我們納入了所有滿足以下條件的研究：(a) 在VR環境中作為實驗范式的一部分評估具身感的一個或多個組成部分（例如，SoBO、SoSL、SoA）；(b) 使用EEG作為主要測量工具來評估VR體驗的神經相關物；以及(c) 涉及人類參與者（健康個體或臨床人群）。

如果研究：(a) 實際上未涉及具身感分析（例如，它們處理類似概念，如存在感，但不是具身感）；(b) 未包括EEG數據（例如，沒有結果的協議或僅使用行為測量或其他生理測量如fMRI的研究具身感）；或(c) 是意見文章、理論論文、綜述，則被排除。

2.3. 研究選擇

研究選擇過程的第一步預見了去除重復項。然后，對搜索結果的標題和摘要進行相關性篩選。在這一階段，明明不符合納入標準的研究被丟棄。如果存在不確定性，則閱讀整篇論文。接下來，獲取潛在相關論文的全文，并根據納入標準進行詳細審查。所有作者單獨閱讀所有論文并評估其資格。任何歧義或沖突意見通過本綜述作者之間的討論解決。

2.4. 數據提取和綜合

在研究選擇之后，我們從每篇納入的研究中提取關鍵信息，包括：(1) 研究特征（研究設計——例如，組內、組間或干預前/后——以及參與者細節，如樣本大小和人群）；(2) VR系統，即沉浸式VR系統（頭戴顯示器，HMD和CAVE）與計算機屏幕（或其他媒體）；(3) 具身感調控程序，即具身感是如何誘導的（即，通過關注視觸覺或視運動刺激的存在），涉及哪些組成部分，以及向研究參與者提出的哪些條件；(4) 預期的應用領域（例如，神經科學、醫療保健、心理學）；(5) EEG方法論（EEG設備和通道、預處理步驟、分析方法——時域ERP分析、頻域功率分析、事件相關去同步/同步（ERD/ERS）、時頻分析、連通性測量等）；(6) 其他測量（如適用）（例如，使用具身感問卷、行為績效測量）；以及(7) 與具身感相關的研究關鍵發現（哪些EEG標記物被發現隨具身感而變化，以及任何報告的EEG測量與主觀報告或任務績效之間的聯系，以及任何注明的研究局限性）。所有審閱者獨立提取這些數據片段，每人專注于不同方面。然后，其中兩位作者對整個工作進行修訂。收集的數據被審查并根據被調控的具身感組成部分（考慮Guy et al.給出的定義（Guy et al., 2023））和最相關的EEG數據分析程序進行分類。然后，我們試圖突出兩種分類之間任何可能的關系，以為未來研究協議的開發提供信息。

3. 結果

范圍綜述的搜索策略識別出150篇論文。在刪除重復項并對標題和/或摘要進行初始篩選后，有80篇稿件被認為符合納入標準。其中，36篇被認為適合納入本次綜述。更新識別出5項額外工作；在一種情況下（Alsuradi et al., 2025），作者分析了先前收集的數據，我們還搜索了描述原始實驗的文章（Alsuradi et al., 2024），并將這兩篇文章一起考慮。在納入的工作中，超過75%（n = 31/41）發表于2018年之后，幾乎60%（n = 24）發表于2020年之后，這表明對該主題的研究興趣正在增加（圖2）。

3.1. 具身感調控方法

所有納入的研究都采用了組內設計，在一次會話中將參與者暴露于兩種或更多條件之下，除了兩項工作進行了訓練前-后分析（Liu et al., 2023, pp. 435–440; Song et al., 2025）。一項研究還對健康參與者和一名中風患者的EEG響應進行了比較（Garipelli et al., 2021）。一項研究（Ramirez-Campos et al., 2024）沒有進行實驗，而是使用了先前工作中生成的數據庫（Vagaja et al., 2023）進行進一步的EEG數據分析。

在大多數情況下，樣本大小較小，這突顯了研究的探索性性質：11項研究（26%）招募的參與者人數小于或等于10人；21項（51%）研究的樣本大小在11至20人之間；其余工作（21%）招募了24至37名參與者。在大多數情況下，參與者是健康的志愿者：在34項研究中，高達39項（80%，在3項研究中數據不可用），他們的年齡小于40歲。Xu et al. 招募了14名中風患者（年齡：61 ± 11）（Xu et al., 2024）；Liu et al. 招募了13名年齡在18至65歲之間的脊髓損傷個體（Liu et al., 2023, pp. 435–440）；Garipelli et al. 招募了12名健康志愿者和一名中風參與者（年齡：60）（Garipelli et al., 2021）；Song et al. 招募了兩名截肢者（Song et al., 2025）。

設備、VR體驗以及如何調控具身感以誘導可測量的EEG響應，在以下表格中描述。研究根據其聲明的或可推斷的主要具身感感興趣變量進行分組：表1報告了主要處理SoBO調控的研究（n = 7），表2處理SoA的研究（n = 15），表3處理SoSL的研究（n = 7）。其余13項研究涉及不同具身感組成部分的調控；這些工作在表4中簡要描述，連同每項研究中涉及的組成部分。大多數研究關注SoBO和SoA的組合（n = 9），這是從執行運動想象任務中得出的。一項預見了SoBO和SoSL的組合（Raz et al., 2020），其他研究則考慮了所有具身感組成部分。

關于用于誘導具身感的技術，我們識別出6項（14%）研究僅使用視觸覺刺激來誘導SoBO（n = 4）或SoSL（n = 2），以及26項（62%）研究涉及視運動反饋（其中4項使用了被動范式）。其余工作（n = 10，23%）使用了混合刺激，即視觸覺結合被動或主動視運動設計；這些文章大多發表于2019年之后（僅有一個例外（Evans & Blanke, 2013））。

從視觸覺刺激以及SoBO和SoSL的調控向視運動范式的這種演變，主要發生在2000-2010年代，隨著高質量HMD和實時運動跟蹤等技術的出現，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）。這些涉及視運動刺激的研究也允許了對SoA的調控（單獨或與其他組成部分結合），增加了引入對自身動作的一致或不一致控制的可能性。最近的研究進一步探索了這一領域，將具身感作為一種方法論引入，以改善BCI，例如（Jeunet et al., 2018; Marchesetti et al., 2023; Vourvopoulos et al., 2022）。

大多數納入的研究涉及基礎研究（n = 19；46%），其次是康復（n = 14；34%）和人機交互研究（n = 7；17%）。一項工作（2%）專注于診斷（Bu-Omer et al., 2021）。此外，大多數研究提出了沉浸式體驗：30項使用了HMD，1項使用了CAVE系統（Pavone et al., 2016）。一項研究采用了半沉浸式設置（Lenggenhager et al., 2011），5項使用了非沉浸式技術（即計算機屏幕）（Bu-Omer et al., 2021; Garipelli et al., 2021; Kang et al., 2015; Lee et al., 2015; Song et al., 2025）。在4種情況下，對設備進行了比較：在3項研究中，比較是在計算機屏幕和HMD之間（Alanis-Espinosa & Gutiérrez, 2020; Choi et al., 2020; Dewil et al., 2024）；在一種情況下，測試了3種設備：計算機屏幕、平板電腦和AR界面（Sun et al., 2023）。

3.2. EEG方法 3.2.1. EEG系統設置

本次綜述納入的研究采用了廣泛多樣的EEG系統，在通道數量、電極放置、參考方案和采樣率方面存在顯著差異。電極數量從最少的6個（González-Franco et al., 2014）到高密度系統高達256個通道（Lenggenhager et al., 2011; Studnicki et al., 2024, pp. 989–990），這反映了在沉浸式VR環境中空間分辨率與易用性之間的不同權衡。大多數研究使用了中等密度EEG帽（例如，32個電極），這在空間信息和設置復雜性之間提供了良好的平衡，例如（Alsuradi et al., 2025; Dewil et al., 2024; Song & Kim, 2019）。

參考電極和接地電極的配置也存在相當大的變異性。雖然許多研究采用了諸如耳垂之類的參考（例如（González-Franco et al., 2014; Nicolardi et al., 2025; ?kola & 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）），或更高級的參考如公共模式感測和右腿驅動（CMS/DRL）（?kola et al., 2019）。同樣，當報告時，接地電極通常放置在AFz或額頭。

采樣率也差異很大：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）以確保TMS或快速皮層動態的高時間保真度，而其他研究采用了較低的速率（128–512 Hz），這些通常與通道數量較少的EEG系統相關，這些系統更適合VR設置（例如（González-Franco et al., 2014; Sun et al., 2023））。

3.2.2. EEG預處理策略

預處理流程在研究間顯示出顯著的異質性，這反映了在VR和具身感研究中缺乏標準化EEG協議。然而，一些反復出現的步驟是可以識別的。大多數研究應用了帶通濾波，截止頻率通常在0.1至100 Hz之間，例如（Pavone et al., 2016; Ramirez-Campos et al., 2024）。陷波濾波器在50/60 Hz處經常用于抑制線路噪聲，例如（Alsuradi et al., 2025; Martial et al., 2023）。

降采樣通常在初始采集后應用，以減少數據量并便于分析（例如，從2048降到512 Hz在（Marchesotti et al., 2023）中；從1000降到250 Hz在（Nicolardi et al., 2025）中），以減少數據大小并提高計算效率。

分段——將連續EEG分割成與事件相關的時間窗口——在絕大多數論文中被使用，盡管長度和對齊因任務和范式而異。

偽影拒絕和緩解使用了多種技術。幾乎所有研究都依賴獨立成分分析（ICA）來去除眼動、肌肉或運動相關噪聲，例如（Lu et al., 2025; Martial et al., 2023）。一些研究在高噪聲環境中采用了ASR（偽影子空間重建），例如（Alsuradi et al., 2025; ?kola et al., 2019），甚至與ICA結合。其他研究使用了自動和手動檢查的組合，通常隨后進行壞通道插值，例如（Marchesotti et al., 2023; Song et al., 2025）。少數作者使用了額外技術，如z分數歸一化（?kola & Liarokapis, 2019）或使用Hampel濾波器的異常值拒絕（Sun et al., 2023）。

重新參考也不一致：雖然公共平均參考（CAR）是最常采用的方法，例如（Bu-Omer et al., 2021; Jeunet et al., 2018），一些研究依賴乳突或耳垂參考，還有少數沒有報告參考。

3.2.3. EEG信號分析

在預處理之后，EEG信號在四個主要領域進行分析：時域（表5）、頻域（表6）、時頻域（表7）和連通性（表8）。每種分析方法為具身感VR的皮層相關物提供了獨特的洞見，從事件相關響應到振蕩活動和區域間通信。

圖3總結了所審閱研究中采用的分析方法。如左面板所示，時頻域分析最常見（n = 19），其次是頻域方法（n = 17）。時域分析在16項研究中使用，而連通性方法采用最少（n = 5）。右面板說明了有多少研究結合了多種分析類型。相當數量的論文僅依賴一個領域，而較小比例整合了兩個或更多。

總體而言，無法識別與特定具身感組成部分調控相關的任何特定方法，盡管出現了一些趨勢。涉及SoBO研究的11項中有7項采用了時域分析；引入SoA調控的研究（單獨或與其他組成部分結合）12項中有8項使用了頻域分析；僅SoA調控也是大多數（5項中的4項）報告連通性相關結果的工作的對象。最后，時頻域分析主要在涉及SoSL的研究或調控多個組成部分的研究中進行。

當考慮具身感誘導技術（即視觸覺或視運動刺激）時，領域分析的選擇更加碎片化。時域和頻域分析已在兩種刺激技術之一或兩者存在時使用。時頻域分析總是在視運動刺激（主動或被動）存在時進行，或與視觸覺刺激結合。連通性分析，除一個例外外，都在預見視運動刺激的研究中進行。

此外，研究在處理和分析的方法論選擇以及對觀察變化的解釋方面差異很大。

3.2.3.1. 時域分析

如表5所列，時域分析主要關注事件相關電位（ERPs），在某些情況下關注運動相關皮層電位（MRCPs），這提供了高時間分辨率來評估與具身感相關的皮層響應。然而，所調查的ERP組成部分在研究間差異顯著，其實驗設計和分析時間窗口也是如此。

Casula et al. 使用TMS誘發電位和源建模顯示，在SoBO相關體驗中虛擬手具身感后，M1快速抑制（Casula et al., 2022）。Du et al. 報告了在VR條件下相對于橡膠手錯覺（RHI）或基線的C3處相對幅度增加（Du et al., 2021, pp. 703–708）。Garipelli et al. 在中風和健康參與者的鏡像反饋條件下識別出更平衡的MRCP半球負性，證明了第三人稱視角下誘導的有效SoSL錯覺（Garipelli et al., 2021）。González-Franco et al. 證明了與更強的SoBO相關的P450幅度增加（González-Franco et al., 2014）。Iwane et al. 發現當SoA被破壞時，錯誤相關電位（ErrP）更高（Iwane et al., 2024）。

其他研究探索了對不同具身感組成部分敏感的ERP組成部分。關于SoBO，Lu et al. 顯示對于自我相似的化身，N2和P1幅度降低（Lu et al., 2025），而Nicolardi et al. 發現對于第一人稱視角（1PP）中情感顯著刺激，N2-P2、EPN和LPP組成部分增強（Nicolardi et al., 2025）。

至于SoA，Marchesotti et al. 識別出P45和N60的調控，當空間不一致性在存在觸覺輸入設備的情況下修改參與者對環境的控制時（Marchesotti et al., 2023）。Porssut et al. 顯示非具身感條件引發更強的錯誤相關負性（ERN）和Pe（Porssut et al., 2023）。

處理SoSL時，Martial et al. 使用Lempel-Ziv復雜度（LZC）顯示在視觸覺不匹配期間信號復雜度降低（Martial et al., 2023），該實驗誘導出體體驗。Pavone et al. 比較了第一人稱與第三人稱視角，并在錯誤觀察期間報告了第一人稱視角下增強的ERN（Pavone et al., 2016）。

Ramirez-Campos et al. 使用非線性動力學（例如，熵、分形維數）來分類調控所有組成部分的實驗后的具身感條件（Ramirez-Campos et al., 2024）。Raz et al. 發現Pe/P300幅度隨著更高語義一致性而降低，無論是在同步（相對于異步）刺激的情況下，還是當可視化真實手（相對于光標/翻轉手）時（Raz et al., 2020）。真實手的可視化也在Singh et al.的實驗中被優先，在該實驗中記錄到增加的預測錯誤負性和P300（A. K. Singh et al., 2018）。?kola et al. 將增強的N140和P100與錯覺性觸摸的主觀強度相關聯（?kola & Liarokapis, 2019）。Sun et al. 使用微狀態和全局場功率分析來評估在使用不同輸入接口進行空間界面任務時的alpha動態，并顯示基于鼠標的平移是最佳的SoA交互模式（Sun et al., 2023）。

盡管在P300樣組成部分和ERN的相關性上存在一些趨同，但研究間在協議、組成部分和感興趣腦區方面的巨大多樣性（表5）突顯了缺乏共享的時域EEG具身感標記物。

3.2.3.2. 頻域分析

考慮到表6，頻域分析檢查了典型EEG頻段內的振蕩活動，強烈關注alpha、mu和beta節律。功率譜密度（PSD）是最常見的方法，但頻段和空間區域差異顯著。

Alchalabi et al. 顯示更強的中央-額葉alpha同步對應于SoBO增加和SoA違反（Alchalabi et al., 2019, pp. 776–783）。Bu-Omer et al. 發現alpha和beta功率——特別是在頂枕葉區域——隨SoA變化而調控：視覺延遲越大，SoA越小（Bu-Omer et al., 2021）。Dewil et al. 報告了在力控制任務中更強的alpha和beta響應，alpha功率與代理感成反比（Dewil et al., 2024）。

Evans et al. 在錯覺性所有權和運動想象期間觀察到mu和beta調控，兩者都受同步視觸覺條件的青睞（Evans & Blanke, 2013）。González-Franco et al. 發現在虛擬手威脅期間mu去同步（González-Franco et al., 2014）。Jeunet et al. 顯示在高和低（即不一致、部分或反轉反饋）SoA條件下theta頻段增加，但發生在不同階段（Jeunet et al., 2018）。Lee et al. 發現在額葉區域beta和gamma功率增加，特別是具有化身的第一人稱視角條件下（Lee et al., 2015）。

Lenggenhager et al. 將內側前額葉皮層的alpha變化與多感官沖突下的SoSL相關聯（Lenggenhager et al., 2011）。Liu et al. 發現在存在觸覺和視覺反饋且延遲減少的基于VR的運動訓練后，M1中alpha和beta功率增加（Liu et al., 2023, pp. 435–440）。Martial et al. 在第三人稱視角的具身感實驗期間觀察到delta增加和alpha功率減少（Martial et al., 2023）。

Ramirez-Campos et al. 使用譜熵和復雜度指標證明了具身感狀態的高分類準確率（第一人稱視角、同步視觸覺刺激、一致運動 vs. 第三人稱視角、異步刺激、隨機運動）（Ramirez-Campos et al., 2024）。?kola et al. 探索了多個頻段的ERD/ERS指數和參與分數，突顯了在調控SoA和SoBO的條件下譜動態的變異性（?kola et al., 2019; ?kola & Liarokapis, 2016, 2018, 2021）。Sun et al. 報告了在暗示較少SoA的條件下（即與不太熟悉的界面互動）額葉alpha功率和相干性增加（Sun et al., 2023）。Wang et al. 使用Hilbert-Huang變換顯示在視覺反饋速度變化調控SoA期間頂葉alpha調控（Wang et al., 2022, pp. 832–833）。

雖然許多研究將alpha和beta調控與具身感特別是SoA相關聯，但空間焦點和譜分解方法（FFT vs. Hilbert vs. 小波）的差異再次阻礙了識別通用譜生物標記物。

3.2.3.3. 時頻域分析

如表7所報告，時頻研究調查了與運動想象、具身感起始或錯誤檢測相關的振蕩功率動態變化，使用了小波變換、STFT或ERSP等方法。

Alsuradi et al. 和 Bendor et al. 發現在自然肢體的運動想象期間delta/theta和alpha ERSP響應增強，而想象超數拇指時活動減少（Alsuradi et al., 2025; Bendor et al., 2025, pp. 90–97）。Choi et al. 報告了在沉浸式VR中相對于基于屏幕的訓練的ERD幅度更強（Choi et al., 2020）。Du et al. 顯示當結合VR與觸覺反饋時alpha/beta ERSP差異顯著（Du et al., 2021, pp. 703–708）。

González-Franco et al. 再次顯示在誘導SoBO后威脅場景期間mu去同步和準備電位負性（González-Franco et al., 2014）。Kang et al. 發現alpha頻段ERSP和相干性與感知控制相關，在通過手真實運動與視覺反饋的5個不同一致性水平調控SoA的任務中（Kang et al., 2015）。Nicolardi et al. 識別了與刺激效價和第一或第三人稱視角相關的theta和mu ERSP變化（Nicolardi et al., 2025）。Nierula et al. 將負alpha ERD%與SoA相關聯，即使在不匹配反饋的情況下（即物體被掉落，無論參與者行為如何）（Nierula et al., 2021）。Pavone et al. 報告了在錯誤抓取試驗中額葉theta增加（Pavone et al., 2016）。

Raz et al. 和 Skola et al. 顯示了與視觸覺同步和SoBO評分相關的ERD變化（Raz et al., 2020; ?kola et al., 2019; ?kola & Liarokapis, 2018）。Song et al. 證明了橡膠手錯覺的ERD模式比標準VR或MI更接近真實運動（Song et al., 2025; Song & Kim, 2019）。Studnicki et al. 發現在平衡丟失期間前扣帶theta同步，受沉浸度調控（Studnicki et al., 2024, pp. 989–990）。Vagaja et al. 和 Vourvopoulos et al. 顯示基于VR的反饋增強了運動相關ERD（Vagaja et al., 2023; Vourvopoulos et al., 2022）。Xu et al. 報告了在具身MI范式中ERD更強，即使在中風患者中（Xu et al., 2024; Xu et al., 2024）。

在這些研究中（表7），mu和beta ERD作為運動相關具身感的一致指標出現。然而，刺激類型和ERD/ERS計算的差異再次使不同研究之間的直接比較變得困難。

3.2.3.4. 連通性分析

如表8所述，連通性分析探索了具身感期間腦區如何通信，使用了基于相位的（PLV）、因果性的（PDC）或相關性的方法。雖然研究較少，但它們可以提供關于網絡水平組織的有趣洞見。

特別是，Casula et al. 發現在SoBO誘導后額頂電路的快速調控，后頂葉皮層連通性增強與真實手可視化情況下主觀所有權增加正相關（Casula et al., 2022）。Alanis-Espinosa et al. 報告alpha PDC和圖論指標顯示在第一人稱視角條件下網絡效率更高以及運動區域的影響更大，與第三人稱視角相比，即使具身感發生在類人機器人中（Alanis-Espinosa & Gutiérrez, 2020）。Kang et al. 識別出額葉區域較低的alpha相干性對應于更強的SoA，而beta和gamma相干性反映了更廣泛的傳感運動整合，不直接歸因于SoA調控（Kang et al., 2015）。

在Martial et al. 中，作者觀察到具身感期間beta-2連通性增加和theta復雜度減少，這被解釋為功能協調增強，即使視角在第三人稱視角中被置換（Martial et al., 2023）。Sun et al. 顯示alpha和beta相干性模式對與具身感相關的任務參數敏感（界面控制模式和設備）（Sun et al., 2023）。

雖然這些發現（表8）指向額頂網絡——特別是在alpha和beta頻段——作為具身感潛在關鍵，但連通性指標和源建模方法的多樣性進一步強調了當前方法和方法的異質性。

3.3. 主觀數據

在分析的42項研究中，大多數（34項研究，如表9所報告）報告了使用通過問卷收集的主觀評分，而8項研究沒有；在使用問卷的文章中，有兩項評估了與具身感無關的變量（A. K. Singh et al., 2018; Vourvopoulos et al., 2022）。

關于評估感知具身感的工具，在工具本身以及調查的構念方面觀察到相當大的變異性，許多工作使用了特設測量或現有問卷的部分改編。

大多數研究僅關注具身感的一個維度。SoBO（n = 23）和SoA（n = 19）的構念是最頻繁探索的。SoSL 是調控具身感時考慮最少的，因此從主觀角度調查也最少（n = 6）。此外，一些研究涉及與具身感相關但不太具體的構念，例如本體感覺、錯覺性觸摸，或更外圍的變量如真實感、存在感、條件偏好、控制點和吸收。雖然這些測量有助于將具身體驗置于語境中，但它們往往是孤立的且對理論核心是邊緣的。

3.3.1. 主觀數據與EEG數據的相關性

SoBO 與一致性和同步刺激更強烈相關（Raz et al., 2020），盡管與異步刺激或被動觀察也存在較弱的關聯。此外，以第一人稱呈現的刺激比第三人稱引發的SoBO更大，例如（Sun et al., 2023）。此外，?kola 和 Liarokapis 假設在VR環境中的體驗會增加所有權感，以及一般意義上的具身感，獨立于tDCS刺激（?kola & Liarokapis, 2019）；這些結果與神經水平上ERD調控中發生的情況一致，但僅針對SoBO（?kola et al., 2019）。關于與其他EEG結果的相關性，SoBO 顯示出比SoA更一致和更穩健的相關物，尤其在多感官語境中（Raz et al., 2020）或對化身身體的威脅時（Casula et al., 2022; González-Franco et al., 2014）。

分析結果顯示，SoA 隨運動反饋中的延遲而降低（Bu-Omer et al., 2021），而隨一致性和同步刺激而增加（Marchesotti et al., 2023; Yue et al., 2022）。此外，當控制是主動的而非被動的（即觀察運動）時，SoA 更大（Nierula et al., 2021）。有趣的是，這一參數還受個人特征的影響，例如參與者的內部控制點（Jeunet et al., 2018）。總體而言，與主觀SoA構念相關的結果往往與與運動控制、感官預測和錯誤監測相關的EEG模式相關，即使這種模式并非總是存在。例如，在Skola et al. 和 Marchesotti et al. 中，SoA 與神經相關物無關，這表明隱性運動控制與動作意識之間存在分離（Marchesotti et al., 2023; ?kola et al., 2019）。

最后，SoSL 似乎與其他具身感構念一樣，與同步刺激相關。此外，一些結果表明某些個人特征（如移情）的影響，在更強烈地體驗具身感和SoSL時；這一聯系也反映在神經生理水平上，其中ERP響應作為情感移情程度的函數而被調控（Raz et al., 2020）。

4. 討論

本次綜述的主要目的是調查具身感如何在VR環境中被誘導，以及如何通過EEG數據收集和分析進行定量評估。作為次要目標，我們旨在識別客觀EEG數據與通過問卷收集的主觀數據之間的潛在相關性。

我們評估了總共42項工作，這些工作大多進行了涉及健康年輕成年人的小樣本前-后研究。只有四項研究涉及殘疾人（即中風、脊髓損傷和截肢），盡管超過三分之一的文章討論了康復領域的潛在發展。這些點，連同每年發表的涉及EEG和具身感的文章增加，表明該領域仍屬新興，且已進行的試驗大多是探索性的。鑒于此，目前不可能確定使用EEG研究具身感以及主觀數據收集工具的共享指南。在下文中，我們因此報告現有證據的總結，試圖突出最有前景的范式和分析，并識別當前研究空白以指導未來發展。

4.1. 具身感調控

關于誘導具身感，我們根據實驗中被刺激的主要組成部分對現有文獻進行分類；這種分類并不總是容易的，因為具身感往往被作為一般概念提及和調查，而不是考慮其組成部分。此外，研究顯示出高度異質性，這使得難以確定特定范式是否比其他范式在誘導SoBO、SoA或SoSL修改方面更有效。

SoBO 主要通過實施第一人稱視角橡膠手錯覺范式被孤立調查；納入的研究證實了文獻中已出現的內容，即具身感可以在第一人稱視角下、在存在同步視觸覺刺激時（Evans & Blanke, 2013），以及通過具有正面或負面效價的刺激（González-Franco et al., 2014）更好地促進。相反，TMS和可視化介質（即VR vs. AR）似乎沒有顯著影響，至少在EEG相關變量上沒有。在僅有一種情況下（Lu et al., 2025），研究涉及全身可視化，并證明在這種情況下，面部特征和身體形狀都與誘導SoBO相關。

SoA作為唯一被刺激的組成部分的條件，主要涉及空間和/或時間視覺反饋的操縱——例如（Bu-Omer et al., 2021; Jeunet et al., 2018; Wang et al., 2022, pp. 832–833）——或者，當處理運動想象時，通過根據運動的自愿程度提供反饋（Bendor et al., 2025, pp. 90–97; ?kola et al., 2019）。所有這些調控類型在影響參與者的代理感方面都是有效的，并且對虛擬身體的控制感降低隨著延遲或空間扭曲程度的增大而更高。

在SoSL的情況下，與SoBO的發現相反，實驗條件大多預見了全身化身的參與，該化身在第三人稱視角下被呈現，同時執行動作，要么在錯位位置，要么像在鏡子中一樣。SoSL在視觸覺刺激存在時、在類人化身存在時顯得更強（Lenggenhager et al., 2011）。第一人稱視角促進了SoSL（Pavone et al., 2016），正如為SoBO記錄的那樣。盡管如此，同步視觸覺刺激也能夠在化身在第三人稱視角或鏡子中被觀察時誘導出體體驗（Xu et al., 2024; Xu et al., 2024）。

最后，有的情況下多個組成部分同時被調控；這些研究主要進行了SoBO和SoA的操縱，SoSL僅在3種情況下存在，其中參與者體驗了第一或第三人稱視角（Lee et al., 2015; Vagaja et al., 2023）或在執行其他任務后不得不重新定位自己（或他們的虛擬手臂）（Raz et al., 2020）。幾項涉及SoBO和SoA的工作處理了運動想象（Alsuradi et al., 2025; Choi et al., 2020; Du et al., 2021, pp. 703–708; Song & Kim, 2019; ?kola & Liarokapis, 2018），兩個組成部分的調控發生于從第一人稱視角看到虛擬化身（SoBO）并作為正確EEG信號檢測的結果誘導其運動（SoA）。此外，當分析組合組成部分時，同步視觸覺刺激和類人外觀作為誘導更好具身感響應的條件出現，無論在生理水平還是主觀水平（Raz et al., 2020; A. K. Singh et al., 2018; Vagaja et al., 2023）。Choi et al. 還證明使用更沉浸式的設備（HMD vs. 計算機屏幕）可以有助于誘導更高的具身感，盡管最佳條件仍由現實世界場景代表（即使帶有假手（Song & Kim, 2019））。

4.2. 基于EEG的具身感分析

EEG相關的數據采集、收集和分析也具有高度異質性：這種變異性顯著限制了文獻中發現的可比性和整合。因此，本次綜述的一個關鍵發現是缺乏共享的標準化方法論用于數據收集和分析，從而缺乏基于EEG的生物標記物。

更詳細地分析納入的文章，首先，我們注意到硬件配置的變異性，研究呈現不同的電極數量和配置，這不可避免地影響了分析的譜和時間分辨率，為跨研究比較帶來了挑戰。其次，盡管識別了反復出現的實踐，本綜述突顯了在評估VR中具身感的研究中關于EEG預處理和分析的共識缺乏。這種不一致性幾乎涵蓋了所有預處理步驟——從濾波選擇到偽影拒絕技術和參考策略。

重要的是，我們注意到只有一部分研究報告了完整的預處理細節，即使在那些研究中，參數選擇（例如，濾波階數、拒絕閾值）也差異很大。盡管方法論異質性，大多數研究應用了核心EEG預處理步驟：帶通濾波、降采樣、分段和偽影去除（主要使用ICA）。公共平均參考（CAR）或耳垂/乳突參考也被頻繁采用。這些共享實踐突顯了一個廣泛認可的最低標準，即使詳細參數和額外步驟在研究間差異。

標準管道的缺失在具身感語境中特別成問題，在那里感興趣的是細微的電生理變化（例如，mu抑制、P300幅度偏移或ERD模式），這些變化容易被預處理選擇掩蓋或混淆。在這一語境中，應注意已提出標準化EEG預處理管道，如PREP管道（Bigdely-Shamlo et al., 2015）、HAPPE（Gabard-Durnam et al., 2018）和Automagic（Pedroni et al., 2019），以提供可再現的、模塊化的框架，整合濾波、壞通道檢測和偽影校正，從而增強研究間結果的可比性。重要的是，搜索可靠的具身感EEG標記物將大大受益于采用此類標準化方法。

同樣的變異性也出現在信號分析中；差異存在于分析的方法論選擇中，該選擇發生在時域、頻域、時頻域或調查連通性，以及在所有情況下提取和分析的特征選擇中。就EEG分析而言，大多數研究采用了時域（主要ERP特征，如P300樣組成部分或錯誤相關電位）、頻域（功率譜密度關注alpha/mu和beta頻段）和時頻方法（ERSP/ERD/ERS分析）。在這些領域內，事件相關分段和平均在ERP研究中是標準的，而頻域分析通常檢查傳感運動區域上的alpha和beta功率。在時頻分析的情況下，它們通常評估運動想象或具身感任務期間的mu/beta去同步。雖然提取的特征和應用的方法論不同，這些共享策略可以代表調查VR中EEG具身感的核心實踐集。

在所有分析領域中，本次范圍綜述揭示，雖然EEG可以檢測與具身感相關的神經信號，但沒有單一EEG標記物或分析方法作為明確的生物標記物出現。實驗范式、EEG系統、預處理策略和分析選擇的多樣性——從ERP組成部分到ERD、PSD和連通性——限制了將發現綜合成連貫神經生理模型的能力。

除了標準化預處理和分析方法之外，另一個重要的發展方向涉及在沉浸式VR環境中實時EEG分析的可行性。最近的研究證明，大腦活動可以在線解碼以在VR內提供自適應反饋。例如，Chiossi et al.（Chiossi et al., 2025）開發了一個系統，利用外部和內部注意的EEG相關物來支持工作記憶任務。在視覺N-back范式中，系統動態調整干擾元素的視覺復雜性，前額theta和頂葉alpha活動作為調整任務難度的可靠標記物。同樣，Singh et al.（A. D. Singh et al., 2025, pp. 1296–1300）提出了一個神經自適應框架，其中VR環境基于EEG衍生的情感狀態實時修改。通過結合高級EEG分析與自適應VR場景，這種方法旨在優化用戶參與并改善治療結果。具身感領域的研究人員特別可以受益于此類實時神經自適應方法的整合，因為它們提供了將EEG標記物直接鏈接到VR環境動態調整的可能性，從而加強實驗控制和生態有效性。

4.3. 使用主觀結果分析具身感

關于通過主觀結果分析具身感，大多數納入的研究收集了自我報告數據，但并未一致觀察到將它們與EEG測量明確相關聯的努力，盡管有時暗示了隱性聯系。

即使在基于問卷的結果中，也出現了顯著的異質性：對納入工作中使用的主觀測量的方法論分析突顯了所用工具的構建、形式和來源的顯著變異性。第一個關鍵元素是特設問題的廣泛使用：許多文章使用明確為單一研究開發的條目，插入不同長度的Likert或VAS量表（從0到10、從0到100，或5–7點）。雖然這些問題允許快速和語境化的收集，但它們缺乏心理測量驗證，并且往往沒有伴隨足夠的關于其構建或所采用理論依據的解釋。例如（Song & Kim, 2019）引用了“Embodied Perception Questionnaire”來測量諸如自我位置和代理感之類的變量，而沒有指明工具的內容、理論來源或驗證。這使得解釋結果并與其他更結構化的研究比較變得困難。

相反，只有少數研究參考了結構化的且已驗證的問卷。有些使用了已知量表的改編，例如Longo et al.的（Longo et al., 2008）或Botvinick and Cohen的橡膠手錯覺問卷（Botvinick & Cohen, 1998）。盡管如此，即使在這些情況下，改編方法也很少被記錄。對條目、響應量表或管理語境的改變幾乎從未被證明或測試，這使得研究間可比性不確定。相反，在該領域采用標準化且驗證的問卷將提供幾個優勢：它將允許研究間更可靠的比較、EEG數據與自我報告體驗的更大整合，并促進至少在主觀變量中識別反復出現的模式。

另一個反復出現的問題是對術語“具身感”的泛化使用，而對所采用測量的詳細分析揭示，它們幾乎總是指一個或兩個特定子構念，尤其是SoBO。例如，在（Porssut et al., 2023）中，只詢問了一個關于虛擬身體SoBO的特設問題，但該構念被整體標記為“具身感”。只有極少數研究，例如Skola et al.，以系統和多維方式處理了該主題，試圖評估具身體驗的不同方面（SoBO、SoA、SoSL）（?kola & Liarokapis, 2019）。

總體而言，主觀發現表明具身感是一個多方面的構念，其中代理感、身體所有權感和自我位置それぞれ受外部感官條件（例如，刺激一致性、第一人稱視角）和內部人格特質（例如，控制點、移情）的影響。雖然身體所有權感顯示出最穩健和一致的神經相關物，但代理感揭示了更大的變異性，表明主觀體驗與EEG模式之間存在部分分離；同樣，主觀自我位置與特定神經指標無關。這些結果突顯了在具身感構建中感知、動作和認知之間的復雜互動。

4.4. 展望和未來方向

本次綜述突顯了具身感及其通過EEG分析的主題無疑具有興趣。然而，現有的研究以實質性的異質性為特征。這種異質性反映了在具身感的關鍵主觀指標上缺乏共識，這表明未來研究的設計需要更大的標準化和理論清晰度。事實上，標準化將允許神經標記物與主觀具身感分數的一致比較，為主觀和客觀基于EEG測量的驗證鋪平道路（Esteves et al., 2025）。為每個單一具身感組成部分識別一個（或更多）共享生物標記物確實將導致擴展具身感評估適用性的可能性，跨越用戶人群（例如，無法表達主觀判斷的患者）、硬件設置和VR特征，以及為實時自適應場景或有效BCI接口的創建（Juliano et al., 2020）。

不幸的是，如前所述，目前的研究過于碎片化，無法識別穩健的生物標記物。然而，為了確保該領域未來研究產生可靠和可比的結果，從我們的綜述中出現了三個關鍵推薦。首先，研究應精確定義并參考具身感構念本身，避免將“具身感”作為泛化術語使用，特別是相關但不同的概念，如存在感或沉浸感。其次，未來VR體驗的設計應基于關于反饋類型和調控的現有知識，這些類型和調控可以有效地作用于一個或多個具身感組成部分。第三，未來研究將受益于協調的EEG協議，特別是旨在貢獻于元分析或整合建模方法的研究，并應優先考慮方法論協調和跨驗證研究，以建立VR中具身感的可復制EEG特征。此外，所有EEG方法的詳細報告——從采集到預處理和分析——是必需的，連同朝著為具身感研究中EEG數據分析標準化建立共識指南的集體努力，類似于在其他領域已實現的那樣（Admiraal et al., 2018; Bigdely-Shamlo et al., 2015; Dilena et al., 2021）。

最后，只要可能，研究人員應采用專門測量目標具身感維度的驗證問卷，確保可靠和可解釋的主觀數據。朝著這些方向移動將加強該領域并促進VR中具身感的可再現、可轉化EEG生物標記物的出現。

深化對具身感的理解將對幾個領域產生增量影響，其中包括康復和人機交互。在康復中，對具身感組成部分如何被調控的精確知識將導致改進的治療協議，通過運動想象加強神經通路、減少疼痛或重新訓練身體表征，即使在運動功能有限的患者中（Arpaia et al., 2022, pp. 104–109; Matamala-Gomez et al., 2019; Ventura et al., 2023）。

一般而言，推進具身感研究將為設計人機界面朝著更直觀、沉浸和自適應范式提供信息。實時適應的化身以及隨之而來的對它們的更強SoBO和/或SoA代理感將意味著用戶可以以自然和無縫的方式與數字環境互動，減少認知負荷并提升性能（Iwane et al., 2024; Teng et al., 2025; Ziadeh et al., 2021）。

4.5. 局限性

我們意識到本工作存在一些局限性。首先，納入綜述的研究的質量并未進行方法論評估。雖然范圍綜述的目標在這方面不同于系統綜述（Arksey & O’Malley, 2005），但我們承認我們的結果的有效性可能受到質疑。盡管如此，我們僅在科學數據庫中進行搜索，排除了灰色文獻，從而限制了可靠性問題。最后，我們承認具身感這一主題是碎片化的，并涉及一系列不同且多學科的領域。因此，本范圍綜述中提出的一些分類必然反映了作者的主觀判斷，并基于他們對數據的批判性解釋。

5. 結論

本工作呈現了對具身感、其組成部分以及通過基于EEG和主觀方法論進行分析所進行的范圍綜述的結果。盡管近年來對這些主題的研究興趣有所增加，但所提出的體驗的多樣性、VR硬件和軟件解決方案，以及主觀和EEG數據收集與分析的異質方法論并未允許得出具體結論。更具體地說，這種異質性反映了在具身感的關鍵主觀和基于EEG的標記物上缺乏共識，這表明未來研究的設計需要更大的標準化。

另一方面，個別研究的結果是有前景的，至少初步表明，具身感可以引發可測量的響應，這些響應可以通過EEG衍生指標進行量化，并與主觀感受相關聯。鑒于這些發現，我們相信增強VR體驗中具身感的主題值得進一步調查。對具身感潛在神經機制的更深入理解將導致更明智地設計直觀且有效的VR環境以及更精確的腦機接口。

原文：https://www.sciencedirect.com/science/article/pii/S2451958825002830