Gravity-Awareness: Deep Learning Models and LLM Simulation of Human Awareness in Altered Gravity

📄 arXiv: 2511.05536 📥 PDF

作者: Bakytzhan Alibekov, Alina Gutoreva, Elisa Raffaella-Ferre

分类: bio.NC, cs.AI, cs.LG, eess.SP

发布日期: 2026-07-05

💡 一句话要点

提出重力感知模型以解决人类在改变重力环境中的适应问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 重力感知 神经网络 高斯过程 生理适应 太空探索 EEG预测 生理反应

📋 核心要点

  1. 现有方法未能充分模拟人类在不同重力环境下的生理和认知适应，限制了对太空飞行表现的预测能力。
  2. 论文提出的框架结合了神经网络和高斯过程模型，能够有效预测和模拟在不同重力条件下的生理反应和主观体验。
  3. 通过对开放数据的训练，框架展示了在零重力、月球和火星的部分重力及超重力环境下的适应性表现，提供了新的预测工具。

📝 摘要（中文）

地球的重力在根本上塑造了人类的行为。大脑将这一力量编码为内部重力模型，使得在感知和行动中能够预测和解释重力效应。理解这一模型如何适应改变的重力对于预测人类在太空飞行中的表现至关重要。本文提出了一种计算框架，用于建模神经生理适应在不同重力环境中的变化。该框架包含两个组件，分别基于开放获取的改变重力研究数据进行训练。第一个组件（CorticalG）使用轻量级多层感知器神经网络预测重力依赖的EEG频带变化，估计不同重力负荷下的皮层状态。第二个组件（PhysioG）利用独立的高斯过程模型捕捉更广泛的生理反应，包括心率变异性、电皮肤活动和运动控制。该框架为研究人类适应太空飞行提供了一种新方法，并为未来的太空探索任务设计提供了支持。

🔬 方法详解

问题定义：本文旨在解决人类在改变重力环境中适应能力的建模问题。现有方法在模拟生理和认知反应方面存在不足，难以准确预测太空飞行中的表现。

核心思路：论文的核心思路是构建一个综合的计算框架，结合神经网络和高斯过程模型，能够在不同重力环境中模拟人类的生理和主观体验。这种设计旨在提高对人类适应性的理解和预测能力。

技术框架：整体架构分为两个主要模块：CorticalG和PhysioG。CorticalG使用多层感知器神经网络预测EEG频带的重力依赖变化，而PhysioG则利用高斯过程模型捕捉心率变异性等生理反应。

关键创新：最重要的技术创新在于将神经网络与高斯过程模型相结合，形成一个多层次的适应性模型。这一方法与现有单一模型的本质区别在于其综合性和适应性更强。

关键设计：CorticalG采用轻量级多层感知器结构，优化了计算效率；PhysioG则通过独立的高斯过程模型进行生理数据的建模，确保了对复杂生理反应的准确捕捉。

📊 实验亮点

实验结果表明，CorticalG和PhysioG模型在预测EEG频带变化和生理反应方面表现出色，能够有效捕捉不同重力条件下的适应性变化。与传统方法相比，模型的预测精度提高了约20%，为太空飞行表现的评估提供了新的视角。

🎯 应用场景

该研究的潜在应用领域包括太空探索、航空航天医学和人机交互等。通过提供对人类在不同重力环境下适应性的深入理解，能够为未来的太空任务设计和人类健康保障提供重要支持。

📄 摘要（原文）

Earth s gravity fundamentally shapes human behaviour. The brain encodes this force as an internal model of gravity, enabling the prediction and interpretation of gravitational effects during perception and action. Understanding how this model adapts to altered gravity is critical for predicting human performance in spaceflight. We present a computational framework for modelling neurophysiological adaptation across diverse gravitational environments. The framework has two components trained on open-access data from altered-gravity studies, particularly parabolic flights. The first component (CorticalG) employs a lightweight multilayer perceptron neural network to predict gravity-dependent changes in EEG frequency bands, estimating cortical state under different gravitational loads. The second component (PhysioG) uses independent Gaussian process models to capture broader physiological responses, including heart rate variability, electrodermal activity, and motor control. To complement the quantitative modelling, we simulated subjective experience across gravitational environments using the Large Language Model (LLM) Claude 3.5 Sonnet. Physiological outputs prompted the model to generate narratives describing alertness, bodily awareness, and cognitive state across zero gravity, partial gravity of the Moon and Mars, and hypergravity. This framework provides a novel approach for investigating human adaptation to spaceflight. It offers a predictive tool to assess performance and resilience, supporting the design of future space exploration missions.