两项独立的听觉事件相关电位VR研究中，深度模型在分类晕动相关不适时反复指向同一批头皮位置：左额、中央与右顶区域，以及刺激后约80至260毫秒的早期时间窗。研究用可解释性图把模型判断归因到具体电极与时间点，并在不同国家、不同头显、不同脑电系统与不同VR任务的两批数据上得到相关模式。跨被试泛化仍有限，个体校准后准确率明显提升，说明这些特征目前更适合作为待检验的候选标记。
VR晕动相关不适的脑电分类不再只依赖频段功率，而是直接给出哪些电极和时间点对模型判断贡献最大。 此前多数机器学习方法从连续脑电中提取alpha、beta等频段功率特征，事件相关电位这条路线研究得少，且不同研究之间难以直接比较。 在ERPVR数据集的120次实验运行中，覆盖三种神经网络、多个随机种子以及试次类型、采样、离群点检测和电极排序的多种组合，模型一致把左额、中央和右顶的头皮位置标为最有帮助的特征。
模型把判断集中在听觉刺激后较早的一段脑电上，而不是整段800毫秒窗口。 以往晕动检测常使用数秒到30秒的时间窗，这里每个样本只有刺激后800毫秒。 两个数据集中被标出的重要时间窗都落在刺激后约80至260毫秒，EEGNet的GradCAM在ERPVR中约100毫秒起、200毫秒达峰，VectionVR中约80毫秒起、110毫秒达峰。
同一批头皮位置在另一套完全独立的VR数据上再次出现，说明模式不绑定于某一次实验设置。 ERPVR与VectionVR在采集时间、国家、头显、脑电系统、电极布局和VR任务上都不相同。 VectionVR数据集（36人）中，C3、T7、CPz等中央与左中央位置对高不适分类贡献最大，与ERPVR中不适组标出的左中央区域相呼应。
按个体校准后，模型对不适的判别准确率大幅提高，跨被试直接迁移则明显更难。 留一被试交叉验证下，ERPVR最佳平衡准确率约76.9%，VectionVR整体基线接近随机水平。 校准后ERPVR的ViT在不适组达到约95.6%平衡准确率，VectionVR的ViT整体约91.5%，其中高不适约90%、低不适约92.6%。
结果来自两套听觉oddball范式的VR脑电数据：ERPVR为29人、16导联近似等距布局，VectionVR为36人、30导联10-20布局，分类目标是SSQ中“总体不适”这一项。特征解读只针对分类准确率超过75%的被试，因此描述的是这些被试身上模型所依赖的模式。作者提出，后续可检验这些空间模式能否在没有外部听觉刺激的连续脑电中用于不适检测。
头皮电极记录的是多个神经元群体活动的混合，经过颅骨与脑膜传导后难以反推三维脑内来源，因此模型标出的位置不能直接解释为特定脑区的功能。两套数据的标签都较粗：ERPVR每约两分钟一个SSQ标签，VectionVR八个区块只有一个标签，且不适评分只有0到3四档。ERPVR中真正感到不适的被试只有14人，高准确率特征来自其中更小的一部分人；两套布局的枕区电极都很少，无法判断枕区是否有用。
