基于脑电图堆叠集成的室内环境质量控制自动分类

这是“神经工程管理”第40篇推送

发表时间：2020年

发表期刊：《Computer-Aided Civil and Infrastructure Engineering》

作者：Jimin Kim；Hakpyeong Kim；Taehoon Hong

本研究旨在利用基于EEG信号的机器学习方法开发室内空气质量控制的自动分类算法。进行了两个实验:实验一是在室内环境质量(IEQ)变化时，根据脑电波指标选择脑电通道。实验二，提取被试进行自适应行为时的脑电波指标特征，利用机器学习（包括堆叠集成系统）预测IEQ条件控制。然后，利用分布随机森林、梯度增强机、广义线性模型、深度神经网络等基估计器对提取的特征进行分类，并利用元学习器对新的预测数据进行再训练和预测。分两个预测维度，维度1是空调和空气通风系统，由基估计器训练的堆叠集成系统预测效果最好。第2维度是开启和关闭，梯度增强机（GBM）的预测效果最好。基于这些结果，可以利用EEG信号建立一个自动IEQ控制模型，以实现减少嗜睡，增加注意力。

随着现代人在室内的时间越来越多，人们对室内环境质量(IEQ)条件的兴趣也越来越大。因此，消除室内空气污染因素，同时保持良好的室内气候条件这一建筑运营策略越来越重要。此外，随着对每个居住者健康的兴趣增加，也在进一步细分和定制建筑运营策略。本研究引入脑机接口概念，通过脑电信号，分析并预测建筑居住者控制IEQ条件的自适应行为特征。本研究将建筑居住者的适应行为局限于控制空调和通风系统。本研究按如下展开:(a)两个实验设置;(b)原始脑电信号处理;(c)当IEQ条件发生变化时，基于脑电波指数的脑电通道选择(实验1);(d)基于被试自适应行为改变时脑电波指数的特征提取(自适应行为的IEQ条件控制:开启/关闭空调和通风系统)(实验2);(e)使用监督机器学习算法预测IEQ条件控制(实验2)。

材料和方法

1、两个实验设置

（1）被试

17名被试，为避免性格影响，均为健康男性（平均年龄：28.25，年龄范围：23~35，标准差：3.4）。被试均无精神疾病、下丘脑损伤、注意力障碍或酒精上瘾史，实验前保持尽可能好的生理状态，受过良好教育，了解实验程序和问卷内容。

（2）人工气候控制室

  本实验在一个能够人为控制IEQ条件的人工气候控制室中进行。这个人工气候控制室的面积为2.8m×3.9m×2.4m。

对无关变量的控制：为了防止由于视线分散导致注意力减少，受试者坐在舒适的椅子上，戴上脑电头盔，注视前方1.8米的十字准星，手放在键盘上。保持室内照明的统一，阻止任何来自外部或发生在室内的气味。受试者戴着耳塞来控制背景噪音，被试均穿着长裤和长袖衬衫，将服装值设置为0.71(ANSI/ASHRAE,2017)。

（3）实验程序

  基于脑电图的脑机接口BCI概念是在事件发生时，通过提取脑电波的模式和特征来对每个事件进行分类，本研究中的事件是人们手动控制他们想要的IEQ条件的适应性行为。

2、原始脑电图信号处理

（1）Emotiv EPOC+

Emotiv EPOC+有14个主动电极和两个参考电极。

（2）脑电图信号预处理

基于EEGLab进行信号预处理，包括两个步骤:(a)带通滤波；(b)伪迹消除。

(a)带通滤波

只有特定频率范围(2-39Hz)的原始信号数据通过使用有限脉冲响应(FIR)的带通滤波器。因此，为了降低原始脑电图信号的线性并消除皮肤和汗液的伪迹，通过带通滤波器，去除了2Hz以下的低脑电波。此外，还去除了肌电伪迹或δ波(39Hz或更高)。

(b)降低伪迹—ICA

带通滤波后的脑电信号伪迹以不同范围冗余信号的组合形式存在，采用独立成分分析(ICA)进行分离。独立成分分析是一种用于时间序列分析的盲源分离方法，能够对伪迹和真实脑活动进行分类。

下图为经独立成分分析后的伪迹独立源成分的波形图及3D脑地形图。

3、基于脑电波指数的脑电图通道选择

分析14个脑电通道中哪个通道受IEQ条件变化的影响最大。由于脑电波是多种频率同时共存的组合波，因此通过功率谱密度(PSD)，根据频率进行分析。本研究，通过EEGLAB的空间滤波器观察到五个频率范围：θ波（4–8Hz），α波（8–13Hz），感觉运动节律（SMR）（13–15Hz），中β波(15-20Hz)和高β波(20–30Hz)。由于脑波的强度因人而异，所以采用了相对值指数，本研究选用如下指标进行脑电信号通道选择：

采用单因素方差分析(ANOVA)分析IEQ条件激活的脑电波通道对上述6个相对脑电波指标的影响。将实验1中的以下四种IEQ条件设为组,上述的六个相对脑电指数设为因变量，并在总共5.71×10³（17个被试×4组IEQ条件×14个脑电图通道×6个脑电波指数，也即每个组有1.42×10³个数据集）个数据集上进行单因素方差分析。从分析结果中提取p值显著小于0.05的脑电通道指标。

4、基于脑波指数的自适应行为特征提取

为了对实验2中被试适应行为（即开/关空调系统和通风系统）进行分类，有必要根据IEQ条件的变化为每个EEG通道提取脑电波指数的重要特征。本实验的IEQ条件导致被试按下键盘标记后1~2s的延迟时间没有变化，所以我们在每次事件前后5s的相同时间间隔内广泛提取基线。通过上述过程提取单因素方差分析中选取的脑电信号通道的相对脑电波指标功率谱密度PSD。该特征被用来作为分类模型的输入，通过一个监督机器学习算法，然后通过它可以准确地分类每个被试的适应性行为。

5、使用监督机器学习算法预测IEQ条件控制

（1）提出堆叠集成

为设计一个强大的预测模型，本研究提出了堆叠集成，该集成结合了由给定的机器学习模型(分布随机森林DRF，梯度推进机GBM，广义线性模型GLM、和深度神经网络DNN)建立的几种基本估计器的预测，提高了单估计器的可泛化性和鲁棒性。堆叠集成算法是一种通过训练二级“元学习器”来获得最优基估计器组合的算法。

（2）用于提出的堆叠集成的基本估计

机器学习模型建立几种基本估计器的预测：分布随机森林、梯度推进机、广义线性模型、深度神经网络。

1、当IEQ条件改变时，基于脑电波指数的脑电图通道选择

实验1设计并实现了IEQ条件变化时特定脑电波指数发生特征变化的脑电图通道。根据IEQ条件的变化，采用单因素方差分析选择特定的脑波指数及其脑电图通道，其变化具有统计学意义

（1）IEQ条件变化

除人工气候控制室可控制的温度、湿度和CO2浓度，还测量了TVOCs浓度。在适应过程中，温度保持在31◦C（10分钟），相对湿度从90%增加到92%，二氧化碳浓度从1934增加到2533ppm,有机物（TVOCs）浓度从1344增加到1520ppb，这可以看作是被试在封闭空间中的呼吸结果。在IEQ状态控制期间，IEQ状态各因子数值均下降。实验结束时，将实验条件改为相对舒适的IEQ条件，平均热感觉指数（PMV）0.31、CO2浓度1140ppm、TVOCs浓度515ppb。

（2）心理反应

通过问卷调查结果，确认了被试对IEQ条件的心理反应。本次实验共进行了三次问卷调查(0-1min,10-11min,20min后)。当不舒服的IEQ条件得到改善时，这些指数显示出明显的变化。

（a）IAQ满意指数表示室内空气品质，在适应期，该指标从2.17到2.09，但通风后数值增加到5.04。这一结果表明，随着CO₂和TVOCs浓度的降低，被试的满意度提高。

（b）TCV和TS指数表示热舒适度，在适应期，这两个指标分别从2.09到1.91，1.91到1.95，而在温度降低后，这两个数值分别回升到5.08和5.35。这是因为随着温度和湿度的恢复，被试的热感觉保持在舒适状态。

（c）TSV指数表示热感觉投票，在适应期略有温暖的状态，数值在2.0到1.95，但降温后的数值为-0.13，为中等状态。当TSV与PMV比较时，TSV的值小于PMV的值。这一结果表明，被试倾向于认为炎热和潮湿的IEQ条件是保守的，并据此进行评分。

（d）TP指数表示热偏好。进入炎热和潮湿的IEQ条件之前，被试倾向于更喜欢凉爽的IEQ条件，而在凉爽之后他们更喜欢中性的IEQ条件。

（3）生理反应

在1~2、9~10、11~12、19~20min，用PSD提取14个通道的脑电波指数。 当IEQ条件改变时，顶叶和额叶的RT、RA、RB、RBT、RBA和RSMT中测量睡意和注意力的指标有显著变化。被激活的区域主要是额叶和顶叶——它们负责躯体感觉功能，如热感觉和室内空气质量满意度。综上所述，受试者在适应期暴露于不舒适的IEQ条件下，会积累嗜睡、精神疲劳和注意力不集中的状态，在降温期(即IEQ条件改善)恢复到正常状态。

2、使用监督机器学习算法预测IEQ状态控制

实验二共收集4个适应行为事件。17名受试者进行了36个空调系统自适应开启行为，32个空调系统自适应关闭行为，48个通风系统自适应开启行为，31个通风系统自适应关闭行为。在事件提取后，分别在事件前后5s间隔进行脑电信号处理，利用PSD提取实验1中各通道的脑电波指标特征。为了对适应性行为进行分类，共有11种脑电波指标，选择相对于从实验1获得的IEQ条件表现出特性变化的RBT（F3），RBA（F3），RBA（FC5），RSMT（F3）作为特征。

对于四种适应性行为，每个脑电波范围的PSD模式在−5s和+5s出现不同。本研究将四种适应行为划分为行为的两个维度，并利用堆叠集成对适应行为进行预测:（a）维度1:空调和通风系统;（b）维度2:开启和关闭。维度1测量热感觉和IEQ满意度之间生理差异的强度。维度2测量舒适状态到当前IEQ条件和不适状态到当前IEQ条件之间的生理差异。

使用基本估计量对提取的特征进行分类，然后由元学习器对新的预测数据进行重新训练和预测。为了避免过拟合，训练数据使用数据集2/3的样本，测试数据使用1/3的样本。

根据一些评价参数，发现所提出的堆叠集成能够保证最高的分类精度，作为两种适应性行为的最有效分类方法。经过训练后，有必要分析哪些特征具有最强大的预测能力。重要度高的特征对堆叠集成的影响较大，而重要度低的特征可以从堆叠集成中省略。

如下表所示，可以确定RT(FC5)和RBA(F3)是影响比较显著的两个最高特征，即建筑居住者的嗜睡、困倦和精神疲劳状态都与热感觉和IEQ满意度的生理差异强度有关，相反，运行适当的IEQ条件控制系统(即空调系统和通风系统)可以使人员减少嗜睡和精神疲劳，从而提高整体任务绩效。

（2）维度2:开启和关闭

堆叠集成在预测空调/通风系统开启和关闭两种行为上的性能预测结果显示，梯度增强机（GBM）是最有效分类方法，其分类精度最高。

特征的相对重要性越高，在GBM中越占优势。如下表所示，可以确定RSMT(F3)和RA(P8)是影响比较显著的两个最高特征。即建筑居住者的注意状态都与当前IEQ条件下舒适状态和不适状态的生理差异强度有关。因此，IEQ条件控制系统(即空调系统和通风系统)的开启和关闭会影响人员的注意力，从而提高整体任务绩效。

本研究引入脑机接口的概念，分析并预测了基于脑电信号分析的建筑物使用者控制IEQ条件的自适应行为特征。本研究得出脑电波指数显著地取决于IEQ条件，同时，提出了基于脑电图的特征分类和自适应行为预测的叠加集成，从而实现了脑电图的分类精度和均匀性。

以下是研究结果的具体实际意义：

未来研究：

引用：

Kim J, Kim H, Hong T. Automated classification of indoor environmental quality control using stacked ensembles based on electroencephalograms[J]. COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING, 2020, 35(5): 448-464.