不同室内空气质量下改善人与建筑互动的神经信号脑电图方法

本研究探讨了不同室内空气质量条件下来改善人与建筑互动的神经信号脑电图(EEG)方法。实验研究了脑电波段与主观知觉和任务绩效的相关性及基于机器学习的脑电模式识别方法作为反馈机制。结果表明，EEGθ波段(4-8Hz)与主观知觉相关，EEGα波段(8-13Hz)与任务绩效相关。这些脑电图指标可以作为问卷和任务型指标之外更客观的指标。在基于机器学习的脑电模式识别方法中，线性判别分析(LDA)和支持向量机(SVM)分类器能够较高精度地对不同室内空气质量条件下的心理状态进行分类。总的来说，脑电θ和α波段作为更客观的指标，基于机器学习的脑电模式识别方法作为实时反馈机制，对于改善人与建筑的交互具有很好的潜力。

关键词：脑电图、机器学习、人与建筑的相互作用、室内空气质量、短期表现换。

思维导图

人与建筑的互动是一个由建筑环境对居住者的影响和居住者对建筑环境的反馈所构成的闭环动态过程。改善人与建筑的互动，能创造更宜居的建筑环境，也可以实现建筑的主要目的–为居住者服务。室内空气质量是建筑环境的一个重要方面。建筑物的室内空气质量可以通过更高的通风来实现，从而消除生物污水和其他室内空气污染物。以往的研究表明通风率对主观知觉和作业绩效都会产生影响。

居住者可以通过主动调整小气候、个性化通风(PV)、中央控制通风系统的问卷反馈及Shane等人提出脑电信号(EEG)作为人与建筑的交互媒介和热舒适背景下的反馈机制的方法对建筑进行反馈。

  脑电（EEG）方法可避免基于问卷方法的感知偏差。此外，考虑居住者的生产力，EEG方法有可能被纳入日常生活中实时的人与建筑的交互中。本研究探索了不同室内空气质量背景下的脑电指标和反馈机制。通过实验研究了不同室内空气质量条件下脑电频段与主观知觉和作业绩效的相关性。本文还研究了基于机器学习的脑电模式识别方法。

02 方   法

（1）实验

被试

选取25名健康大学生作为受试者。该实验得到了该大学伦理委员会的批准，并获得了每个参与者的知情同意。每个参与者都暴露在所有的通风条件下。在实验之前，被试被要求保持良好的身体状况。

实验环境

该研究是在新加坡南洋理工大学一间陈设正常的办公室里进行的。房间长4.7米，宽3.1米，高2.6米(楼层到假天花板)。房间的空调和机械通风(ACMV)系统是通风和冷却盘管的混合，可以通过关闭ACMV的阀门和密封部分ACMV入口来调节新风量。本实验研究了3.5 L/s和11 L/s两种新风送风量。

内容

通过主观问卷对室内环境、病态建筑综合征(SBS)、情绪和自我感觉的一般感知进行评估。问卷第一部分由室内环境知觉和SBS两部分组成。问卷第二部分包括情绪和自我感觉表现。工作绩效采用计算机化任务进行评估。为了最大限度地减少学习效果，实验采用了以下措施：

1）任务要求非常基本的技能；

2）事先进行了练习以确保任务的熟练程度；

3）实验采用了两组难度相似但内容不同的任务，分别在休息和任务条件下监测脑电图。

受试者之间的通风条件是平衡的，以进一步最小化顺序效应，例如疲劳效应。

过程

  每天有三次实验：上午10：30-12：30，下午1：00-3：00，下午3：30-5：30，共两天。为了降低潜在的混淆效应，被要求参加为期两天实验的被试每天参加相同实验。为了进一步确保数据质量，在每一次实验中只有一个主题。受试者没有意识到这种干预，并被告知通过调整衣服来保持热中立。图1显示了每个实验的过程。

（2）主观问卷和计算机化任务数据的收集与分析

主观问卷是根据各种相关文献编制的，采用7分量表。对于SBS，测量指标是头部感觉、鼻子感觉、喉咙感觉、眼睛感觉、耳朵感觉和呼吸感觉。这些指标在之前的人体实验中已经通过可靠性测试和因素分析用更大的样本进行了验证，以确保内部一致性。

工作绩效评价任务由认知心理学、行为心理学和神经心理学文献汇编而成。为了更好地实施，本研究将这些任务电脑化：

1）短时记忆：选择两种类型。配对回忆要求受试者每次记住两组字符对，并回忆每对字符中缺失的字符。单词记忆要求受试者每次记住两组单词，并回忆每组中的单词。

2）反应时间：这项任务要求受试者以最快的速度输入屏幕上显示的字符，并记录反应时间。

3）知觉：选择两种类型。视觉描绘要求受试者视觉描绘和标记曲线。Stroop测试要求受试者判断单词的意思是否与屏幕上显示的单词的实际颜色一致。

因为一些指标不服从正态分布，因此采用非参数统计检验一致性。采用相关样本Wilcoxon符号秩和检验。

（3）EEG数据收集与分析

基于Emotiv EPOC的数据采集

Emotiv EPOC设备是一种高分辨率、非侵入式和便携式无线耳机(EPOC+，Emotiv Inc.USA)。按照国际10-20制式，设备共有AF3、F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8、AF4等14个通道，参考通道为CMS和DRL。（如图2所示）

大楼内电源线(50/60Hz)的电气噪音已在设备内部消除。脑电数据通过蓝牙传输到计算机，使用专有的USB加密狗以2.4GHz的频率进行通信。传感器的触点垫用盐水溶液润湿，以提高导电性。软件开发工具包(SDK)具有数据包计数功能，可防止数据丢失，并可实时显示传感器接触质量。

基于EEGLab的数据预处理

用在Matlab环境下工作的EEGLab工具箱(13.4.4b版)预存EEG数据，采用预处理协议来去除伪像。数据在3Hz高通以消除直流偏移和低频皮肤电位伪迹，在45Hz低通以消除其他高频噪声。然后，通过滚动时间序列，从视觉上拒绝由非典型原因(例如，大的身体运动)引起的非刻板印象的伪迹。独立分量分析(ICA)算法剔除了包括眨眼和肌肉活动在内的剩余的典型伪迹，该算法将EEG数据分解成最大程度独立的分量，然后去除与这些典型伪迹最相关的分量。然后，将无伪迹的数据划分为8s的数据时段。利用EEGLab的spectopo函数分析每个8s数据时段的功率谱。EEGLab的spectopo背后的主要函数是来自Matlab信号处理工具箱的pwelch函数。功率谱分析使用50%的重叠计算了3-45Hz之间的离散功率密度。然后在随后的分析中使用这些离散的功率密度。

脑电频段（五个主要范围）

1）0.5-4Hz的范围称为δ频段，主要与深度睡眠有关。

2）4-8Hz的范围被表示为θ波段，它被认为是昏昏欲睡和清醒之间的过渡。

3）8-13Hz的范围被表示为α，它在放松的意识中很突出，但随着注意力的集中或注意而减弱或消失。

4）13-30Hz的范围被表示为β波段，它与活跃的思考、注意力或解决具体问题有关。

5）30-45Hz的范围通常表示为γ，其幅度通常小于其他频段的幅度。

本研究采用θ频段的平均功率和α频段的平均功率来考察被试的心理状态。对于θ波段，较高的值表示相对较多的困倦，而对于α波段，较高的值表示相对较少的注意力。每个被试的平均功率被计算为他/她的数据时段的功率谱的平均值。然后将所有被试的数值取平均值来作为每个特定室内空气质量状况的数值。最后，采用相关样本Wilcoxon符号秩和检验对不同室内空气质量状况进行两两比较。

基于机器学习的脑电模式识别（线性判别分析(LDA)分类器和支持向量机(SVM)分类器）

LDA对每一类假设为多元正态分布。LDA分类器是通过利用已知类别的数据估计多元正态分布的参数来训练的。

SVM分类器只能处理两类。支持向量机通过寻找将一个类的数据点与另一个类的数据点分开的最佳超平面(决策平面)来对数据进行分类。

对于这两种分类器，特征的选择都遵循之前的文献。对于每个通道，在3-45Hz(42个频段)的范围内，每个1Hz频段的平均功率密度被用作特征。由于EPOC设备有14个通道，总共使用了588个特征进行初始筛选。本研究使用的是用户依赖型的分类器，即为每被试训练一个唯一的分类器。许多研究采用了这种方法，因为人与人之间的脑电数据差异往往很大。

对每个被试的分类器测试是：①随机选择一半的数据时段用于训练，另一半用于预测；②对于训练数据，用方差分析(ANOVA)进行特征选择，阈值p<0.05；③用训练数据训练分类器；④用训练好的分类器对预测数据进行分类。分类率被计算为正确预测的数据时段的百分比。

03 结果和讨论

（1）环境背景

用CO₂衰减法测量空气交换率(AERs)，然后根据AERS对室外空气供应率进行正常化。空气速度由空气速度计(TSI Inc.的Velocicalc空气速度计9545)测量。实验过程中用CO₂仪连续监测二氧化碳、空气温度和相对湿度(RH)，采样率为1/60s(间隔1min)。环境数据是在靠近被试的座位上测量的。如表1所示，监测到的新风供应量接近目标值，CO₂水平随着通风量的增加而降低。这两种CO₂水平在工作场所都是常见的。其他环境参数在两种通风条件下大体相同。

（2）主观问卷

如表2所示，低通风比高通风更偏爱于空气流动，差异显著。这可能是因为人们认为在低通风条件下空气更闷热和停滞。呼吸感觉值高于中性，表明两种通气状态均高于平均水平。尽管如此，与高通风条件相比，低通风条件仍然导致更差的呼吸感觉。对于眼睛感觉，这些值都在中性以上，低通风条件也会导致感觉变差。空气质量变差导致的SBS增加和低通风导致的CO₂水平升高与以往的研究大体一致。情绪和自我知觉表现均在中性以上，低通气状态再次导致知觉变差。这两项指标的p值均未达到p<0.05的水平，但仍低于0.1。总体而言，问卷调查结果表明，低通风条件比高通风条件会导致相对较差的主观感觉。

（3）计算机化任务

如表2所示，对于T1-T3任务，低通风条件比高通风条件会导致相对较差的性能。T1配对回忆任务(记忆)和T2跳跃任务(知觉)的p值均小于0.05。对于T3视觉追踪任务(知觉)，p值略高于0.05，但仍低于较宽松的阈值0.1。对于T4反应时任务(反应)，虽然p值没有达到显著水平，但从平均值来看，低通气条件导致了较差的成绩。对于T5词汇回忆任务(记忆)，两种条件的平均值非常接近，p值远高于阈值，两种条件没有显著差异。T4反应时任务无显著性可能是由于标准差较大所致，而T5单词记忆任务无显著性可能是由于该指标的不敏感性所致。总体而言，计算机化任务的总体趋势表明，低通风率可能会导致较差的任务绩效，这可能是由于较差的空气质量、较高的CO₂水平以及随之而来的较差的主观感觉造成的。

（4）脑电频段（图3）

在静息状态下，只有FC6和F8位置的θ条带在两种通气条件下有统计学差异。在任务条件下，只有P8位置的α波段在两种通气条件下有统计学差异。其他频道的频段没有显著差异，说明其他地区的频段对环境暴露不是很敏感。

低通气条件下的θ条带均高于高通风条件下的θ条带。这表明，低通风条件下的睡眠可能会导致相对较多的嗜睡。问卷第一部分评估了休息条件下的主观知觉，在低通气条件下，较高的θ活动也可能与相对更偏爱空气流动和更多的SBS有关。

低通气条件下α条带的值高于高通风条件下的α条带。这表明，低通风条件可能导致完成任务的注意力较低。问卷第二部分评估了完成计算机化任务的情绪和自我知觉表现，在低通风条件下知觉相对较差也可能与较高的α活动有关。

脑电频段结果表明室内空气质量可以影响脑电图测量的大脑活动。脑电图不仅可以解释和关联基于问卷和基于任务的方法的结果，而且可以为评价室内空气质量对乘员的影响提供一种更客观、更敏感的方法。

（5）基于机器学习的脑电识别模式

对于每个情况(例如，LDA分类器休息条件)，基于所有选择的特征计算每个参与者的分类率。然后逐个删除这些特征，并计算相关的分类率。最后，对于每个特征级别，对参与者的分类率进行平均。当特征数降至零时，采用50%的随机率。对于每种情况，受试者之间的标准偏差也被绘制到第二垂直轴上。（如图4所示）

1）LDA分类器可以在两个区间内对两种室内空气质量条件下的心理状态进行很好的分类。第一个区间是从所有选定的特征到大约140-170个特征，第二个区间是在大约50个特征附近。

2）支持向量机分类器，在休息和任务条件下的分类率再次最高(均在95%以上)。在休息和任务条件下，近70个特征的分类率都在90%左右。与LDA分类器不同，SVM分类器的递减模式是单调的。结果表明，支持向量机分类器可以很好地对从所有选定特征到大约70个特征的不同心理状态进行分类。对于支持向量机分类器，随着特征的减少，被试在休息和任务条件下的标准差再次单调增加。在LDA分类器存在鞍点的范围内，支持向量机分类器比LDA分类器具有更小的标准差。

04 结   论

（1）主观问卷

低通风导致更倾向于空气流动，呼吸感觉和眼睛感觉均在中性以上，说明这两种通气状态普遍被认为高于平均水平。尽管如此，对于这两个指标来说，低通风条件仍然会导致相对较差的感觉。

（2）脑电频段

对于EEG静息θ频段，低通气条件下FC6和F8位置的较高值表明低通气条件下可能导致相对更多的嗜睡。对于EEG任务α频段，低通气条件下P8部位的较高值表明低通气可能导致完成任务的注意力较低。

（3）计算机化任务

总体趋势表明，低通风条件可能会导致相对较差的任务绩效，低通气条件对配对回忆任务(记忆)和频闪任务(知觉)有负向影响。低通气条件对视觉追踪任务(知觉)也有负面影响，但阈值较低(p<0.1)。反应时任务和单词记忆任务没有达到显著性水平，可能是由于指标的标准差较大或不敏感所致。

（4）基于机器学习的脑电模式识别

全套选择的特征对休息和任务条件都有最高的分类率，分类正确率都在95%以上。LDA分类器和支持向量机分类器的累积特征约简模式不同。LDA分类器存在鞍点，而SVM分类器单调下降。在约140-170个特征时，LDA的分类率低于90%，而在约70个特征时，SVM的分类率低于90%。

05 展   望

这项研究集中在基于个体的分类器上，因为不包括人与人之间的差异所以可能会导致相对较高的分类率。未来可以构建用户独立的分类器，样本量要大得多，以调整人与人之间的差异，如性别、年龄和性格，并将绩效评估从基于实验室的诊断任务扩展到现实生活中的办公室任务。

  总的来说，脑电指标和基于机器学习的方法在增强人与建筑的交互性方面具有很大的潜力。

SPRING

END

扫码关注我们

勤勤恳恳，善始善终

持之以恒，专心致志