这是神经工程管理第32篇推送
内容来源：张梦杰
编 辑：张晓洁
校 对：郭晓彤
审 核：侯彩霞
更多内容请关注我们的公众号：神经工程管理
仅用于学术交流，原文版权归原作者和原发刊所有
本文是针对《基于神经信号EEG方法的不同室内温度下人与建筑的相互作用》（Human-building interaction under various indoor temperatures through neural-signal electroencephalogram (EEG) methods）的一篇论文解析，该论文于2017年发表于《Building and Environment》，作者为Xin Shan, En-Hua Yang, Jin Zhou, Victor W.-C. Chang。
01思维导图
02摘要
在这项研究中，探索了基于神经信号脑电图方法在各种室内温度下增强人与建筑物相互作用的潜力，并对EEG和主观感知/任务绩效之间的相关性进行了实验，最后研究了基于机器学习的脑电模式识别。结果表明，脑电图的额叶不对称活动与主观问卷和客观任务表现密切相关，可以作为一个更客观的指标来印证传统的主观问卷法和任务法。利用线性判别分析分类器（LDA）开发的基于机器学习的脑电模式识别方法可以很好地对不同热条件下被试的不同心理状态进行分类。EEG额叶不对称活动和基于机器学习的EEG模式识别方法作为住户的反馈机制可在常规基础上实施，在更客观、更全面地增强人与建筑的交互方面具有很大潜力。
03研究背景
人与建筑之间的交互是建筑师和工程师研究的新兴课题，他们把数字信息元素纳入到环境的创建中，以应对未来居住环境的动态挑战，并在我们周围的世界中嵌入无处不在的计算技术。
改善人与建筑的相互作用符合可持续建筑环境的更广泛定义，该定义越来越重视人，并强调了生物学、社会学和物理科学以及工程学等学科之间的合作。
尽管室内热环境对居住者影响的研究非常广泛，但研究居住者对建筑的反馈机制却相当有限。
04研究设计
本研究的最终目的是利用脑电方法刻画居住者的反馈机制，更客观、更全面，能够实现日常实施，以改善人与建筑的互动（图1）。
图1基于脑电方法搭建居住者反馈机制以改善人与建筑的相互作用
05实验思路设计
实验建立了不同室内温度下脑电与主观问卷调查结果和客观任务结果的相关性。探讨了基于机器学习的脑电模式识别技术，可作为潜在的人与建筑交互反馈机制。
06实验方法
实验在新加坡南洋理工大学的一间典型办公室里进行（4.7m*3.1m*2.6m），房间装有空调、机械通风（ACMV)系统、加热器（调节温度）；辐射温度很小，也没有辐射不对称；工作温度应等于空气温度。
07实验程序
图2每个时间段的过程
08 数据收集
1.问卷
本研究中的问卷采用7分制，对室内环境的不同方面(如热环境和一般环境)、病态建筑综合症、情绪和自我感知表现进行评分，问卷I旨在调查热舒适性、室内环境感知、病态建筑综合症（SBS）；问卷II旨在调查情绪和自我感知的表现。
2.体温测量
用非接触式体温计测量额头温度和手指温度，每次实验测两次。
3.计算机化任务
计算机化任务旨在评估绩效，并采取措施减少学习效果。任务代表类型：
① 短期记忆
配对回忆：要求被试每次记住两组字符对，然后回忆每对中缺失的字符。
单词回忆：要求被试每次记住两组单词，然后进行回忆。
② 感知力
视觉追踪：被试视觉追踪每条曲线并正确标记。
4.基于Emotiv EPOC的数据收集
图3 Emotiv EPOC: (a) 装备; (b) 通道位置
Emotiv EPOC可测量14个EEG数据通道(EPOC+, Emotiv Inc. USA)。电极位于AF3、F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8、AF4，形成7组对称通道。两个额外的电极(CMS/DRL)作为参考。
EPOC内部采样频率为2048Hz，然后向下采样到每通道128Hz。通过蓝牙将数据发送到计算机，将所有数据加载到Matlab中进一步处理。
5.基于EEGLAB的数据预处理
利用EEGLAB工具箱(版本13.4.4b)对脑电数据进行预处理，Emotiv EPOC耳机内部的电噪声（50/60 Hz）已被消除。伪迹剔除方法如下：利用3Hz高通消除直流(DC)偏移和低频皮肤电位伪迹，45 Hz低通消除高频噪声。然后通过滚动数据在视觉上剔除非定型化的伪迹，例如大的运动噪音。最后利用EEGLAB内置的独立成分分析（ICA）算法消除了眨眼和肌肉活动等其余伪迹，该算法将EEG信号分解为最大独立成分，然后移除了伪迹成分。
6.EEG额叶不对称活动
不对称脑活动用于建立EEG和问卷调查结果以及客观任务结果之间的相关性。以往研究结果表明：大脑的左半球与积极/接近情绪更相关，而大脑的右半球与消极/退缩情绪更相关。脑活动可以通过不同频率范围的功率密度来量化，有五种主要脑电波：
表1 五种不同频率范围的主要脑电波
额叶活动被量化为β范围的平均功率减去α范围的平均功率，值越高表示越活跃。平均功率为每个时期的功率谱均值。前额不对称值为F3(左)减去F4(右)，不对称值越高，表示情绪越积极。最后，将所有受试者的不对称得分取平均值，得出每个特定温度条件下的最终得分。
7.基于机器学习的脑电模式识别
机器学习的本质思想是用已知的数据训练一个分类器，然后将使用该分类器根据某些规则对未知数据进行分类（例如，预测未知数据所属类别）。在这项研究中，这些类别是在各种室内温度下的不同心理状态，目的是对这些不同的心理状态进行正确的分类。
本文利用Matlab统计工具箱中的线性判别分析分类器（LDA）搭建基于机器学习的脑电模式识别方法。为了对未知数据进行分类，训练后的LDA分类器利用如下公式寻求最小化期望分类。
其中
是预测的类别；K是类别的编号；
是观察x的k类后验概率；
为当一个观测值的真类别为k时，将其分类为y的误分类成本。在这项研究中，使用了成本函数的默认值，如果y〜= k，则
，如果y = k，则
。换句话说，错误分类的成本为1，正确分类的成本为0。
在当前的工作中，特征的选择，即LDA中的多变量，遵循了之前EEG情绪识别或精神警觉识别方面的研究。Emotiv EPOC具有14个通道，在此研究中考虑了每个通道的42个频率范围（3-45 Hz范围内）。因此，可用的特征总数为588。
在这项研究中使用了基于个人的用户相关分类器，即每个受试者都有自己独特的分类器。分类过程如下:对于每个人类受试者，a)随机选取一半的数据训练分类器，保留另一半数据进行预测;b)对于训练数据，使用方差分析(ANOVA)选择显著性水平p < 0.05阈值的用户相关特征，即至少一个热条件对于要选择的特征有显着差异;c)利用具有用户相关特征的训练数据训练LDA分类器;d)最后使用训练好的LDA分类器对预测数据进行分类，分类率计算为正确预测数据的百分比。由于有三种热条件，分类率需要高于1/3。
09 结果
1 环境
实验过程中，温度、相对湿度(RH)和风速由风速仪(Velocicalc air velocity meter 9545, TSI Inc.)连续监测，CO2通过CO2仪表(model CM-0018, CO2 Meter, Inc. USA)连续监测。所有环境数据都是在被试座位周围收集的，采样率为1/60s-1，即1分钟间隔。由上表可以看出，监测的温度总体上接近目标值。
2 问卷
对于热感觉，23℃为轻微凉爽感，26℃为中立感觉，29℃为轻微热感觉，成对的p值均显著。
对于热可接受性，所有值都高于中立，这表明这三种热条件通常被认为是可接受的。在中性和温暖条件之间，中性条件被认为比温暖条件更可接受，并且差异显著。在中性和凉爽状态之间，虽然差异没有达到显著水平，但中性状态仍然比冷状态具有更高的值，这表明中性状态比冷状态稍微更可接受。p值不显著可能归因于较大的标准偏差。在凉爽和温暖的条件下，凉爽条件同样具有较高值，尽管由于相同的原因，p值可能不显著。
对于呼吸感觉，所有值均高于中性，这表明通常认为三种情况都良好。凉爽的环境带来最佳的感觉，中性的环境处于中间，温暖的状态最差。所有成对的p值均显著。
对于空气质量感知，其趋势类似于呼吸感知，但在温暖条件下的空气质量感知值低于中性，这表明对空气质量感知指标而言，温暖条件被认为是稍微不可接受的。
一般环境感知值均在中立以上。凉爽态和中性状态的满意度基本一致，说明两种情况的总体满意度基本一致。温暖条件的值低于其他两个条件，这表明温暖条件对该指标的满意度相对较低。冷-暖和中性-暖的两两差异均显著。
在情绪和自我知觉表现方面，趋势与一般环境知觉非常相似，这表明被试的情绪和自我感知表现与他们对一般环境的感知关系最为密切。
3 计算机化的任务
在凉爽和温暖的条件下，三项任务没有显著差异。在中性和低温条件下，中性条件比低温条件下的两项任务表现更好，差异显著。在中性和温暖条件下，中性条件导致两项任务比温暖条件下有更好的表现，并且差异显著。在凉爽和温暖的条件下，这三项任务没有显著差异。在中性和凉爽条件下，中性条件导致两项任务的表现都比凉爽条件更好，并且差异显著。在中性和温暖条件下，中性条件再次导致两项任务的表现比温暖条件更好，并且差异显著。
4 体温
人体温度与热感紧密相关,即较低的体温导致较低的热感，反之亦然。最可靠的度量标准是额头温度,因为所有成对的p值均很显著,主要原因可能是前额温度比手指温度更稳定,因为被试可能具有不同的姿势，因此手指温度具有较大的标准偏差，这可以从结果中看出。在最后进行测量也比在适应期后立即进行测量更可靠，因为一些p值在40分钟末进行的测量没有达到显著水平。
5 EEG额叶不对称活动
在任务中，脑额叶不对称活动与休息中相似。问卷2是对计算机化任务后立即进行的情绪和自我感知表现的评估，可以看出，任务脑电图额叶不对称活动与这两个指标的相关性较小，因为这两个指标在凉爽和中性条件下没有显示出显著差异。相反，任务脑电图的额叶不对称活动与计算机化任务的实际表现更紧密相关，因为在任务条件下的不对称分数和计算机化任务的表现均表明中性条件导致最佳状态，而其他两个热条件相似，并导致相对较差的状态。这进一步表明，自我感知的表现不一定与实际表现有关。
图4脑电图的额叶不对称活动：在F3位置以-5到5的比例绘制不对称分数
6 基于机器学习的脑电模式识别
对于每个被试，首先计算全套特征的分类率，然后将全套特征逐个缩小，并计算相应的分类率。最后，将被试的分类率平均，得出图5曲线。标准偏差条表示被试之间的离散度。
图5 基于机器学习的EEG模式识别。对于被试的平均全套特征：
a）休息：平均值为494，平均分类率为98%；
b)任务:平均值为489，平均分类率为99%。
结果表明，LDA分类器可以很好地在两个特征范围内对休息和任务条件下的三种热状态下的不同心理状态进行分类。第一个范围是从完整特征到大约200个特征，第二个范围是大约50-80个特征。第一特征的分类率高于第二特征的分类率。尽管如此，对于LDA分类器，更多的特征并不一定保证更高的分类率，因为这两个范围之间存在一个低点。
10结论
三个温度水平导致了三种不同的热感觉，它们也与前额温度密切相关。在热可接受度指标中，中性条件被认为是最可接受的。对呼吸感觉和感知空气质量而言，凉爽状态最佳，中性状态居中，温暖状态最差。在一般环境感知、情绪和自我感知表现方面，冷环境和中性环境相似，而温暖环境相对不太令人满意。
在计算机化任务中，相较于其他两种热条件，中性条件的表现最好。寒冷和温暖的环境任务表现相似。
对于额叶不对称活动，休息条件和任务条件的趋势相似:中性热条件比其他两种热条件产生更多积极/接近情绪，而其他两种热条件相似。脑电图休息额叶不对称活动与主观问卷中的热可接受度指标关系更大,也与计算机化任务的表现密切相关。
对于基于机器学习的脑电模式识别，无论是在休息状态还是在任务状态下，全组用户依赖特征率都是最好的(95%以上)。LDA分类器可以很好地将休息和任务条件下三种热状态下的不同心理状态在两个特征范围内进行分类。
11 展望
未来的研究应建立一个更普遍的用户独立的分类器，更多的被试也可能揭示其他有用的发现，还可以探索其他更复杂的任务和较低的温度范围。
12引用
Shan X, Yang E-H, Zhou J, Chang VW-C. Human-building interaction under various indoor temperatures through neural-signal electroencephalogram (EEG) methods[J]. Building and Environment, 2018, 129: 46-53.