本研究EEG-based investigation of the impact of room size and window placement on cognitive performance發(fā)表于2022年的Journal of Building Engineering（IF:6.4）。來(lái)自康奈爾大學(xué)的Jesus G. Cruz-Garza 、Michael Darfler、Elita Gao 為共同第一作者，Saleh Kalantari為通訊作者。
摘要
本研究設(shè)計(jì)了四種不同窗口位置和房間尺寸（無(wú)窗、單窗、雙窗、加寬）的虛擬教室，讓參與者在每種設(shè)計(jì)條件下進(jìn)行五項(xiàng)認(rèn)知測(cè)試：Stroop測(cè)試、數(shù)字廣度測(cè)試、本頓測(cè)試、視覺記憶測(cè)試和算術(shù)測(cè)試，并在參與者完成五項(xiàng)測(cè)試時(shí)記錄參與者的腦電信號(hào)。分析對(duì)比不同教室設(shè)計(jì)條件下的認(rèn)知測(cè)試成績(jī)和腦電信號(hào)得出結(jié)論。
行為數(shù)據(jù)的結(jié)果顯示，在不同的教室設(shè)計(jì)條件下認(rèn)知測(cè)試的結(jié)果沒有顯著差異。腦電的結(jié)果顯示，不同的課堂設(shè)計(jì)條件(a.無(wú)窗vs一窗，b.無(wú)窗vs雙窗，c.無(wú)窗vs加寬)影響腦電圖的特征。分類模型具有預(yù)測(cè)能力，能夠識(shí)別參與者所處的設(shè)計(jì)條件。當(dāng)參與者進(jìn)行視覺記憶測(cè)試（VMT）時(shí)，分類器可以成功地識(shí)別與中性條件教室相比的三種設(shè)計(jì)條件(p<0.003)。最具鑒別力的腦電圖特征主要是在θ（4-8Hz）和α（8-12Hz）頻帶的雙側(cè)枕葉、頂葉和額葉區(qū)域觀察到的頻帶功率特征。連接特征強(qiáng)化了這些發(fā)現(xiàn)，表明在不同的課堂條件下，信息從頂葉中央電極到額葉電極的傳遞發(fā)生了變化
本研究的證據(jù)表明，認(rèn)知任務(wù)中的大腦活動(dòng)特征受到虛擬教室中窗戶位置和房間尺寸等設(shè)計(jì)元素的影響。這種基于腦電圖的評(píng)估方法可以運(yùn)用于建筑設(shè)計(jì)中。
研究背景
認(rèn)知表現(xiàn)是指執(zhí)行認(rèn)知任務(wù)的流暢性、效率和準(zhǔn)確性。較高的認(rèn)知表現(xiàn)往往具有較強(qiáng)的推理、解決問題和決策能力，并與更強(qiáng)的信息回憶能力相關(guān)。以往的研究發(fā)現(xiàn)，一些環(huán)境質(zhì)量因素（例如過(guò)熱的環(huán)境和糟糕的空氣質(zhì)量）可能會(huì)通過(guò)一系列相互關(guān)聯(lián)的的生理途徑和心理干擾影響認(rèn)知表現(xiàn)，造成認(rèn)知功能的下降。但是，對(duì)于特定的建筑特征（比如房間大小、窗戶位置或家具布局）如何影響或改善認(rèn)知表現(xiàn)的方式缺乏實(shí)證。
相比于2D圖像，虛擬現(xiàn)實(shí)（VR）能夠提供動(dòng)態(tài)、沉浸式的體驗(yàn)和更豐富的現(xiàn)實(shí)感，在實(shí)驗(yàn)中也更能準(zhǔn)確反映人們?cè)隗w驗(yàn)沉浸式三維環(huán)境時(shí)的大腦活動(dòng)。同時(shí)，虛擬現(xiàn)實(shí)的使用讓研究人員可以精確地調(diào)整建筑變化，而這在真實(shí)環(huán)境中是很難實(shí)現(xiàn)的的。
基于此，本研究假設(shè)將VR與腦電進(jìn)行結(jié)合能更準(zhǔn)確地反映出建筑設(shè)計(jì)對(duì)認(rèn)知的影響。
研究方法
1.參與者：
本研究一共招募23名參與者，其中有8名女性，15名男性(M = 26.17, SD = 10.4)。所有參與者都來(lái)自休斯頓大學(xué)，分別代表工程、生物科學(xué)、設(shè)計(jì)、人文、經(jīng)濟(jì)和計(jì)算機(jī)科學(xué)等院系。參與者具有不同的國(guó)家和種族背景。所有參與者的視力或矯正視力均正常，且所有參與者疲勞程度都比較低。
2.VR設(shè)備及使用：
使用Epic Games的虛擬引擎，設(shè)備采用1920 × 1080像素(每只眼睛960 × 1080像素)的低持久化OLED顯示屏，刷新率75hz。參與者通過(guò)使用Xbox手持控制器與虛擬環(huán)境進(jìn)行交互，使用一個(gè)小操縱桿在多個(gè)答案之間切換，并按下按鈕進(jìn)行回答。在實(shí)驗(yàn)過(guò)程中，參與者可以轉(zhuǎn)動(dòng)頭部來(lái)觀察虛擬教室的3D空間，但不能改變他們?cè)谔摂M教室中的位置。具體設(shè)計(jì)如圖1所示。
圖1 參與者佩戴腦電帽和VR設(shè)備
3.教室設(shè)計(jì)：
教室一共有四種設(shè)計(jì)方式。第一種設(shè)計(jì)是構(gòu)建了一個(gè)沒有窗戶的真實(shí)大學(xué)教室的虛擬現(xiàn)實(shí)渲染圖，即“中性”條件；第二種設(shè)計(jì)在房間左邊的墻上增加一扇窗戶，可以看到部分晴朗的天空和樹梢，即“單窗”條件；第三種設(shè)計(jì)是在教室的房頂上面增加兩扇窗戶，但是沒有側(cè)窗，即“雙窗”條件；第四種設(shè)計(jì)是將房間的寬度由15英尺增加到22英尺，即“加寬”條件。
本研究的照明條件在所有情況下都保持一致，且參與者的位置也保持不變。在所有的條件下，參與者都坐在一張長(zhǎng)桌子的末端，顯示任務(wù)問題的投影儀屏幕在長(zhǎng)桌子的另一端。房間只有一扇門，位于參與者身后。攝像機(jī)的位置固定，放置在距地面大約0.44厘米的地方，與典型的坐姿眼高相對(duì)應(yīng)（圖2）。
圖2 房間設(shè)計(jì)和認(rèn)知測(cè)試呈現(xiàn)
4.認(rèn)知測(cè)試：
在四種教室設(shè)計(jì)條件下，參與者分別進(jìn)行五次認(rèn)知測(cè)試(如圖3)：數(shù)字廣度測(cè)試(DST)，Benton測(cè)試(BT)，Stroop測(cè)試(ST)，以及算術(shù)測(cè)試(AT)和視覺記憶測(cè)試(VMT)。
DST用于評(píng)估工作記憶、注意力、信息編碼和聽覺信息處理能力。參與者聽一段隨機(jī)數(shù)字的語(yǔ)音序列，然后在屏幕上選擇正確的數(shù)字來(lái)還原這一序列。本測(cè)試沒有時(shí)間限制，通過(guò)計(jì)算正確數(shù)字的總數(shù)來(lái)統(tǒng)計(jì)得分。
BT是視覺知覺、視覺記憶和視覺辨別能力的衡量指標(biāo)。屏幕上呈現(xiàn)一個(gè)復(fù)雜的幾何視覺刺激，持續(xù)3秒，然后呈現(xiàn)一組選項(xiàng)讓參與者選出與之前出現(xiàn)的刺激相同的答案。本測(cè)試沒有時(shí)間限制，根據(jù)參與者選擇正確的次數(shù)評(píng)分。
ST要求參與者快速識(shí)別顯示在屏幕上文本一致（綠色字體呈現(xiàn)“green”）或不一致(綠色字體呈現(xiàn)“red”)的單詞的字體顏色。本測(cè)試對(duì)正確和錯(cuò)誤答案給予視覺和聽覺反饋，并評(píng)估參與者的正確率。
AT要求參與者判斷兩個(gè)簡(jiǎn)單的算術(shù)表達(dá)式中哪個(gè)表達(dá)式的結(jié)果數(shù)值更大，或者數(shù)值是否相等。本測(cè)試提供了正確和錯(cuò)誤答案的視覺反饋，根據(jù)參與者正確回答的次數(shù)評(píng)分。
VMT向參與者呈現(xiàn)一個(gè)由明暗方格組成的網(wǎng)格，持續(xù)2秒，要求參與者在空白網(wǎng)格上重現(xiàn)之前的明暗方格分布狀況。該測(cè)試沒有時(shí)間限制，并提供正確和錯(cuò)誤答案的音頻和視覺反饋。根據(jù)正確方格的總數(shù)進(jìn)行評(píng)分。
圖3 五項(xiàng)認(rèn)知測(cè)試
5.EEG信號(hào)采集
EEG信號(hào)采用63導(dǎo)的actiCHamp plus進(jìn)行采集，其中有57個(gè)電極用于頭皮EEG記錄(圖1)，并采用Recorder軟件進(jìn)行電生理信號(hào)的記錄。以上設(shè)備和軟件均由德國(guó)Brain Products公司生產(chǎn)，國(guó)內(nèi)由深圳瀚翔腦科學(xué)技術(shù)股份有限公司總代理。
6.實(shí)驗(yàn)程序
在研究開始之前，向每位參與者介紹研究目標(biāo)，并讓他們完成一份人口統(tǒng)計(jì)學(xué)問卷。然后，參與者戴上腦電帽和VR眼鏡并在非測(cè)試環(huán)境中熟悉設(shè)備。在正式實(shí)驗(yàn)開始時(shí)，要求參與者睜眼注視墻上的一個(gè)點(diǎn)1分鐘，然后閉眼休息1分鐘，以此來(lái)獲取基線腦電圖讀數(shù)。接下來(lái)，參與者有10分鐘的時(shí)間熟悉將要進(jìn)行的認(rèn)知測(cè)試，并熟悉提交答案的方式。隨后，參與者在每個(gè)不同的虛擬教室環(huán)境中完成五項(xiàng)認(rèn)知測(cè)試。
認(rèn)知測(cè)試分兩個(gè)階段進(jìn)行，中間休息1分鐘。在第一階段，參與者在四種不同的教室中分別完成DST和BT任務(wù)。在第二階段，參與者在不同的教室中完成Stroop測(cè)驗(yàn)、AT和VMT三個(gè)認(rèn)知任務(wù)。在第一階段和第二階段，進(jìn)行測(cè)驗(yàn)的順序都是固定的，但房間出現(xiàn)的順序是隨機(jī)的。在不同的房間出現(xiàn)之后，參與者通過(guò)填寫一個(gè)里克特10分量表對(duì)他們自己的精神疲勞狀況和壓力水平進(jìn)行評(píng)價(jià)(1 =“完全沒有”，10 =“非常”)。
圖4 實(shí)驗(yàn)的時(shí)間線
EEG數(shù)據(jù)采用EEGLAB進(jìn)行分析。設(shè)置500hz的原始采樣率和0.5-50Hz的帶寬。
8.不同設(shè)計(jì)間的腦電特征分析
對(duì)四種設(shè)計(jì)條件下的五種認(rèn)知測(cè)試中的每一種測(cè)試前25秒內(nèi)的預(yù)處理數(shù)據(jù)集進(jìn)行腦電圖特征分析，一共分析了20個(gè)數(shù)據(jù)集。使用5個(gè)典型EEG頻段頻帶功率和基于傳感器的連接EEG特征的訓(xùn)練分類器，以區(qū)分中性條件教室和其他類型的教室。據(jù)此，進(jìn)行中性條件和其余3種設(shè)計(jì)條件的兩兩比較:(a)中性條件vs單窗口，(b)中性條件vs雙窗口，(c)中性條件vs加寬。分別對(duì)五種認(rèn)知測(cè)試進(jìn)行這三種比較，并選擇機(jī)器學(xué)習(xí)的分類方法來(lái)研究不同教室環(huán)境如何影響認(rèn)知表現(xiàn)。
（1）EEG特征的提?。涸趥鞲衅鲗用嫣崛×藘煞N類型的腦電特征:一個(gè)是不同頻段的功率，另一個(gè)是不同電極的部分直接相關(guān)性（PDC）。使用Matlab中的函數(shù)(pmtm)計(jì)算57個(gè)電極在5個(gè)典型EEG頻段的功率特征:δ(1-4Hz)、θ(4-8Hz)、α(8-12Hz)、β(12-30 Hz)和γ (30-40 Hz)。使用PDC測(cè)量?jī)蓚€(gè)EEG信號(hào)之間的因果關(guān)系，從而確定信息是否從一個(gè)電極傳遞到另一個(gè)電極。采用模型階數(shù)為15(30 ms)的多變量自回歸模型(MVAR)估計(jì)分布在頭皮上的28個(gè)電極的PDC，并對(duì)5個(gè)頻段的所有電極對(duì)的PDC估計(jì)值進(jìn)行雙向評(píng)估。
（2）EEG特征的選擇：采用非參數(shù)Kruskal-Wallis檢驗(yàn)評(píng)估各腦電特征的判別能力。所有參與者的特征根據(jù)Kuskal-Wallis檢驗(yàn)獲得的p值進(jìn)行排序。將p值小于2.4 x 10?6的特征(對(duì)p<0.01的4205個(gè)特征進(jìn)行Bonferroni校正)進(jìn)行分析。
（3）機(jī)器學(xué)習(xí)的分類方法：使用機(jī)器學(xué)習(xí)分類器核支持向量機(jī)(k-SVM)，評(píng)估20個(gè)類別(在四種不同的課堂設(shè)計(jì)中進(jìn)行五項(xiàng)認(rèn)知測(cè)試)是否能夠在中性條件和其余3種設(shè)計(jì)條件的兩兩比較中有效區(qū)分參與者的大腦活動(dòng)。在每一個(gè)兩兩比較中，對(duì)EEG數(shù)據(jù)中最具判別性的特征進(jìn)行排序，然后依次添加到分類模型中并測(cè)試預(yù)測(cè)性能。對(duì)腦電圖進(jìn)行機(jī)器學(xué)習(xí)分析能夠確定每個(gè)教室設(shè)計(jì)的改變是否對(duì)神經(jīng)相關(guān)因素有顯著影響。
（4）訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集：進(jìn)行機(jī)器學(xué)習(xí)程序，測(cè)試識(shí)別EEG特征的能力，有一個(gè)參與者被排除出訓(xùn)練集。其余參與者(n=22)的數(shù)據(jù)作為訓(xùn)練集創(chuàng)建k-SVM分類模型，采用5折交叉驗(yàn)證。該過(guò)程重復(fù)23次，依次從訓(xùn)練集中排除每個(gè)參與者，然后根據(jù)模型預(yù)測(cè)被排除個(gè)體數(shù)據(jù)的能力評(píng)估模型。在每次迭代中，訓(xùn)練集每類包含22名參與者的880個(gè)樣本，測(cè)試集每類包含1名參與者的40個(gè)樣本。
（5）分類模型評(píng)價(jià)：以測(cè)試集分類準(zhǔn)確率的分布作為主要指標(biāo)來(lái)評(píng)價(jià)機(jī)器學(xué)習(xí)分類性能。在每次比較檢驗(yàn)中，將分類準(zhǔn)確率的分布與混淆類別標(biāo)簽的EEG數(shù)據(jù)中獲得的分類模型和測(cè)試數(shù)據(jù)進(jìn)行比較。采用Kruskal-Wallis檢驗(yàn)，在顯著性閾值p < 0.003和p <0.006的情況下評(píng)價(jià)測(cè)試集分類準(zhǔn)確率與混淆數(shù)據(jù)分類準(zhǔn)確率之間的統(tǒng)計(jì)學(xué)差異，并應(yīng)用Bonferroni校正進(jìn)行多重比較。對(duì)排序后的腦電特征逐級(jí)遞增地建立分類模型，并使用排名前400的最佳特征對(duì)模型進(jìn)行測(cè)試，評(píng)估分類準(zhǔn)確率。
研究結(jié)果
1.行為數(shù)據(jù)結(jié)果：
不同的課堂條件下參與者的測(cè)試反應(yīng)準(zhǔn)確率、回答次數(shù)、完成時(shí)間和效率分?jǐn)?shù)的倒數(shù)不存在顯著差異(圖5)。
圖5 不同教室設(shè)計(jì)條件下的認(rèn)知測(cè)試表現(xiàn)
2.EEG數(shù)據(jù)結(jié)果：
如圖6，結(jié)果表明，不同的教室設(shè)計(jì)條件與參與者的腦電圖數(shù)據(jù)存在一致的變化，而分類模型具有預(yù)測(cè)能力，能夠識(shí)別參與者所處的設(shè)計(jì)條件。當(dāng)參與者進(jìn)行視覺記憶測(cè)試（VMT）時(shí)，分類器可以成功地識(shí)別與中性條件教室相比的三種設(shè)計(jì)條件(p<0.003)。
圖6 腦電分類準(zhǔn)確率
如圖7，在中性條件和單窗、雙窗、加寬3種設(shè)計(jì)條件的兩兩比較下，頻帶功率特征的分布在中央頂葉和額葉區(qū)域的差異具有統(tǒng)計(jì)學(xué)意義。
在中性條件與單窗口條件的比較中，中央頂葉和額葉區(qū)域的α和β頻段功率增加。而在“中性條件”vs“雙窗”，“中性條件”vs“加寬”的條件中，都顯示出α和β功率的降低。此外，連接分析進(jìn)一步表明，信息從中央頂葉到額葉電極的傳遞存在變化，這些變化主要出現(xiàn)在θ和α頻段。
圖7 腦電各個(gè)頻段的特征分布
結(jié)論及討論
本研究將VR與腦電圖進(jìn)行結(jié)合，讓參與者在VR創(chuàng)設(shè)的不同環(huán)境中完成認(rèn)知測(cè)試，同時(shí)記錄腦電數(shù)據(jù)。
行為測(cè)試的結(jié)果表明，在不同的教室設(shè)計(jì)條件（單窗、雙窗、加寬）下認(rèn)知測(cè)試的結(jié)果沒有顯著差異。在虛擬教室環(huán)境中，教室設(shè)計(jì)的變化并沒有改善參與者在認(rèn)知測(cè)試上的表現(xiàn)。這可能是由于參與者在實(shí)驗(yàn)前有大量的時(shí)間練習(xí)測(cè)試任務(wù)，導(dǎo)致天花板效應(yīng)的出現(xiàn)。
空間的設(shè)計(jì)影響腦電圖的特征，但是只有在需要短期記憶編碼的認(rèn)知任務(wù)（數(shù)字廣度測(cè)試、Benton測(cè)試和視覺記憶測(cè)試）中，不同的教室設(shè)計(jì)才會(huì)誘發(fā)神經(jīng)活動(dòng)的改變。根據(jù)編碼特異性假說(shuō)，可能是因?yàn)闇y(cè)試任務(wù)相關(guān)的信息存儲(chǔ)增強(qiáng)了對(duì)不同教室設(shè)計(jì)的心理表征，如果周圍環(huán)境的心理表征更強(qiáng)，分類器就更能有效地區(qū)分在這些不同環(huán)境中進(jìn)行的短時(shí)記憶任務(wù)中的心理活動(dòng)。
使用腦電圖來(lái)評(píng)估建筑設(shè)計(jì)元素對(duì)用戶的影響，可以幫助設(shè)計(jì)師更深入地了解用戶對(duì)設(shè)計(jì)的反應(yīng)，從而指導(dǎo)設(shè)計(jì)決策。未來(lái)可以將這種方法應(yīng)用于實(shí)際建設(shè)之前環(huán)境設(shè)計(jì)決策的評(píng)估，通過(guò)收集預(yù)期用戶群體的生理和意識(shí)反應(yīng)，設(shè)計(jì)者將更早地了解設(shè)計(jì)決策可能對(duì)用戶產(chǎn)生的生理和認(rèn)知影響，為用戶創(chuàng)造更智能、個(gè)性化和符合認(rèn)知科學(xué)的產(chǎn)品和體驗(yàn)。
打電話
微信
QQ
產(chǎn)品中心
