基于腦電記錄分析系統(tǒng)的收縮城市建成環(huán)境對(duì)環(huán)境感知的影響機(jī)制
——以伊春為例

馬爽，穆特，王玨，馬玉鴿，李雙金

0 引言

“十四五”規(guī)劃后，隨著城市化進(jìn)程進(jìn)一步加快，常駐人口城鎮(zhèn)化率在2025 年將達(dá)到65%[1]，人口將進(jìn)一步向城市群、都市圈集中，在總?cè)丝诓蛔兊那闆r下，這意味著部分城市的人口將會(huì)持續(xù)收縮和轉(zhuǎn)移。中國(guó)人口收縮10 萬以上的城市有107 個(gè)，占總城市百分比的29.89%[2]，城市收縮往往伴隨著社區(qū)的衰敗、城市活力的喪失[3-4]，而這些因素又與居民的身心健康有密切的聯(lián)系，衰敗的社區(qū)往往與抑郁[5-6]有著顯著的關(guān)聯(lián)。因此，識(shí)別并探究收縮城市的環(huán)境感知改善路徑對(duì)提高當(dāng)?shù)鼐用裥腋８小⒁种迫丝谕饬骶哂蟹e極作用。同時(shí)，建成環(huán)境與居民健康、情感方面的關(guān)聯(lián)也意味著可以通過測(cè)量居民對(duì)環(huán)境的感知來評(píng)價(jià)建成環(huán)境的質(zhì)量。

目前，測(cè)量環(huán)境感知的方法主要分為3 類：一類以問卷調(diào)查和實(shí)地調(diào)研為主，通過各類統(tǒng)計(jì)方法歸納居民環(huán)境感知[7-9]，這種方法的優(yōu)點(diǎn)是結(jié)果直接明了，能從多個(gè)維度反映人群的感知特征；第二類是利用微博或其他社交平臺(tái)的大數(shù)據(jù)，分析不同地區(qū)人群的情緒表達(dá)[10-12]，這種方法涉及的數(shù)據(jù)量龐大，研究尺度廣，突破了傳統(tǒng)調(diào)查與統(tǒng)計(jì)方法的局限性，是大規(guī)模測(cè)度的典型手段；第三類是借助腦電、眼動(dòng)儀等人因工程手段，直接測(cè)量被試在環(huán)境中產(chǎn)生的反應(yīng)，探究其感知機(jī)制和感知狀態(tài)[13-15]，可以敏銳地捕捉被試對(duì)視覺、聽覺或其他感官刺激的反應(yīng)，測(cè)量精度高。腦電是一種成熟的人因技術(shù)，不僅在醫(yī)學(xué)領(lǐng)域有廣泛的應(yīng)用，也能在建筑、規(guī)劃、環(huán)境等領(lǐng)域反映被試的情緒和環(huán)境感知[16]，為設(shè)計(jì)或規(guī)劃決策提供指導(dǎo)意義。Li 等人[14]利用腦電測(cè)量被試對(duì)于地下空間環(huán)境的感知情況，發(fā)現(xiàn)βH/βL與認(rèn)知表現(xiàn)之間具有統(tǒng)計(jì)學(xué)上的相關(guān)性。Zeng 等人[17]利用腦電判斷被試處于不同綠色空間和聲音環(huán)境下的情緒變化情況。Cho 等人[18]利用腦電評(píng)估了被試觀察不同地點(diǎn)實(shí)景時(shí)的情緒效價(jià)水平，發(fā)現(xiàn)被試情緒效價(jià)水平與測(cè)試地點(diǎn)的設(shè)計(jì)水平呈正相關(guān)。然而已有研究較少將時(shí)間維度即城市環(huán)境感知隨時(shí)間的變化納入考慮，且探究相關(guān)關(guān)系方面鮮有考慮模型內(nèi)生性問題。

1 研究范圍

2 2015問卷得分配對(duì)2015mean_α直方圖

3 2016問卷得分配對(duì)2016mean_α直方圖

4 2016問卷得分配對(duì)2015問卷得分直方圖

本研究擬采用腦電作為已有研究方法的補(bǔ)充來測(cè)量被試對(duì)于收縮城市部分街道的環(huán)境感知，借助腦電地形圖與格蘭杰因果分析對(duì)比觀察不同年份街景圖片的感知差異并分析其因果關(guān)系。構(gòu)建工具變量與內(nèi)生變量并結(jié)合多尺度空間回歸模型，闡明收縮視角下建成環(huán)境影響環(huán)境感知的機(jī)制，為收縮城市的存量規(guī)劃與設(shè)計(jì)提供科學(xué)依據(jù)。

1 研究方法

1.1 研究對(duì)象

本研究的研究對(duì)象位于黑龍江省伊春市伊美區(qū)（圖1），該市在第七次人口普查時(shí)人口為173,300 人，研究區(qū)域面積約16.13km2。本研究的最小單位為以街道為中心建立的30m 緩沖區(qū)，預(yù)期取景街道共447條，經(jīng)街景數(shù)據(jù)清洗最終篩選375 條街道。

1.2 實(shí)驗(yàn)方法

被試在浙江大學(xué)校內(nèi)論壇招募，視力或矯正視力良好且無精神疾病，并在實(shí)驗(yàn)結(jié)束后獲得相應(yīng)報(bào)酬。每個(gè)被試分別觀察兩組照片，第一組為2015 年伊春市伊美區(qū)街景圖片，圖片爬取自百度地圖，每張圖片持續(xù)2s，播放結(jié)束后灰屏2s，繼續(xù)播放下一張圖片。在觀察完約40 張2015 年的街景圖片之后，被試需要繼續(xù)觀察2016 年對(duì)應(yīng)地點(diǎn)的街景圖片，流程與之前一致。實(shí)驗(yàn)結(jié)束后，每個(gè)被試填寫一份問卷調(diào)查，問卷采用李克特四級(jí)量表，問題為某街道街景圖片給人的感受，1-4 分別對(duì)應(yīng)非常不舒適、不舒適、舒適、非常舒適。

腦電實(shí)驗(yàn)所得的數(shù)據(jù)包含了較大的噪聲干擾，因此需要經(jīng)過數(shù)據(jù)預(yù)處理并提取研究所需的頻段。根據(jù)不同的頻率范圍，腦電波通?？杀环譃棣?波、β 波、γ 波、θ 波、δ 波[19]，其中α 波往往在被試處于休息狀態(tài)但保持清醒時(shí)最為活躍，并且不同的α 波活躍水平代表著被試不同的情緒狀態(tài)，較高的α 波活躍水平與放松、愉悅和舒適有關(guān)，反之則與緊張、警覺有關(guān)[20]。本研究假設(shè)被試在觀察收縮城市的年份較晚的街景圖片時(shí)，相較于年份較早的會(huì)感到更加不舒適，基于該假設(shè)，本次研究選取α 波作為主要研究的頻段。

實(shí)驗(yàn)數(shù)據(jù)由基于MATLAB R2023a（MathWorks）的EEGLab 插件[21]以及ERPLab 工具包[22]進(jìn)行處理，剔除與本次分析內(nèi)容無關(guān)的電極。重參考采用全腦平均參考，并經(jīng)過插值壞導(dǎo)、ICA 獨(dú)立成分分析剔除偽影、帶通濾波等操作，保留α 頻段，即8-13Hz 頻段的數(shù)據(jù)，剔除波幅超過+/-100μV 的其他噪聲偽跡最后剔除壞段并執(zhí)行基線矯正。經(jīng)過處理，所有被試的數(shù)據(jù)均無異常，都予以保留。將整個(gè)腦電數(shù)據(jù)劃分為兩組bin，bin1 為被試觀察2015 年街景產(chǎn)生的腦電數(shù)據(jù)，另一組bin2 則為2016 年，事件（event）時(shí)間跨度選擇事件開始時(shí)至開始后500ms，采用mean amplitude 計(jì)算兩個(gè)不同事件在整個(gè)事件時(shí)間跨度上的功率均值。

1.3 統(tǒng)計(jì)與分析方法

在完成所有實(shí)驗(yàn)后，使用pwelch 函數(shù)計(jì)算功率譜密度并輸出每個(gè)獨(dú)立事件在所有電極上α 波相對(duì)功率。在一些類似研究中，研究者將所有電極的相對(duì)功率均值作為該事件對(duì)應(yīng)的α 波相對(duì)功率，因此本研究也采用均值。獲得所有獨(dú)立事件的功率后，分別對(duì)2015-2016 年α 波相對(duì)功率、2015-2016 年李克特量表分?jǐn)?shù)、2015 年α 波相對(duì)功率-2015 年李克特量表分?jǐn)?shù)、2016 年α 波相對(duì)功率-2016 年李克特量表分?jǐn)?shù)這4 對(duì)數(shù)據(jù)進(jìn)行配對(duì)樣本T 檢驗(yàn)以證明其數(shù)據(jù)的可靠性。

之后將腦電數(shù)據(jù)可視化，分析α 波在兩組事件中的事件相關(guān)電位頭皮地形圖分布情況差異以及兩組事件α 波電壓差值的頭皮地形圖的分布規(guī)律。使用Brainstorm 工具包[23]進(jìn)行格蘭杰因果分析并將其可視化，分析不同電極之間的連接規(guī)律及其所反映的被試狀態(tài)。

MGWIVR 是一種構(gòu)造內(nèi)生變量與工具變量的多尺度地理加權(quán)回歸（Multiscale Geographically Weighted Regression,MGWR）方法，相較于地理加權(quán)回歸（Geographically Weighted Regression,GWR），它為每一個(gè)變量分配獨(dú)立的帶寬，其得出的結(jié)果能更好地體現(xiàn)空間異質(zhì)性。同時(shí)，MGWIVR 通過構(gòu)造工具變量以解決自變量間相互傳導(dǎo)和影響的內(nèi)生性問題，能有效排除變量之間的干擾。因此，我們利用MGWIVR 將反映建成環(huán)境屬性的指標(biāo)與對(duì)應(yīng)的α 波相對(duì)功率做回歸分析，變量指標(biāo)詳細(xì)組成如表1 所示。

表1 變量選取及其計(jì)算方法，穆特 繪制

2 結(jié)果

2.1 配對(duì)樣本T 檢驗(yàn)

首先對(duì)所有配對(duì)樣本的正態(tài)性進(jìn)行檢驗(yàn)，若Shapiro-Wilk 檢驗(yàn)呈現(xiàn)不顯著，說明數(shù)據(jù)符合正態(tài)分布，若呈現(xiàn)顯著，則需要結(jié)合直方圖以及偏度和峰度進(jìn)一步判斷。一般來說，當(dāng)偏度的絕對(duì)值＜3，峰度的絕對(duì)值＜10，且直方圖大致呈鐘形分布時(shí)，可以認(rèn)為數(shù)據(jù)基本呈正態(tài)分布，可以進(jìn)行T 檢驗(yàn)。表2 顯示了各組數(shù)據(jù)的正態(tài)性檢驗(yàn)結(jié)果。可以看出，2015-2016 年α 波相對(duì)功率呈現(xiàn)不顯著，符合正態(tài)分布，剩余3 組數(shù)據(jù)呈現(xiàn)顯著，但其偏度與峰度均符合要求，且直方圖基本呈現(xiàn)鐘形，說明數(shù)據(jù)雖然不是絕對(duì)正態(tài)，但基本可接受為正態(tài)分布，可以繼續(xù)進(jìn)行T 檢驗(yàn)。

表2 正態(tài)性檢驗(yàn)結(jié)果，穆特 繪制

4 對(duì)配對(duì)樣本T 檢驗(yàn)結(jié)果如表3 所示，除第一組數(shù)據(jù)外，其余組數(shù)據(jù)均呈顯著，數(shù)據(jù)間具有顯著差異。其中兩年的問卷得分與兩年的平均α 波相對(duì)功率相互配對(duì)的差異性最強(qiáng)，兩年問卷得分配對(duì)的差異性次之。

表3 配對(duì)樣本T 檢驗(yàn)結(jié)果，穆特 繪制

問卷調(diào)查顯示，被試對(duì)2015 年和2016 年的街景圖片具有不同的環(huán)境感知，且2016 年的感知評(píng)分低于2015 年，說明2016 年的環(huán)境舒適感降低。然而，腦電波數(shù)據(jù)均值差異很小，僅為0.017。為了進(jìn)一步分析兩年的腦電數(shù)據(jù)的分布規(guī)律和差異性，需要結(jié)合腦電地形圖和格蘭杰因果關(guān)系進(jìn)行綜合判斷。

2.2 腦電地形圖與格蘭杰因果分析

5 各年份腦電地形圖

6 2015年格蘭杰因果分析

7 2016年格蘭杰因果分析

腦電地形圖結(jié)果如圖5 所示，被試觀察2015 年街景圖片時(shí)，其枕葉部分電極的α 波顯著高于其他區(qū)域，而在觀察2016 年街景圖片時(shí)，α 波活動(dòng)強(qiáng)度較高的區(qū)域由枕葉轉(zhuǎn)為右側(cè)顳葉和頂葉。將兩年的活動(dòng)強(qiáng)度相減則能更清楚地觀察到被試α 波的變動(dòng)情況，其枕葉大部分區(qū)域均處于較低活動(dòng)水平，而腦部其他區(qū)域則處于較高的活動(dòng)水平。結(jié)果表明，研究范圍內(nèi)環(huán)境舒適感有所降低，這與先前研究的結(jié)果一致[24]。

格蘭杰因果分析結(jié)果如圖6、7 所示。被試在觀察2015 年街景圖片時(shí)，其電極之間的大部分連接均指向P4 電極，F(xiàn)C4、FC2、FC1、C5 電極指向P6，被試處于比較舒適且放松的狀態(tài)。被試轉(zhuǎn)而觀察2016年街景圖片時(shí)，其右側(cè)枕葉部分電極，即P5、P7、PO7、CP6 指向了FZ 電極，出現(xiàn)了自下而上的連接，同時(shí)P6 電極處的連接增強(qiáng)，說明被試仍在處理圖像信息但可能處于警覺。

綜上所述，腦電數(shù)據(jù)的結(jié)果與問卷調(diào)查的評(píng)分的結(jié)論是一致的，都表明被試對(duì)2015 年的街景圖片有更高的環(huán)境舒適感，且頂區(qū)作為關(guān)鍵腦區(qū)參與了環(huán)境感知的因果調(diào)制。這說明腦電數(shù)據(jù)能夠有效且準(zhǔn)確地反映被試的環(huán)境感知。

8 回歸第一階段自變量以及工具變量的影響程度

9 回歸第二階段的局部相關(guān)系數(shù)及呈現(xiàn)顯著的自變量

2.3 多尺度地理加權(quán)工具變量回歸

這些自變量與被試環(huán)境感知在回歸的第一階段顯示出了較強(qiáng)的相關(guān)性，且存在顯著的空間異質(zhì)性，相關(guān)性較強(qiáng)的區(qū)域主要集中在中部偏西，次強(qiáng)分布在東西兩端，最弱的區(qū)域?yàn)橹胁科珫|（圖8a）。工具變量對(duì)內(nèi)生變量的影響僅在一小部分區(qū)域呈現(xiàn)顯著，且相關(guān)性較高的區(qū)域均集中在西側(cè)（圖8b、8c）。

完成第二階段回歸后，所有自變量與因變量的局部相關(guān)系數(shù)最高值接近0.2（圖9a）。其中內(nèi)生變量（人口密度）對(duì)于因變量局部效應(yīng)呈現(xiàn)顯著的區(qū)域較小，集中在中部偏南（圖9b），但相關(guān)系數(shù)較高，最高接近0.65，說明該區(qū)域內(nèi)人口密度提高會(huì)增強(qiáng)被試對(duì)環(huán)境感知的舒適度。在8 個(gè)自變量中呈現(xiàn)顯著的有3 個(gè)，分別為功能混合度、道路等級(jí)以及區(qū)位。其中道路等級(jí)對(duì)環(huán)境感知的影響在全伊美區(qū)均顯著（圖9g），相關(guān)系數(shù)最高接近0.145，中部地區(qū)隨著道路等級(jí)的提高，舒適的環(huán)境感知提高。區(qū)位只在東部區(qū)域呈現(xiàn)顯著（圖9e），且區(qū)位越好其與環(huán)境感知的相關(guān)性就越強(qiáng)，但區(qū)位越好意味著離大型公共設(shè)施的距離越短，其相關(guān)系數(shù)為正，意味著距離越短，α 波的功率就會(huì)越低，被試對(duì)于環(huán)境的感知就越偏向不舒適。功能混合度對(duì)因變量呈顯著影響的區(qū)域集中在西側(cè)（圖9c），相關(guān)系數(shù)最高為0.15 左右，西部區(qū)域大片面積為建設(shè)用地，有新體育場(chǎng)、新市政府等大型公共服務(wù)建筑以及許多新式小區(qū)坐落于此。這片區(qū)域功能混合度普遍較低，同時(shí)街景圖片顯示出大片建設(shè)用地，降低了被試的α 波水平，由此顯示出了微弱的相關(guān)性。

3 結(jié)論

本研究檢驗(yàn)了實(shí)驗(yàn)所得的腦電數(shù)據(jù)與問卷調(diào)查的可靠性，結(jié)合腦電地形圖和格蘭杰因果分析了被試在觀察兩個(gè)年份街景圖片時(shí)α 波的差異，并利用MGWIVR 緩解內(nèi)生性問題，探究了建成環(huán)境要素與環(huán)境感知之間的關(guān)聯(lián)。

結(jié)果表明，被試觀察不同年份街景圖片所填寫的問卷調(diào)查具有差異，伊春環(huán)境感知舒適度降低，但兩個(gè)年份的腦電數(shù)據(jù)無顯著差異。同時(shí)，從腦電地形圖和格蘭杰因果的結(jié)果來看，被試在觀察街景圖片時(shí)，其腦電活動(dòng)反映的結(jié)果與問卷調(diào)查得出的結(jié)果一致。兩個(gè)年份的腦電數(shù)據(jù)中α 波在大腦中的分布具有差異，且頂區(qū)作為關(guān)鍵腦區(qū)參與了環(huán)境感知的因果調(diào)制。進(jìn)一步，通過MGWIVR 的回歸發(fā)現(xiàn)，道路等級(jí)對(duì)于被試環(huán)境感知的影響最為顯著，越高等級(jí)的道路往往擁有更高的環(huán)境舒適度水平。有一部分自變量與環(huán)境感知并沒有顯著關(guān)聯(lián)，其余自變量如功能混合度、區(qū)位僅在城市的一小部分區(qū)域?qū)Νh(huán)境舒適度呈現(xiàn)顯著影響，部分地區(qū)區(qū)位越好則環(huán)境舒適度越低。

綜上所述，腦電數(shù)據(jù)能比較準(zhǔn)確地反映被試的環(huán)境感知，該方法可以運(yùn)用于識(shí)別城市活力是否下降、街道品質(zhì)是否衰退的研究中去，為收縮城市規(guī)劃與建設(shè)者提供新的決策思路。同時(shí)，應(yīng)著重考慮功能混合度、區(qū)位和道路等級(jí)對(duì)居民的影響，在建設(shè)成本允許的情況下適當(dāng)?shù)奶岣吖δ芑旌隙?，并將等?jí)較高道路的部分要素，如設(shè)置合理的人行道、豐富的綠化等要素在其余等級(jí)的道路上適當(dāng)設(shè)置，可以將居民的環(huán)境感知向良性方向引導(dǎo)。