腦磁圖（MEG）技術(shù)在建筑工程管理中的應(yīng)用：優(yōu)勢、方法與前景*

摘要：隨著腦神經(jīng)科學(xué)研究領(lǐng)域的不斷推進(jìn)，神經(jīng)科學(xué)技術(shù)已廣泛應(yīng)用于建筑工程管理領(lǐng)域。相較于其他神經(jīng)科學(xué)技術(shù)，腦磁圖（Magnetoencephalography，MEG）憑借極高的時間精度和優(yōu)越的空間分辨率，能夠更精確地捕捉建筑工程管理行為相關(guān)的大腦活動。通過分析腦磁圖在建筑工程管理中的原理、優(yōu)勢、應(yīng)用前景與方法，發(fā)現(xiàn)腦磁圖不僅能揭示工人危險識別、風(fēng)險決策等認(rèn)知活動的神經(jīng)機(jī)制，還可以測量各種培訓(xùn)干預(yù)的神經(jīng)變化，為建筑工程管理提供客觀量化指標(biāo)。隨著可穿戴式腦磁圖系統(tǒng)開發(fā)、人工智能輔助分析及虛擬現(xiàn)實(shí)結(jié)合等技術(shù)進(jìn)步，腦磁圖技術(shù)有望實(shí)現(xiàn)從實(shí)驗(yàn)室到工程實(shí)踐的轉(zhuǎn)化應(yīng)用，推動建筑工程管理范式從經(jīng)驗(yàn)導(dǎo)向向數(shù)據(jù)驅(qū)動轉(zhuǎn)變。

關(guān)鍵詞：建筑行業(yè)；神經(jīng)工程管理；腦磁圖；神經(jīng)機(jī)制

0"引言

作為“理解人類與自然的終極領(lǐng)域”，腦神經(jīng)科學(xué)已成為全球科技競爭的戰(zhàn)略制高點(diǎn)^[1]。我國在“十四五”規(guī)劃中，將腦神經(jīng)科學(xué)與類腦研究納入國家科技攻關(guān)體系，重點(diǎn)推進(jìn)腦認(rèn)知的神經(jīng)基礎(chǔ)解析與神經(jīng)圖譜構(gòu)建，著力破解大腦的工作原理^[2]。這一戰(zhàn)略布局為工程管理領(lǐng)域帶來范式革新。面對建筑行業(yè)傳統(tǒng)管理模式在質(zhì)量管控、風(fēng)險預(yù)判等方面的效能瓶頸，馬慶國^[3]院士提出的神經(jīng)工程管理（Neuro Engineering Management，NeuroEM）通過融合神經(jīng)科學(xué)、行為科學(xué)及人工智能技術(shù)，開創(chuàng)性地將研究視角延伸至人腦神經(jīng)活動層面。其核心在于運(yùn)用EEG、fMRI等神經(jīng)影像技術(shù)，結(jié)合生物傳感與大數(shù)據(jù)分析，定量揭示項(xiàng)目參與者的決策偏差形成機(jī)制（如前額葉皮層激活異常）、情緒波動對協(xié)作效率的影響（如杏仁核響應(yīng)模式）等神經(jīng)認(rèn)知規(guī)律^[4]，進(jìn)而構(gòu)建基于腦活動數(shù)據(jù)的管理決策模型。這種“神經(jīng)認(rèn)知驅(qū)動”的新工程管理研究范式，不僅突破了傳統(tǒng)經(jīng)驗(yàn)主義管理在量化評估認(rèn)知能力方面的局限^[5]，而且可以通過更動態(tài)客觀的神經(jīng)數(shù)據(jù)，優(yōu)化工程質(zhì)量控制標(biāo)準(zhǔn)，強(qiáng)化人機(jī)協(xié)同系統(tǒng)的生物兼容性設(shè)計。值得注意的是，該領(lǐng)域的高度突破依賴于新工科背景下的跨學(xué)科人才培養(yǎng)^[6]，既需要工程管理者掌握神經(jīng)解碼技術(shù)，又需要認(rèn)知神經(jīng)科學(xué)專家理解建筑場景的特殊需求，這種深度學(xué)科融合正推動著工程管理從單一技術(shù)維度向“腦-機(jī)-環(huán)境”三元交互系統(tǒng)的認(rèn)知升級。

1"神經(jīng)工程管理測量技術(shù)

神經(jīng)工程管理研究廣泛采取各式神經(jīng)成像和外周生理測量技術(shù)，包括腦電圖（EEG）、眼動追蹤（ET）、肌電圖（EMG）、皮膚電活動（EDA）和功能性近紅外光譜成像（fNIRS）等，常見神經(jīng)工程管理測量技術(shù)見表1^[7]。

其中，EEG已被廣泛應(yīng)用于監(jiān)測建筑工人的疲勞狀態(tài)^[8]、注意力水平^[9]、情緒體驗(yàn)^[10]等，幫助了解建筑工人的工作狀態(tài)，從而提高施工安全和效率。ET則通過記錄建筑工人的視線和注視點(diǎn)，幫助研究人員了解建筑工人在復(fù)雜建筑環(huán)境中的注意力分配^[11]和危險識別能力^[12]。EMG、EDA及ECG分別用于測量建筑工人的肌肉活動、皮膚電導(dǎo)率和心電圖，以評估其肌肉骨骼疾病風(fēng)險^[13]、生理應(yīng)激反應(yīng)^[14]和情緒狀態(tài)^[15]。這些神經(jīng)科學(xué)技術(shù)的應(yīng)用，為建筑工程管理領(lǐng)域的研究提供了豐富的數(shù)據(jù)支持，有助于優(yōu)化建筑設(shè)計、施工管理和運(yùn)營維護(hù)。

盡管神經(jīng)生理設(shè)備在建筑工程管理領(lǐng)域已經(jīng)展現(xiàn)出了巨大的應(yīng)用潛力，但既有技術(shù)也存在一些共同的缺陷。例如，EEG的空間分辨率不足，難以準(zhǔn)確定位大腦活動區(qū)域，易產(chǎn)生虛假信號^[16]。EEG和EMG等設(shè)備在數(shù)據(jù)采集過程中容易受到環(huán)境噪聲的干擾，導(dǎo)致信號質(zhì)量下降，影響數(shù)據(jù)的準(zhǔn)確性和可靠性^[17]。ET雖然能夠提供豐富的視覺注意力數(shù)據(jù)，但在復(fù)雜動態(tài)環(huán)境中，其精度和穩(wěn)定性受到照明條件等因素影響^[18]，仍有待進(jìn)一步提高。EDA和ECG容易受到個體差異和環(huán)境因素影響，導(dǎo)致數(shù)據(jù)的可重復(fù)性較差^[19-20]。

在這一背景下，腦磁圖（MEG）作為一種新型的神經(jīng)科學(xué)技術(shù)，展現(xiàn)出在建筑工程管理領(lǐng)域獨(dú)特的應(yīng)用前景。MEG能夠測量大腦神經(jīng)元活動產(chǎn)生的磁場，具有極高的時間分辨率和良好的空間分辨率，能夠更直接反映大腦的時空活動狀態(tài)^[21]。與EEG相比，MEG的源空間定位精度更高^[22]。這主要由于皮膚、顱骨和腦脊液對磁場的干擾可以忽略不計，而且MEG設(shè)備通常配備先進(jìn)的屏蔽技術(shù)，能夠有效減少外部干擾，提高數(shù)據(jù)的可靠性和可重復(fù)性^[23-24]。因此，MEG在建筑工程管理領(lǐng)域具有廣闊的應(yīng)用前景，有望為工程管理研究人員提供更精確、有效的大腦活動數(shù)據(jù)，進(jìn)一步推動了神經(jīng)工程管理領(lǐng)域的深入發(fā)展。

2"MEG技術(shù)原理、優(yōu)勢與應(yīng)用前景

2.1"MEG技術(shù)基本原理

腦磁圖（MEG）技術(shù)基于生物電磁學(xué)基本原理，通過測量神經(jīng)元突觸后電流產(chǎn)生的極微弱磁場來研究大腦活動。當(dāng)大腦中成千上萬的神經(jīng)元同步放電時，會產(chǎn)生微弱電流，同步產(chǎn)生極其微弱的磁場，強(qiáng)度通常在10^-13T～10^-15T，約為地球磁場的十億分之一。MEG技術(shù)基于超導(dǎo)量子干涉儀（Superconducting Quantum Interference Device，SQUID）測量神經(jīng)元突觸后電流產(chǎn)生的微弱磁場，具有皮特斯拉級（10^-15T）靈敏度^[25]，這導(dǎo)致MEG信號極易受到外部環(huán)境影響。因此，MEG需要在磁屏蔽室（Magnetically Shielded Room，MSR）中進(jìn)行數(shù)據(jù)采集，以確保最大限度地減少外部磁場干擾，為MEG的精確測量提供受控環(huán)境。

2.2"MEG技術(shù)優(yōu)勢

MEG技術(shù)相較于其他神經(jīng)測量技術(shù)具有多方面的獨(dú)特優(yōu)勢，使其在神經(jīng)工程管理研究中具有巨大的潛在應(yīng)用價值。在空間分辨率（區(qū)分鄰近神經(jīng)源的最小距離）方面，MEG技術(shù)在理想條件下空間分辨率可達(dá)到2mm～3mm，明顯優(yōu)于EEG技術(shù)常見的7mm～10mm^[26]。研究表明，MEG技術(shù)的源定位誤差（重建源與實(shí)際源的距離）可降至2.5mm^[27]，而標(biāo)準(zhǔn)EEG技術(shù)的源定位誤差通常在50mm～90mm，即使是高分辨率EEG技術(shù)也僅達(dá)到10mm～30mm誤差水平^[28]。這一優(yōu)勢使得MEG技術(shù)能夠更精確地定位與管理行為相關(guān)的特定腦區(qū)活動，如前額葉皮層在風(fēng)險決策中的作用、頂葉在空間注意中的功能等，為工程管理行為認(rèn)知研究提供更準(zhǔn)確的神經(jīng)機(jī)制解析。此外，MEG技術(shù)具有顯著的信號質(zhì)量優(yōu)勢。腦波產(chǎn)生的磁場不受頭部組織（如頭皮、顱骨和腦脊液）的電阻影響，因此，MEG信號的畸變較小，源空間定位精度更高。不過，相較于fMRI的亞毫米級空間分辨率，MEG技術(shù)還是略顯不足^[29]。這一優(yōu)勢使MEG技術(shù)能夠更精確地定位與工程管理行為有關(guān)的特定腦區(qū)活動，如前額葉皮層在工程風(fēng)險決策中的作用、如區(qū)分初級視覺皮層與高級視覺聯(lián)合區(qū)在危險特征處理中的差異性貢獻(xiàn)等，能夠?yàn)楣こ坦芾硇袨檠芯刻峁└訙?zhǔn)確的神經(jīng)機(jī)制解析。此外，在時間分辨率方面，與fMRI技術(shù)相比，MEG技術(shù)能夠達(dá)到毫秒級精度，與神經(jīng)元電活動的時間尺度相匹配^[30]。非常適合測量復(fù)雜認(rèn)知過程中的神經(jīng)活動變化，尤其是視覺危險感知、注意力分配和無意識決策等早期加工活動。

同時，MEG技術(shù)在功能連接研究方面具有獨(dú)特優(yōu)勢。MEG技術(shù)能夠以毫秒級時間精度測量不同腦區(qū)間的相干性、相位同步和因果關(guān)系，為研究大腦功能網(wǎng)絡(luò)動態(tài)提供理想工具^[31]。這一優(yōu)勢可用于研究工程決策行為網(wǎng)絡(luò)（如前額葉控制網(wǎng)絡(luò)與情緒網(wǎng)絡(luò)的交互）的動態(tài)變化，揭示專家級決策的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)。例如，經(jīng)驗(yàn)豐富的管理人員在風(fēng)險評估時可能表現(xiàn)出更高效的額-頂網(wǎng)絡(luò)整合能力。

2.3"MEG技術(shù)在建筑工程管理研究的應(yīng)用前景

MEG技術(shù)與建筑工程管理的整合主要體現(xiàn)在認(rèn)知評估和干預(yù)優(yōu)化兩個層面。首先，在認(rèn)知評估方面，建筑工程管理的核心挑戰(zhàn)是人的不確定性，如工人注意力分散、風(fēng)險感知不足和決策偏差等。MEG技術(shù)能精確測量相關(guān)神經(jīng)活動，建立客觀評估標(biāo)準(zhǔn)。例如，通過分析工人在危險識別任務(wù)中的MEG數(shù)據(jù)，可評估視覺M100（反映注意資源分配^[32]）、M170成分（反映危險特征提取效率^[33]）等指標(biāo)，構(gòu)建多維安全認(rèn)知能力畫像。此外，高空間分辨率能夠捕捉認(rèn)知失效的早期征兆。例如，大腦前額葉-頂葉功能連接強(qiáng)度下降，預(yù)示注意力資源枯竭和風(fēng)險感知能力下降^[34]。通過監(jiān)測這些腦區(qū)激活情況，可以在行為表現(xiàn)出現(xiàn)明顯下降前預(yù)警潛在風(fēng)險，實(shí)現(xiàn)“神經(jīng)預(yù)警”，為及時干預(yù)提供時間窗口。此外，還可測量成本控制決策中的背外側(cè)前額葉激活強(qiáng)度（反映價值權(quán)衡能力）、進(jìn)度規(guī)劃時的默認(rèn)網(wǎng)絡(luò)同步性（反映系統(tǒng)性思維）。針對管理者，可捕捉溝通協(xié)調(diào)時的鏡像神經(jīng)元系統(tǒng)活動，評估團(tuán)隊(duì)管理效能。

其次，干預(yù)優(yōu)化方面，MEG技術(shù)可評估管理干預(yù)措施的神經(jīng)效果。傳統(tǒng)上主要通過行為表現(xiàn)來評估效果，但這些指標(biāo)具有滯后性和不確定性。MEG技術(shù)測量可以直接評估干預(yù)措施對神經(jīng)認(rèn)知過程的影響，提供即時、客觀的效果評估。例如，在安全管理和工程技能培訓(xùn)中，比較虛擬現(xiàn)實(shí)（Virtual Reality，VR）培訓(xùn)前后的MEG數(shù)據(jù)，評估培訓(xùn)效果；對比不同工作安排下的神經(jīng)活動，可識別最佳工作休息模式，使工程管理更加科學(xué)有效。在組織管理優(yōu)化中，通過監(jiān)測前額葉θ波振蕩特征，可以確定工人或管理者的風(fēng)險決策偏好^[35]。對跨專業(yè)協(xié)作場景，測量顳上溝的神經(jīng)同步性，可以量化團(tuán)隊(duì)心智模型契合度，為協(xié)作模式改進(jìn)提供依據(jù)。

同時，MEG技術(shù)的潛在應(yīng)用進(jìn)一步推動了工程管理認(rèn)知機(jī)制的跨尺度理論研究。主要體現(xiàn)在三個方面：一是支持多層次工程認(rèn)知機(jī)制研究。MEG技術(shù)能夠同時測量早期自動化加工（如危險特征檢測）和晚期受控加工（如風(fēng)險評估和決策），揭示不同經(jīng)驗(yàn)水平工人在工程認(rèn)知層級上的差異，以及設(shè)計審查中的認(rèn)知時序特征，從早期視覺特征檢測到晚期規(guī)范匹配的神經(jīng)動態(tài)；二是實(shí)現(xiàn)“腦-行為”雙層面的整合研究，通過同時記錄MEG數(shù)據(jù)和行為表現(xiàn)（如眼動軌跡、心電圖、反應(yīng)時間），建立神經(jīng)活動與工程行為的映射關(guān)系，形成可解釋的認(rèn)知模型，例如MEG技術(shù)的高時間分辨率使其能夠追蹤從風(fēng)險感知（顳頂聯(lián)合區(qū)激活）到風(fēng)險評估（前扣帶回和島葉活動）再到風(fēng)險決策（前額葉活動）的完整認(rèn)知過程，為構(gòu)建整合性工程行為理論提供神經(jīng)基礎(chǔ)。

3"MEG技術(shù)的應(yīng)用方法

3.1"MEG實(shí)驗(yàn)設(shè)計

建筑工程管理領(lǐng)域的MEG實(shí)驗(yàn)設(shè)計需要在實(shí)驗(yàn)生態(tài)效度與嚴(yán)格控制之間尋求最佳平衡點(diǎn)。以建筑安全管理研究實(shí)驗(yàn)設(shè)計為例，一般需重點(diǎn)考慮以下兩個方面：

（1）刺激材料標(biāo)準(zhǔn)化。刺激材料的選擇應(yīng)當(dāng)基于實(shí)際建筑工程場景，以確保實(shí)驗(yàn)的生態(tài)效度。例如，施工危險場景圖片，包含建筑工地上常見的各種危險情況，如高空作業(yè)、電氣危險、機(jī)械操作等。圖片需要經(jīng)過嚴(yán)格的篩選和預(yù)測試，以確保它們能夠代表實(shí)際工作中的真實(shí)風(fēng)險，并且能夠引發(fā)實(shí)驗(yàn)參與者相關(guān)的認(rèn)知和情感反應(yīng)。同時，刺激材料的呈現(xiàn)方式需要標(biāo)準(zhǔn)化。這包括圖片的尺寸、分辨率、顏色平衡及呈現(xiàn)的時間和順序等參數(shù)。標(biāo)準(zhǔn)化的呈現(xiàn)方式有助于減少實(shí)驗(yàn)誤差，確保每個實(shí)驗(yàn)參與者在相同的條件下接受測試，從而使實(shí)驗(yàn)數(shù)據(jù)更具可比性。此外，記錄動態(tài)施工過程中不安全行為的工程視頻片段，以及現(xiàn)場錄制聲音等都可以作為有效刺激材料。

（2）任務(wù)范式的選擇。實(shí)驗(yàn)范式應(yīng)緊密圍繞研究目標(biāo)，確保能夠有效評估目標(biāo)認(rèn)知功能。安全管理研究中主要包括三類任務(wù)范式：一是危險識別任務(wù)。例如，要求實(shí)驗(yàn)參與者在復(fù)雜場景圖片或視頻中快速識別安全隱患，通過按鍵反應(yīng)記錄識別準(zhǔn)確率和反應(yīng)時間。二是風(fēng)險評估任務(wù)。例如，要求實(shí)驗(yàn)參與者對呈現(xiàn)的危險場景進(jìn)行風(fēng)險等級評定，測量風(fēng)險判斷的準(zhǔn)確性和一致性。三是安全決策任務(wù)。例如，在面對風(fēng)險情境時選擇最佳應(yīng)對策略，評估決策質(zhì)量和速度。這些任務(wù)可采用經(jīng)典的心理物理學(xué)范式進(jìn)行設(shè)計，如Go/No-Go任務(wù)（測量抑制控制能力）、快速序列視覺呈現(xiàn)（測量注意閃爍效應(yīng)）或N-back工作記憶任務(wù)（評估認(rèn)知負(fù)荷影響）。其中，Go/No-Go任務(wù)是評估抑制控制能力的經(jīng)典范式，具體體現(xiàn)為向被試呈現(xiàn)標(biāo)準(zhǔn)化施工場景圖像（如系安全繩的工人/未系安全繩的工人），要求其僅在檢測到安全隱患（如未系安全繩）時快速按鍵反應(yīng)（Go Trials），而對安全場景抑制反應(yīng)（No-Go Trials）。刺激呈現(xiàn)時間（1500ms）和反應(yīng)窗口（2000ms以內(nèi)）用于模擬施工現(xiàn)場的復(fù)雜場景決策需求。危險識別Go/No-Go任務(wù)范式如圖1所示。

在建筑工程安全管理中，抑制控制能力對于工人在復(fù)雜環(huán)境中規(guī)避危險行為至關(guān)重要。通過讓實(shí)驗(yàn)參與者在特定刺激下做出或抑制反應(yīng)，可以模擬工人在實(shí)際工作場景中對潛在危險的快速判斷和反應(yīng)。此外，根據(jù)具體研究需求，可對任務(wù)進(jìn)行靈活調(diào)整，如改變刺激呈現(xiàn)時間、反應(yīng)方式等，以更好地模擬實(shí)際工作場景，提高實(shí)驗(yàn)的生態(tài)效度。

3.2"MEG數(shù)據(jù)分析與行為特征提取

3.2.1"MEG數(shù)據(jù)預(yù)處理

MEG數(shù)據(jù)預(yù)處理是確保數(shù)據(jù)分析準(zhǔn)確性的關(guān)鍵步驟，其主要目的是去除噪聲和偽跡，提取高質(zhì)量的神經(jīng)活動信號。預(yù)處理流程通常包括以下6個步驟：

（1）偽跡去除（Artifact Removal）。對不同類型的傳感器（如磁力計和梯度計）分別進(jìn)行處理，以確保偽跡去除的精確性。具體步驟包括：首先，基于ECG和眼電圖參考電極記錄的生物電信號，構(gòu)建眼動與心電偽跡的時空特征矩陣；其次，通過信號空間投影（Signal Space Projection，SSP）技術(shù)將其投影至信號子空間進(jìn)行去除；最后，處理后需通過獨(dú)立成分分析（Independent Component Analysis，ICA）驗(yàn)證偽跡去除效果，并檢查原始信號與校正后信號的信噪比提升幅度。

（2）數(shù)據(jù)重采樣（Resample）。將MEG高頻原始數(shù)據(jù)（如1000Hz）降低至合理的采樣率（200Hz～400Hz），既可降低計算復(fù)雜度以及數(shù)據(jù)冗余，又可保留神經(jīng)活動的時間動力學(xué)特性。重復(fù)采樣前需優(yōu)先提取事件信息（如工人操作響應(yīng)標(biāo)記等信息），以消除時間偏移，從而確保多模態(tài)數(shù)據(jù)的精準(zhǔn)對齊。

（3）帶通濾波（Bandpass Filter）。通常將MEG信號的帶通濾波頻段設(shè)置為1Hz～40Hz，其中低通濾波（Lower Cutoff）和高通濾波（Higher Cutoff）分別對應(yīng)這兩個頻率值，以確保神經(jīng)活動的主要頻率成分得以保留，同時去除高頻噪聲和低頻漂移。

（4）基線校正（DC Offset Correction）?；€校正是為了消除數(shù)據(jù)中的直流偏移和緩慢漂移。通過選擇一個穩(wěn)定的基線時間段（如刺激前的靜息期），對整個數(shù)據(jù)段進(jìn)行線性擬合和校正來實(shí)現(xiàn)?；€校正一般設(shè)置磁力計（Magnetometer）作為處理對象，方便后續(xù)基于磁力計數(shù)據(jù)進(jìn)行ERF分析。

（5）數(shù)據(jù)分割（Epoch）。將連續(xù)的MEG數(shù)據(jù)分割成多個時間段（Epochs），每個時間段對應(yīng)一個特定的刺激或事件。這有助于后續(xù)的平均和統(tǒng)計分析。例如，在一個包含多個試驗(yàn)塊的實(shí)驗(yàn)中，可以根據(jù)每個試驗(yàn)塊的起始和結(jié)束時間進(jìn)行數(shù)據(jù)分割。

（6）疊加平均（Overlay Average）。針對重復(fù)出現(xiàn)的刺激或事件，進(jìn)行平均疊加，以增強(qiáng)神經(jīng)活動的信號，減少隨機(jī)噪聲的影響，提高信噪比。通過平均疊加，可以更加清晰地揭示神經(jīng)活動的特征，為后續(xù)的行為特征提取提供可靠的基礎(chǔ)。

3.2.2"常見MEG數(shù)據(jù)分析

（1）傳感器層級（Sensor Level）分析。作為MEG數(shù)據(jù)分析的基礎(chǔ)方法之一，傳感器分析聚焦于神經(jīng)活動隨時間的變化模式。事件相關(guān)磁場（Event Related Field，ERF）是關(guān)鍵分析點(diǎn)。它是由刺激事件引發(fā)的大腦神經(jīng)元活動產(chǎn)生的磁場變化，反映了大腦對特定刺激的響應(yīng)。ERF成分的潛伏期和波幅可以用于評估認(rèn)知功能和神經(jīng)活動的效率。例如，在危險識別任務(wù)中，通過分析工人在危險識別任務(wù)中的M100和M170成分，可以評估其對危險刺激的視覺加工和注意力分配水平，如圖2a所示。進(jìn)一步地，可以分析不同傳感器通道的波幅差異情況，初步反映相關(guān)腦區(qū)的空間激活情況，如圖2b和圖2c所示。

（2）源空間層級（Source Level）分析。源空間分析又稱“溯源分析”，主要關(guān)注神經(jīng)活動在空間上的變化模式，旨在將傳感器層面的神經(jīng)活動信號追溯到大腦皮層的特定區(qū)域，從而識別出產(chǎn)生這些信號的神經(jīng)元群體，其是MEG數(shù)據(jù)分析的核心環(huán)節(jié)。通過前向建模，構(gòu)建頭部物理模型（通常基于個體MRI數(shù)據(jù)），計算給定源活動產(chǎn)生的頭部磁場分布，再結(jié)合最小范數(shù)估計（MNE）等方法，運(yùn)用實(shí)際測量的磁場數(shù)據(jù)，推算可能的源活動分布。溯源分析如圖3所示。在建筑安全管理研究中，源空間分析應(yīng)重點(diǎn)關(guān)注與安全認(rèn)知相關(guān)的腦區(qū)，如負(fù)責(zé)視覺加工的枕葉皮層、負(fù)責(zé)空間注意的頂葉聯(lián)合區(qū)、負(fù)責(zé)風(fēng)險評估的前扣帶回、負(fù)責(zé)決策控制的前額葉皮層，以及負(fù)責(zé)情緒反應(yīng)的杏仁核等。通過源定位技術(shù)，可以精確追蹤安全認(rèn)知過程中這些腦區(qū)的動態(tài)激活模式。

（3）其他分析。MEG的其他分析還包括頻域分析、時頻分析、腦功能連接分析，以及基于機(jī)器學(xué)習(xí)的特征提取與模式識別等。

4"MEG技術(shù)應(yīng)用的挑戰(zhàn)與發(fā)展趨勢

4.1"目前面臨的主要挑戰(zhàn)

盡管MEG技術(shù)在建筑工程管理中展現(xiàn)出巨大潛力，但其應(yīng)用仍面臨諸多挑戰(zhàn)。具體為以下三個方面：

（1）技術(shù)可及性問題較為突出。MEG設(shè)備購置及維護(hù)成本居高不下。此外，設(shè)備需要專業(yè)人員操作，且體積龐大、固定，難以實(shí)現(xiàn)現(xiàn)場測量，極大地限制了其在工程實(shí)踐中的廣泛應(yīng)用。

（2）數(shù)據(jù)解釋復(fù)雜性是一個重要挑戰(zhàn)。MEG產(chǎn)生的高維數(shù)據(jù)需要借助復(fù)雜算法和專業(yè)知識進(jìn)行分析，工程管理人員往往難以直接理解和應(yīng)用這些數(shù)據(jù)，這無疑增加了數(shù)據(jù)處理和決策的難度。

（3）實(shí)驗(yàn)生態(tài)效度問題也不容忽視。標(biāo)準(zhǔn)MEG測量環(huán)境與真實(shí)施工現(xiàn)場存在巨大差異，實(shí)驗(yàn)室獲取的數(shù)據(jù)能否準(zhǔn)確反映施工現(xiàn)場的認(rèn)知狀態(tài)仍需進(jìn)一步驗(yàn)證，極大地影響了MEG技術(shù)在實(shí)際工程管理中的可信度和應(yīng)用價值。

4.2"未來發(fā)展趨勢

4.2.1"設(shè)備微型化與便攜化

新一代基于光泵磁力計（Optically Pumped Magnetometers，OPM）的可穿戴式MEG系統(tǒng)（OPM-MEG）正逐步成熟。其無須液氦冷卻，體積小、便攜性強(qiáng)，不但極大降低了使用成本，而且克服了傳統(tǒng)MEG設(shè)備難以在工程現(xiàn)場使用的障礙，應(yīng)用場景極為廣闊^[36]。在建筑工程管理中，OPM-MEG可用于精準(zhǔn)捕捉建筑工人施工現(xiàn)場的實(shí)時腦電活動，幫助管理人員深入了解工人不同任務(wù)和環(huán)境下的大腦狀態(tài)，從而制定針對性的培訓(xùn)和管理策略，提升工程效率與安全性。

4.2.2"數(shù)據(jù)分析智能化

人工智能和機(jī)器學(xué)習(xí)算法在MEG數(shù)據(jù)分析中的應(yīng)用日益廣泛，如利用深度學(xué)習(xí)模型自動提取時頻特征，通過聚類分析將神經(jīng)活動模式分類為不同認(rèn)知狀態(tài)，大幅簡化處理流程，降低數(shù)據(jù)解釋難度，幫助工程管理人員能夠高效利用MEG數(shù)據(jù)進(jìn)行決策。

4.2.3"生態(tài)效度提升

通過將VR與OPM-MEG結(jié)合，可實(shí)現(xiàn)在VR設(shè)備模擬真實(shí)施工場景的同時采集腦磁數(shù)據(jù)。OPM-MEG能夠有效記錄參與者在虛擬施工場景中移動頭部觀察環(huán)境時的腦磁信號，從而在控制實(shí)驗(yàn)條件的同時提高情境真實(shí)性，有助于解決實(shí)驗(yàn)生態(tài)效度問題，使MEG測量結(jié)果更貼近實(shí)際施工現(xiàn)場的認(rèn)知狀態(tài)^[37]。

4.2.4"技術(shù)集成化

MEG技術(shù)將與其他生理測量技術(shù)（如眼動追蹤、心率監(jiān)測）相結(jié)合，形成多模態(tài)神經(jīng)-生理工程系統(tǒng)。眼動追蹤可提供視覺注意力信息，心率監(jiān)測可反映生理應(yīng)激狀態(tài)，與MEG的大腦活動數(shù)據(jù)互補(bǔ)，從多個維度全面捕捉行為認(rèn)知狀態(tài)，為建筑工程管理提供更加全面深入的洞察。這種集成化技術(shù)有助于更精準(zhǔn)地理解工人在復(fù)雜施工環(huán)境中的認(rèn)知與行為，為管理決策提供更加充分的依據(jù)。

4.2.5"個性化深入

通過長期監(jiān)測和分析建筑工人特定行為的神經(jīng)活動，建立個體神經(jīng)特征數(shù)據(jù)庫，發(fā)展精準(zhǔn)管理策略。針對不同認(rèn)知特征的工人，提供如個性化培訓(xùn)、任務(wù)分配調(diào)整等差異化干預(yù)。這將提高管理的針對性和有效性，滿足不同個體的需求，提升建筑工程管理的整體效率和質(zhì)量。

4.2.6"跨學(xué)科合作加強(qiáng)

跨學(xué)科合作將是推動MEG技術(shù)在建筑工程管理領(lǐng)域發(fā)展的關(guān)鍵。神經(jīng)科學(xué)專家、工程管理專家和數(shù)據(jù)科學(xué)專家需共同設(shè)計針對工程管理問題的MEG實(shí)驗(yàn)方案，開發(fā)適合行業(yè)應(yīng)用的數(shù)據(jù)分析工具，并將研究發(fā)現(xiàn)轉(zhuǎn)化為可操作的管理策略。

5"結(jié)語

總體而言，隨著技術(shù)進(jìn)步和跨領(lǐng)域融合，MEG技術(shù)有望在未來10年內(nèi)從實(shí)驗(yàn)室走向工程實(shí)踐，為基于神經(jīng)科學(xué)的管理決策提供堅實(shí)依據(jù)，推動建筑工程管理范式從經(jīng)驗(yàn)主導(dǎo)向科學(xué)驅(qū)動轉(zhuǎn)變，最終實(shí)現(xiàn)對建筑工程管理行為的精準(zhǔn)把控，提升建筑工程領(lǐng)域現(xiàn)代化管理水平。

參考文獻(xiàn)

[1]張學(xué)博， 袁天蔚， 張麗雯， 等.2022年腦科學(xué)與類腦智能發(fā)展態(tài)勢[J].生命科學(xué)， 2023， 35（1）： 9-17.

[2]蒲慕明.跨學(xué)科開啟頭腦風(fēng)暴促進(jìn)腦科學(xué)交叉與融合[J].科學(xué)通報， 2023， 68（35）： 4749-4750.

[3]馬慶國.工程管理與神經(jīng)工程管理的體系框架[J].科技進(jìn)步與對策， 2012， 29（18）： 9-12.

[4]李浩， 馬慶國， 董欣.神經(jīng)組織學(xué)： 概念解析、理論發(fā)展和研究展望[J].管理世界， 2016（8）： 164-173.

[5]MITROPOULOS P， MEMARIAN B.Team processes and safety of workers： cognitive， affective， and behavioral processes of construction crews[J].Journal of Construction Engineering and Management， 2012， 138（10）： 1181-1191.

[6]裴鈺鑫， 汪惠芬， 李強(qiáng).新工科背景下跨學(xué)科人才培養(yǎng)的探索與實(shí)踐[J].高等工程教育研究， 2021（2）： 62-68， 98.

[7]熊朝陽， 丁志坤.建筑業(yè)神經(jīng)工程管理研究趨勢、挑戰(zhàn)及展望[J].土木工程與管理學(xué)報， 2024， 41（2）： 98-108， 122.

[8]KE J， ZHANG M， LUO X， et al.Monitoring distraction of construction workers caused by noise using a wearable electroencephalography（EEG）device[J].Automation in Construction， 2021（125）： 103598.

[9]LI J， OUYANG Y， LUO X.Impact of age on construction workers^，"preattentive and attentive visual processing for hazard detection[J].Journal of Management in Engineering， 2024， 40（3）： 04024008.

[10]HWANG S， JEBELLI H， CHOI B， et al.Measuring workers^，"emotional state during construction tasks using wearable EEG[J].Journal of Construction Engineering and Management， 2018， 144（7）： 04018050.

[11]HASANZADEH S， ESMAEILI B， DODD M D.Examining the relationship between construction workers^，"visual attention and situation awareness under fall and tripping hazard conditions： using mobile eye tracking[J].Journal of Construction Engineering and Management， 2018， 144（7）： 04018060.

[12]付漢良， 譚玉冰， 夏中境， 等.專家危險識別軌跡對建筑工人安全教育的影響——來自眼動實(shí)驗(yàn)的證據(jù)[J].清華大學(xué)學(xué)報（自然科學(xué)版）， 2024， 64（2）： 205-213.

[13]SEO J， LEE S， SEO J.Simulation-based assessment of workers^，"muscle fatigue and its impact on construction operations[J].Journal of Construction Engineering and Management， 2016， 142（11）： 04016063.

[14]MERKUS S L， LUNDE L-K， KOCH M， et al.Physical capacity， occupational physical demands， and relative physical strain of older employees in construction and healthcare[J].International Archives of Occupational and Environmental H ealth， 2019（92）： 295-307.

[15]WANG M， LIU X， LAI Y， et al.Application of neuroscience tools in building construction-an interdisciplinary analysis[J].Frontiers in Neuroscience， 2022（16）： 895666.

[16]DEPUYDT E， CRIEL Y， DE L M， et al.Investigating the effect of template head models on event-related potential source localization： a simulation and real-data study[J].Frontiers in Neuroscience， 2024（18）： 1443752.

[17]ISSA M F， TUBOLY G， KOZMANN G， et al.Automatic ECG artefact removal from EEG signals[J].Measurement Science Review， 2019， 19（3）： 101-108.

[18]JAVADI A H， HAKIMI Z， BARATI M， et al.Set： a pupil detection method using sinusoidal approximation[J].Frontiers in Neuroengineering， 2015（8）： 4.

[19]BARI D S， YACOOB ALDOSKY H Y， MARTINSEN ""G.Simultaneous measurement of electrodermal activity components correlated with age-related differences[J].Journal of Biological Physics， 2020， 46（2）： 177-188.

[20]POSADA-QUINTERO H F， DIMITROV T， MOUTRAN A， et al.Analysis of reproducibility of noninvasive measures of sympathetic autonomic control based on electrodermal activity and heart rate variability[J].IEEE Access， 2019（7）： 22523-22531.

[21]KIM J A， DAVIS K D.Magnetoencephalography： physics， techniques， and applications in the basic and clinical neurosciences[J].Journal of Neurophysiology， 2021， 125（3）： 938-956.

[22]MUTHUKUMARASWAMY S D.The use of magnetoencephalography in the study of psychopharmacology（pharmaco-MEG）[J].Journal of Psychopharmacology， 2014， 28（9）： 815-829.

[23]RAMPP S， STEFAN H.Magnetoencephalography in presurgical epilepsy diagnosis[J].Expert Review of Medical Devices， 2007， 4（3）： 335-347.

[24]AHLFORS S P， MODY M.Overview of MEG[J].Organizational research methods， 2019， 22（1）： 95-115.

[25]HARNALAINEN M， HARI R， ILMONIERNI R， et al.Magnetoencephalography： theory instrumentation and applications to the noninvasive study of human brain function[J].Reviews of Modern Physics， 1993（65）： 413-497.

[26]FRED A L， KUMAR S N， KUMAR HARIDHAS A， et al.A brief introduction to magnetoencephalography（MEG）and its clinical applications[J].Brain Sciences， 2022， 12（6）： 788.

[27]PANG M， HUANG Z， DING Z， et al.Co-registration error analysis and array calibration for OPM-MEG system[J].IEEE Transactions on Instrumentation and Measurement， 2022（71）： 1-12.

[28]BABILONI C， PIZZELLA V， DEL GRATTA C， et al.Fundamentals of electroencefalography， magnetoencefalography， and functional magnetic resonance imaging[J].International Review of Neurobiology， 2009（86）： 67-80.

[29]WANG Y， HOLLAND S K.Bayesian MEG time courses with fmri priors[J].Brain Imaging and Behavior， 2022， 16（2）： 781-791.

[30]WILSON T W， HEINRICHS-GRAHAM E， PROSKOVEC A L， et al.Neuroimaging with magnetoencephalography： a dynamic view of brain pathophysiology[J].Translational Research， 2016（175）： 17-36.

[31]MICHALAREAS G， SCHOFFELEN J M， PATERSON G， et al.Investigating causality between interacting brain areas with multivariate autoregressive models of MEG sensor data[J].Human Brain Mapping， 2013， 34（4）： 890-913.

[32]ZHANG S， YE Y， SUN J， et al.The magnetic source imaging of pattern reversal stimuli of various visual fields[J].Chinese Journal of Radiology， 2006， 40（5）： 498-501.

[33]HARRIS A M， DUCHAINE B C， NAKAYAMA K.Normal and abnormal face selectivity of the M170 response in developmental prosopagnosics[J].Neuropsychologia， 2005， 43（14）： 2125-2136.

[34]MARKETT S， REUTER M， MONTAG C， et al.Assessing the function of the fronto-parietal attention network： insights from resting-state fmri and the attentional network test[J].Human Brain Mapping， 2014， 35（4）： 1700-1709.

[35]DANTAS A M， SACK A T， Bruggen E， et al.Modulating risk-taking behavior with theta-band tacs[J].Neuroimage， 2023（283）： 120422.

[36]BROOKES M J， LEGGETT J， REA M， et al.Magnetoencephalography with optically pumped magnetometers（OPM-MEG）： the next generation of functional neuroimaging[J].Trends in Neurosciences， 2022， 45（8）： 621-634.

[37]ROBERTS G， HOLMES N， ALEXANDER N， et al.Towards OPM-MEG in a virtual reality environment[J].Neuroimage， 2019（199）： 408-417.