基于脑电记录分析系统的收缩城市建成环境对环境感知的影响机制——以伊春为例

马爽，穆特，王珏，马玉鸽，李双金

0 引言

“十四五”规划后，随着城市化进程进一步加快，常驻人口城镇化率在2025 年将达到65%[1]，人口将进一步向城市群、都市圈集中，在总人口不变的情况下，这意味着部分城市的人口将会持续收缩和转移。中国人口收缩10 万以上的城市有107 个，占总城市百分比的29.89%[2]，城市收缩往往伴随着社区的衰败、城市活力的丧失[3-4]，而这些因素又与居民的身心健康有密切的联系，衰败的社区往往与抑郁[5-6]有着显著的关联。因此，识别并探究收缩城市的环境感知改善路径对提高当地居民幸福感、抑制人口外流具有积极作用。同时，建成环境与居民健康、情感方面的关联也意味着可以通过测量居民对环境的感知来评价建成环境的质量。

目前，测量环境感知的方法主要分为3 类：一类以问卷调查和实地调研为主，通过各类统计方法归纳居民环境感知[7-9]，这种方法的优点是结果直接明了，能从多个维度反映人群的感知特征；第二类是利用微博或其他社交平台的大数据，分析不同地区人群的情绪表达[10-12]，这种方法涉及的数据量庞大，研究尺度广，突破了传统调查与统计方法的局限性，是大规模测度的典型手段；第三类是借助脑电、眼动仪等人因工程手段，直接测量被试在环境中产生的反应，探究其感知机制和感知状态[13-15]，可以敏锐地捕捉被试对视觉、听觉或其他感官刺激的反应，测量精度高。脑电是一种成熟的人因技术，不仅在医学领域有广泛的应用，也能在建筑、规划、环境等领域反映被试的情绪和环境感知[16]，为设计或规划决策提供指导意义。Li 等人[14]利用脑电测量被试对于地下空间环境的感知情况，发现βH/βL与认知表现之间具有统计学上的相关性。Zeng 等人[17]利用脑电判断被试处于不同绿色空间和声音环境下的情绪变化情况。Cho 等人[18]利用脑电评估了被试观察不同地点实景时的情绪效价水平，发现被试情绪效价水平与测试地点的设计水平呈正相关。然而已有研究较少将时间维度即城市环境感知随时间的变化纳入考虑，且探究相关关系方面鲜有考虑模型内生性问题。

1 研究范围

2 2015问卷得分配对2015mean_α直方图

3 2016问卷得分配对2016mean_α直方图

4 2016问卷得分配对2015问卷得分直方图

本研究拟采用脑电作为已有研究方法的补充来测量被试对于收缩城市部分街道的环境感知，借助脑电地形图与格兰杰因果分析对比观察不同年份街景图片的感知差异并分析其因果关系。构建工具变量与内生变量并结合多尺度空间回归模型，阐明收缩视角下建成环境影响环境感知的机制，为收缩城市的存量规划与设计提供科学依据。

1 研究方法

1.1 研究对象

本研究的研究对象位于黑龙江省伊春市伊美区（图1），该市在第七次人口普查时人口为173,300 人，研究区域面积约16.13km2。本研究的最小单位为以街道为中心建立的30m 缓冲区，预期取景街道共447条，经街景数据清洗最终筛选375 条街道。

1.2 实验方法

被试在浙江大学校内论坛招募，视力或矫正视力良好且无精神疾病，并在实验结束后获得相应报酬。每个被试分别观察两组照片，第一组为2015 年伊春市伊美区街景图片，图片爬取自百度地图，每张图片持续2s，播放结束后灰屏2s，继续播放下一张图片。在观察完约40 张2015 年的街景图片之后，被试需要继续观察2016 年对应地点的街景图片，流程与之前一致。实验结束后，每个被试填写一份问卷调查，问卷采用李克特四级量表，问题为某街道街景图片给人的感受，1-4 分别对应非常不舒适、不舒适、舒适、非常舒适。

脑电实验所得的数据包含了较大的噪声干扰，因此需要经过数据预处理并提取研究所需的频段。根据不同的频率范围，脑电波通常可被分为α 波、β 波、γ 波、θ 波、δ 波[19]，其中α 波往往在被试处于休息状态但保持清醒时最为活跃，并且不同的α 波活跃水平代表着被试不同的情绪状态，较高的α 波活跃水平与放松、愉悦和舒适有关，反之则与紧张、警觉有关[20]。本研究假设被试在观察收缩城市的年份较晚的街景图片时，相较于年份较早的会感到更加不舒适，基于该假设，本次研究选取α 波作为主要研究的频段。

实验数据由基于MATLAB R2023a（MathWorks）的EEGLab 插件[21]以及ERPLab 工具包[22]进行处理，剔除与本次分析内容无关的电极。重参考采用全脑平均参考，并经过插值坏导、ICA 独立成分分析剔除伪影、带通滤波等操作，保留α 频段，即8-13Hz 频段的数据，剔除波幅超过+/-100μV 的其他噪声伪迹最后剔除坏段并执行基线矫正。经过处理，所有被试的数据均无异常，都予以保留。将整个脑电数据划分为两组bin，bin1 为被试观察2015 年街景产生的脑电数据，另一组bin2 则为2016 年，事件（event）时间跨度选择事件开始时至开始后500ms，采用mean amplitude 计算两个不同事件在整个事件时间跨度上的功率均值。

1.3 统计与分析方法

在完成所有实验后，使用pwelch 函数计算功率谱密度并输出每个独立事件在所有电极上α 波相对功率。在一些类似研究中，研究者将所有电极的相对功率均值作为该事件对应的α 波相对功率，因此本研究也采用均值。获得所有独立事件的功率后，分别对2015-2016 年α 波相对功率、2015-2016 年李克特量表分数、2015 年α 波相对功率-2015 年李克特量表分数、2016 年α 波相对功率-2016 年李克特量表分数这4 对数据进行配对样本T 检验以证明其数据的可靠性。

之后将脑电数据可视化，分析α 波在两组事件中的事件相关电位头皮地形图分布情况差异以及两组事件α 波电压差值的头皮地形图的分布规律。使用Brainstorm 工具包[23]进行格兰杰因果分析并将其可视化，分析不同电极之间的连接规律及其所反映的被试状态。

MGWIVR 是一种构造内生变量与工具变量的多尺度地理加权回归（Multiscale Geographically Weighted Regression,MGWR）方法，相较于地理加权回归（Geographically Weighted Regression,GWR），它为每一个变量分配独立的带宽，其得出的结果能更好地体现空间异质性。同时，MGWIVR 通过构造工具变量以解决自变量间相互传导和影响的内生性问题，能有效排除变量之间的干扰。因此，我们利用MGWIVR 将反映建成环境属性的指标与对应的α 波相对功率做回归分析，变量指标详细组成如表1 所示。

表1 变量选取及其计算方法，穆特 绘制

2 结果

2.1 配对样本T 检验

首先对所有配对样本的正态性进行检验，若Shapiro-Wilk 检验呈现不显著，说明数据符合正态分布，若呈现显著，则需要结合直方图以及偏度和峰度进一步判断。一般来说，当偏度的绝对值＜3，峰度的绝对值＜10，且直方图大致呈钟形分布时，可以认为数据基本呈正态分布，可以进行T 检验。表2 显示了各组数据的正态性检验结果。可以看出，2015-2016 年α 波相对功率呈现不显著，符合正态分布，剩余3 组数据呈现显著，但其偏度与峰度均符合要求，且直方图基本呈现钟形，说明数据虽然不是绝对正态，但基本可接受为正态分布，可以继续进行T 检验。

表2 正态性检验结果，穆特 绘制

4 对配对样本T 检验结果如表3 所示，除第一组数据外，其余组数据均呈显著，数据间具有显著差异。其中两年的问卷得分与两年的平均α 波相对功率相互配对的差异性最强，两年问卷得分配对的差异性次之。

表3 配对样本T 检验结果，穆特 绘制

问卷调查显示，被试对2015 年和2016 年的街景图片具有不同的环境感知，且2016 年的感知评分低于2015 年，说明2016 年的环境舒适感降低。然而，脑电波数据均值差异很小，仅为0.017。为了进一步分析两年的脑电数据的分布规律和差异性，需要结合脑电地形图和格兰杰因果关系进行综合判断。

2.2 脑电地形图与格兰杰因果分析

5 各年份脑电地形图

6 2015年格兰杰因果分析

7 2016年格兰杰因果分析

脑电地形图结果如图5 所示，被试观察2015 年街景图片时，其枕叶部分电极的α 波显著高于其他区域，而在观察2016 年街景图片时，α 波活动强度较高的区域由枕叶转为右侧颞叶和顶叶。将两年的活动强度相减则能更清楚地观察到被试α 波的变动情况，其枕叶大部分区域均处于较低活动水平，而脑部其他区域则处于较高的活动水平。结果表明，研究范围内环境舒适感有所降低，这与先前研究的结果一致[24]。

格兰杰因果分析结果如图6、7 所示。被试在观察2015 年街景图片时，其电极之间的大部分连接均指向P4 电极，FC4、FC2、FC1、C5 电极指向P6，被试处于比较舒适且放松的状态。被试转而观察2016年街景图片时，其右侧枕叶部分电极，即P5、P7、PO7、CP6 指向了FZ 电极，出现了自下而上的连接，同时P6 电极处的连接增强，说明被试仍在处理图像信息但可能处于警觉。

综上所述，脑电数据的结果与问卷调查的评分的结论是一致的，都表明被试对2015 年的街景图片有更高的环境舒适感，且顶区作为关键脑区参与了环境感知的因果调制。这说明脑电数据能够有效且准确地反映被试的环境感知。

8 回归第一阶段自变量以及工具变量的影响程度

9 回归第二阶段的局部相关系数及呈现显著的自变量

2.3 多尺度地理加权工具变量回归

这些自变量与被试环境感知在回归的第一阶段显示出了较强的相关性，且存在显著的空间异质性，相关性较强的区域主要集中在中部偏西，次强分布在东西两端，最弱的区域为中部偏东（图8a）。工具变量对内生变量的影响仅在一小部分区域呈现显著，且相关性较高的区域均集中在西侧（图8b、8c）。

完成第二阶段回归后，所有自变量与因变量的局部相关系数最高值接近0.2（图9a）。其中内生变量（人口密度）对于因变量局部效应呈现显著的区域较小，集中在中部偏南（图9b），但相关系数较高，最高接近0.65，说明该区域内人口密度提高会增强被试对环境感知的舒适度。在8 个自变量中呈现显著的有3 个，分别为功能混合度、道路等级以及区位。其中道路等级对环境感知的影响在全伊美区均显著（图9g），相关系数最高接近0.145，中部地区随着道路等级的提高，舒适的环境感知提高。区位只在东部区域呈现显著（图9e），且区位越好其与环境感知的相关性就越强，但区位越好意味着离大型公共设施的距离越短，其相关系数为正，意味着距离越短，α 波的功率就会越低，被试对于环境的感知就越偏向不舒适。功能混合度对因变量呈显著影响的区域集中在西侧（图9c），相关系数最高为0.15 左右，西部区域大片面积为建设用地，有新体育场、新市政府等大型公共服务建筑以及许多新式小区坐落于此。这片区域功能混合度普遍较低，同时街景图片显示出大片建设用地，降低了被试的α 波水平，由此显示出了微弱的相关性。

3 结论

本研究检验了实验所得的脑电数据与问卷调查的可靠性，结合脑电地形图和格兰杰因果分析了被试在观察两个年份街景图片时α 波的差异，并利用MGWIVR 缓解内生性问题，探究了建成环境要素与环境感知之间的关联。

结果表明，被试观察不同年份街景图片所填写的问卷调查具有差异，伊春环境感知舒适度降低，但两个年份的脑电数据无显著差异。同时，从脑电地形图和格兰杰因果的结果来看，被试在观察街景图片时，其脑电活动反映的结果与问卷调查得出的结果一致。两个年份的脑电数据中α 波在大脑中的分布具有差异，且顶区作为关键脑区参与了环境感知的因果调制。进一步，通过MGWIVR 的回归发现，道路等级对于被试环境感知的影响最为显著，越高等级的道路往往拥有更高的环境舒适度水平。有一部分自变量与环境感知并没有显著关联，其余自变量如功能混合度、区位仅在城市的一小部分区域对环境舒适度呈现显著影响，部分地区区位越好则环境舒适度越低。

综上所述，脑电数据能比较准确地反映被试的环境感知，该方法可以运用于识别城市活力是否下降、街道品质是否衰退的研究中去，为收缩城市规划与建设者提供新的决策思路。同时，应着重考虑功能混合度、区位和道路等级对居民的影响，在建设成本允许的情况下适当的提高功能混合度，并将等级较高道路的部分要素，如设置合理的人行道、丰富的绿化等要素在其余等级的道路上适当设置，可以将居民的环境感知向良性方向引导。