本研究EEG-based investigation of the impact of room size and window placement on cognitive performance發表于2022年的Journal of Building Engineering（IF:6.4）。來自康奈爾大學的Jesus G. Cruz-Garza 、Michael Darfler、Elita Gao 為共同第一作者，Saleh Kalantari為通訊作者。
摘要
本研究設計了四種不同窗口位置和房間尺寸（無窗、單窗、雙窗、加寬）的虛擬教室，讓參與者在每種設計條件下進行五項認知測試：Stroop測試、數字廣度測試、本頓測試、視覺記憶測試和算術測試，并在參與者完成五項測試時記錄參與者的腦電信號。分析對比不同教室設計條件下的認知測試成績和腦電信號得出結論。
行為數據的結果顯示，在不同的教室設計條件下認知測試的結果沒有顯著差異。腦電的結果顯示，不同的課堂設計條件(a.無窗vs一窗，b.無窗vs雙窗，c.無窗vs加寬)影響腦電圖的特征。分類模型具有預測能力，能夠識別參與者所處的設計條件。當參與者進行視覺記憶測試（VMT）時，分類器可以成功地識別與中性條件教室相比的三種設計條件(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）頻帶的雙側枕葉、頂葉和額葉區域觀察到的頻帶功率特征。連接特征強化了這些發現，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生了變化
本研究的證據表明，認知任務中的大腦活動特征受到虛擬教室中窗戶位置和房間尺寸等設計元素的影響。這種基于腦電圖的評估方法可以運用于建筑設計中。
研究背景
認知表現是指執行認知任務的流暢性、效率和準確性。較高的認知表現往往具有較強的推理、解決問題和決策能力，并與更強的信息回憶能力相關。以往的研究發現，一些環境質量因素（例如過熱的環境和糟糕的空氣質量）可能會通過一系列相互關聯的的生理途徑和心理干擾影響認知表現，造成認知功能的下降。但是，對于特定的建筑特征（比如房間大小、窗戶位置或家具布局）如何影響或改善認知表現的方式缺乏實證。
相比于2D圖像，虛擬現實（VR）能夠提供動態、沉浸式的體驗和更豐富的現實感，在實驗中也更能準確反映人們在體驗沉浸式三維環境時的大腦活動。同時，虛擬現實的使用讓研究人員可以精確地調整建筑變化，而這在真實環境中是很難實現的的。
基于此，本研究假設將VR與腦電進行結合能更準確地反映出建筑設計對認知的影響。
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)。所有參與者都來自休斯頓大學，分別代表工程、生物科學、設計、人文、經濟和計算機科學等院系。參與者具有不同的國家和種族背景。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設備及使用：
使用Epic Games的虛擬引擎，設備采用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。參與者通過使用Xbox手持控制器與虛擬環境進行交互，使用一個小操縱桿在多個答案之間切換，并按下按鈕進行回答。在實驗過程中，參與者可以轉動頭部來觀察虛擬教室的3D空間，但不能改變他們在虛擬教室中的位置。具體設計如圖1所示。
圖1 參與者佩戴腦電帽和VR設備
3.教室設計：
教室一共有四種設計方式。第一種設計是構建了一個沒有窗戶的真實大學教室的虛擬現實渲染圖，即“中性”條件；第二種設計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；第三種設計是在教室的房頂上面增加兩扇窗戶，但是沒有側窗，即“雙窗”條件；第四種設計是將房間的寬度由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桌子的末端，顯示任務問題的投影儀屏幕在長桌子的另一端。房間只有一扇門，位于參與者身后。攝像機的位置固定，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應（圖2）。
圖2 房間設計和認知測試呈現
4.認知測試：
在四種教室設計條件下，參與者分別進行五次認知測試(如圖3)：數字廣度測試(DST)，Benton測試(BT)，Stroop測試(ST)，以及算術測試(AT)和視覺記憶測試(VMT)。
DST用于評估工作記憶、注意力、信息編碼和聽覺信息處理能力。參與者聽一段隨機數字的語音序列，然后在屏幕上選擇正確的數字來還原這一序列。本測試沒有時間限制，通過計算正確數字的總數來統計得分。
BT是視覺知覺、視覺記憶和視覺辨別能力的衡量指標。屏幕上呈現一個復雜的幾何視覺刺激，持續3秒，然后呈現一組選項讓參與者選出與之前出現的刺激相同的答案。本測試沒有時間限制，根據參與者選擇正確的次數評分。
ST要求參與者快速識別顯示在屏幕上文本一致（綠色字體呈現“green”）或不一致(綠色字體呈現“red”)的單詞的字體顏色。本測試對正確和錯誤答案給予視覺和聽覺反饋，并評估參與者的正確率。
AT要求參與者判斷兩個簡單的算術表達式中哪個表達式的結果數值更大，或者數值是否相等。本測試提供了正確和錯誤答案的視覺反饋，根據參與者正確回答的次數評分。
VMT向參與者呈現一個由明暗方格組成的網格，持續2秒，要求參與者在空白網格上重現之前的明暗方格分布狀況。該測試沒有時間限制，并提供正確和錯誤答案的音頻和視覺反饋。根據正確方格的總數進行評分。
圖3 五項認知測試
5.EEG信號采集
EEG信號采用63導的actiCHamp plus進行采集，其中有57個電極用于頭皮EEG記錄(圖1)，并采用Recorder軟件進行電生理信號的記錄。以上設備和軟件均由德國Brain Products公司生產，國內由深圳瀚翔腦科學技術股份有限公司總代理。
6.實驗程序
在研究開始之前，向每位參與者介紹研究目標，并讓他們完成一份人口統計學問卷。然后，參與者戴上腦電帽和VR眼鏡并在非測試環境中熟悉設備。在正式實驗開始時，要求參與者睜眼注視墻上的一個點1分鐘，然后閉眼休息1分鐘，以此來獲取基線腦電圖讀數。接下來，參與者有10分鐘的時間熟悉將要進行的認知測試，并熟悉提交答案的方式。隨后，參與者在每個不同的虛擬教室環境中完成五項認知測試。
認知測試分兩個階段進行，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。在第二階段，參與者在不同的教室中完成Stroop測驗、AT和VMT三個認知任務。在第一階段和第二階段，進行測驗的順序都是固定的，但房間出現的順序是隨機的。在不同的房間出現之后，參與者通過填寫一個里克特10分量表對他們自己的精神疲勞狀況和壓力水平進行評價(1 =“完全沒有”，10 =“非常”)。
圖4 實驗的時間線
EEG數據采用EEGLAB進行分析。設置500hz的原始采樣率和0.5-50Hz的帶寬。
8.不同設計間的腦電特征分析
對四種設計條件下的五種認知測試中的每一種測試前25秒內的預處理數據集進行腦電圖特征分析，一共分析了20個數據集。使用5個典型EEG頻段頻帶功率和基于傳感器的連接EEG特征的訓練分類器，以區分中性條件教室和其他類型的教室。據此，進行中性條件和其余3種設計條件的兩兩比較:(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。分別對五種認知測試進行這三種比較，并選擇機器學習的分類方法來研究不同教室環境如何影響認知表現。
（1）EEG特征的提取：在傳感器層面提取了兩種類型的腦電特征:一個是不同頻段的功率，另一個是不同電極的部分直接相關性（PDC）。使用Matlab中的函數(pmtm)計算57個電極在5個典型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測量兩個EEG信號之間的因果關系，從而確定信息是否從一個電極傳遞到另一個電極。采用模型階數為15(30 ms)的多變量自回歸模型(MVAR)估計分布在頭皮上的28個電極的PDC，并對5個頻段的所有電極對的PDC估計值進行雙向評估。
（2）EEG特征的選擇：采用非參數Kruskal-Wallis檢驗評估各腦電特征的判別能力。所有參與者的特征根據Kuskal-Wallis檢驗獲得的p值進行排序。將p值小于2.4 x 10?6的特征(對p<0.01的4205個特征進行Bonferroni校正)進行分析。
（3）機器學習的分類方法：使用機器學習分類器核支持向量機(k-SVM)，評估20個類別(在四種不同的課堂設計中進行五項認知測試)是否能夠在中性條件和其余3種設計條件的兩兩比較中有效區分參與者的大腦活動。在每一個兩兩比較中，對EEG數據中最具判別性的特征進行排序，然后依次添加到分類模型中并測試預測性能。對腦電圖進行機器學習分析能夠確定每個教室設計的改變是否對神經相關因素有顯著影響。
（4）訓練數據集和測試數據集：進行機器學習程序，測試識別EEG特征的能力，有一個參與者被排除出訓練集。其余參與者(n=22)的數據作為訓練集創建k-SVM分類模型，采用5折交叉驗證。該過程重復23次，依次從訓練集中排除每個參與者，然后根據模型預測被排除個體數據的能力評估模型。在每次迭代中，訓練集每類包含22名參與者的880個樣本，測試集每類包含1名參與者的40個樣本。
（5）分類模型評價：以測試集分類準確率的分布作為主要指標來評價機器學習分類性能。在每次比較檢驗中，將分類準確率的分布與混淆類別標簽的EEG數據中獲得的分類模型和測試數據進行比較。采用Kruskal-Wallis檢驗，在顯著性閾值p < 0.003和p <0.006的情況下評價測試集分類準確率與混淆數據分類準確率之間的統計學差異，并應用Bonferroni校正進行多重比較。對排序后的腦電特征逐級遞增地建立分類模型，并使用排名前400的最佳特征對模型進行測試，評估分類準確率。
研究結果
1.行為數據結果：
不同的課堂條件下參與者的測試反應準確率、回答次數、完成時間和效率分數的倒數不存在顯著差異(圖5)。
圖5 不同教室設計條件下的認知測試表現
2.EEG數據結果：
如圖6，結果表明，不同的教室設計條件與參與者的腦電圖數據存在一致的變化，而分類模型具有預測能力，能夠識別參與者所處的設計條件。當參與者進行視覺記憶測試（VMT）時，分類器可以成功地識別與中性條件教室相比的三種設計條件(p<0.003)。
圖6 腦電分類準確率
如圖7，在中性條件和單窗、雙窗、加寬3種設計條件的兩兩比較下，頻帶功率特征的分布在中央頂葉和額葉區域的差異具有統計學意義。
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，這些變化主要出現在θ和α頻段。
圖7 腦電各個頻段的特征分布
結論及討論
本研究將VR與腦電圖進行結合，讓參與者在VR創設的不同環境中完成認知測試，同時記錄腦電數據。
行為測試的結果表明，在不同的教室設計條件（單窗、雙窗、加寬）下認知測試的結果沒有顯著差異。在虛擬教室環境中，教室設計的變化并沒有改善參與者在認知測試上的表現。這可能是由于參與者在實驗前有大量的時間練習測試任務，導致天花板效應的出現。
空間的設計影響腦電圖的特征，但是只有在需要短期記憶編碼的認知任務（數字廣度測試、Benton測試和視覺記憶測試）中，不同的教室設計才會誘發神經活動的改變。根據編碼特異性假說，可能是因為測試任務相關的信息存儲增強了對不同教室設計的心理表征，如果周圍環境的心理表征更強，分類器就更能有效地區分在這些不同環境中進行的短時記憶任務中的心理活動。
使用腦電圖來評估建筑設計元素對用戶的影響，可以幫助設計師更深入地了解用戶對設計的反應，從而指導設計決策。未來可以將這種方法應用于實際建設之前環境設計決策的評估，通過收集預期用戶群體的生理和意識反應，設計者將更早地了解設計決策可能對用戶產生的生理和認知影響，為用戶創造更智能、個性化和符合認知科學的產品和體驗。
