基于脑电分析技术的景观关注度主成分量化解析——以南京市玄武湖公园为例

李 哲

陈菲菲

韩 笑

赵锴彧

1 背景

景观环境中的共性心理作用机制及其认知主成分识别是风景园林研究探索的方向之一，伴随着现代景观科学研究手段与技术日趋丰富，相关研究范畴已拓展至脑科学领域，脑电分析技术手段日益先进，学科交叉程度愈发深化。脑电解析已经成为风景园林分析、评价、设计及绩效研究的重要途径，为景观“环境-心理”研究搭建技术桥梁，并因其客观稳定映射人脑对景观环境直观感知的技术优势，为景观行为心理、健康园林乃至人性化景观等研究领域纵深发展起到支撑作用。

适用于风景园林研究开展的脑信号测量方法主要有头皮脑电信号采集技术(Electroencephalogram，EEG)和功能性磁共振成像技术(FMRI)[1]。相比FMRI而言，EEG技术集成度更高，设备便携性更强，能够更有效地应对风景环境研究的客观需要。目前，以“environment”“EEG”为关键词在Web of Science上检索文献可见(图1)，EEG在当前研究中的应用领域主要包括健康景观与康复性研究、景观关注度及景观偏好研究[2]、景观心理疲劳与视觉疲劳研究[3]等，应用领域迅速拓展，研究潜力较大。随着学科融合度加大，脑电波采集技术、数理统计与算法探索的研究协同成为风景园林定量研究的表征之一，脑科学技术支持下的景观认知得以量化采集并加以集成分析，为景观建成环境评价、运维与管控，乃至设计前置分析开创了可量化、可操作、可交互的脑电技术时代。其中，脑电技术与数理分析技术的深度结合是“环境-心理”耦合机制下的重要研究途径，整体透射出当前风景园林科学化发展的全新势态[4]。

图1 EEG在风景园林的研究文献分析图

景观关注度指人通过景观环境感知而在心理产生的即时性关注程度，是景观影响力的重要衡量标准之一[5]。关注度是景观内在作用规律的研究起点，脑电分析则是关注度研究的重要途径之一。当前研究侧重于以脑电波变化反应景观关注度，量化解析不同景观场景中景观关注度的波动趋势，实验性与实证性研究紧密结合成为显著特点。

2相关研究进展与结论

2.1 景观关注度研究

景观关注度早期被应用于视觉景观评估和景观偏好研究[6]，即视觉景观研究范畴下景观关注度与景观环境的关系[7]。刘滨谊[8]提出了景观视觉空间吸引的概念和相关要素，并就景观视觉吸引机制的类型和工作原理建立研究框架；李雄、薛鑫、韩君伟等聚焦“环境-心理”交互关系，基于“刺激-反应”分析机制分别进行了显性观测对象的统计分析，通过建立景观客体要素与景观心理价值的函数关系模型，识别关键景观因子并评估景观质量[9]；李树华[10]从生理、心理和社会3个维度展开城市环境与关注度相关研究；董靓提出视觉熵与偏好评价值的相关性，建立数学模型进行街道景观视觉评价，并从视觉复杂性角度提出改善视觉偏好的方法[11]。相关研究侧重于现象学分析，倚重于传统型视觉评价模式探析心理机制与调控方法[12]，分析技术主要包括现场评估法、纸质问卷调查法、网络调查法、数字媒介法等，采集数据一定程度上稳定性不足、主观性较强，且无法规避时间性制约。与之相比，采用EEG脑电设备，以脑电波数值转化并进行景观关注度客观评测，在信息采集精度、实验测度和分析技术上具有纵深发展优势，一定程度上代表了景观关注度的当前研究方向。

2.2 景观脑电采集与分析

脑电信号是脑活动生物电信号，能够直接呈现大脑神经元活动信息。相关脑科学研究结果表明，目前EEG设备可以分析评测δ、θ、α、β和γ等频率的脑电波，其中β/α被认为是最合适的环境应对差异性指标[13]。博维尔通过α、β脑波段分析公共景观吸引力，指出碎片尺度对评估视觉丰富性、建筑密度或城市组成部分具有重要意义。Chen Z将脑电技术应用于多轮场景实验，以EEG方法比较分析城市环境和自然环境中人的心理变化，初步建立了景观环境穿行状态下大脑认知规律的实验识别框架[14]。伴随实验技术的深入，近年来脑电采集技术与算法研究结合成为发展趋向，例如拉米等利用脑电仪进行图像视觉景观质量算法研究与评价[15]；柴家发针对草原道路与山区道路的景观差异进行室内模拟，在测度提升方面取得积极成果[16]。

同时可见，EEG作为一种非侵入式技术，可高效作用于受试者脑活动完整持续性评估，其时间精度远高于主观测评法[17]。目前研究集中于景观注意力、恢复力和视觉疲劳方向，对比分析典型景观场景中脑活动规律，侧重典型脑电数据与景观质量的对应关系，但对结合脑电技术开展的景观因子量化研究尚处于研究初期，景观关注度关键影响要素的判定及其耦合关系缺乏科研论证，是景观心理量化描述与绩效研究持续开展前必须补充的理论空白。

2.3 主成分分析法

主成分分析(Principal Component Analysis，PCA)是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量即为主成分。主成分分析在风景园林领域应用广泛，适用于各类景观因子分析与主成分解析，是景观因子量化分析的重要手段之一。陈菲用主成分分析法对严寒城市景观活力进行评价，从诸多景观评价指标中提取主要指标[18]；李宝勇对景观设施安全因子进行主成分解析，建立了城市公共空间景观设施安全性量化评价体系[19]。主成分分析通过对景观因子的数据降维处理，凸显包含关键标识信息的景观主要成分，其指数特征清晰反映各景观因子的影响幅度，为景观因子权重确定与各类景观统计分析系统构建厘清前置条件。

在此基础上的回归分析模型则由景观关注度主要因子及其权重构成，该模型的建立需要一个重要前提，即各自变量是线性无关的关系。针对现实环境中各景观关注度因子之间可能出现的多重共线关系、回归预测结果误差大等不足，本研究采用主成分分析法对景观初级变量进行整合，形成一个相互独立，且包含原始变量信息的新变量组，从而建立景观关注度主成分回归模型，反复测试以求减少回归预测模型的分析误差和后期计算工作量，提高景观关注度主要影响成分测度。

3 景观关注度脑电数据回归分析模型

3.1 研究的技术路线

从脑电数据量化分析角度研究景观关注度，探索不同景观因子对环境心理的影响力并构建景观关注度分析模型，进而探索景观关注度与景观环境脑电分析的理论关联。结合相关研究成果建立原始景观因子集[20]，每个原始景观因子选取2～3种典型特征照片建立实验素材库，基于EEG技术与E-prime平台采集受测者观看每张照片时的脑电波数据，经过预处理和数据转化形成原始景观因子的对应景观关注度值。

针对景观因子存在彼此交织、相互影响、数量众多的普遍问题，本文利用主成分分析法对这些原始景观因子关注度值进行降维整合，将原始景观因子整合为6个新的各自独立、包含原始变量信息的新变量，分别为色彩丰富度、空间集成度、水体形态变化度、材质多样性、群落丰富度和设施完整性。景观关注度因子与其权重共同构成了景观关注度评价模型(图2)，用于从脑电分析角度进行关注度主成分分析。

图2 技术路线

3.2 原始景观因子选取

景观关注度潜在影响因子数量众多，目前对景观因子的划分与选择尚无确定、公认的标准，本文结合已有研究成果[21]，原始景观因子的选择首先在清晰反映研究案例景观特征且具备代表性的基础上保证景观因子集的完整性，在景观因子选取过程中尽量多地体现其多样性；其次景观因子的选择应根据场景的不同特色具有导向性，尽量保证各景观元素的独立性，避免出现大幅度景观要素重复；最后在坚持学理性探索为先导、技术路径研发为核心的基础上，充分涵盖实验过程必需的景观环境构成要素，避免研究方法与算法框架出现非关错误(表1)。

3.3 脑电波数据转化

原始景观因子是构成并影响景观关注度主成分的重要可观测因子，实验中由脑电技术获取其非观测数据并进行α、θ、β频段转化。利用EEG技术采集不同景观因子影响下的原始脑电数据，经脑电图预处理(图3)，运用快速傅里叶变换(Fast Fourier Transformation，FFT)对EEG信号进行3个特征波段的提取，按照3个特征阶段的频率谱分别计算相应波段的对应功率，根据方得胜的研究成果[22]获得疲劳因子R值，见式(1)；Pα、Pθ和Pβ分别是α、θ、β的对应功率，以R值来判断景观关注度大小，见式(2)：

图3 预处理后的脑电图局部

3.4 回归分析模型建立

利用回归模型获取权重，评价各景观因子对景观关注度的贡献率，通过对各因子权重的比较判断景观因子对景观关注度的影响程度。研究基于SPASS 23.0获取景观因子的因子荷载系数和特征根，由式(3)计算得出景观因子在各主成分中所占的比重，根据式(4)可获得各景观因子的权重，式(5)进行归一化处理后得到各景观因子对景观关注度的贡献度。

计算各景观因子在主成分线性组合中的系数，公式为：

式中，μij为第i个变量的第j个主成分的因子荷载数；λj为第j个主成分代表的特征根。

获取单个景观因子的初始权重，公式为：

式中，θj为第j个主成分对应的方差贡献率；方差贡献率表示各个主成分相对重要程度；方差贡献率越大，该主成分的重要性越强。

根据实验数据情况，将总和不等于1的影响因子权重做归一处理，从而获得单个影响因子权重与总权重之间的相对关系，公式为：

式中，Wi'为单一因子初始权重值，即第i个变量的初始权重。

最后形成景观关注度评价模型，公式为：

式中，y为景观关注度大小；βi为第i个变量的影响系数；Vi为第i个重新提取的变量值。该模型反映出影响景观关注度的主要成分及其对景观关注度的贡献度。

4 景观关注度主成分研究——以南京市玄武湖公园为例

玄武湖公园是南京市最大的城内公园，园中景观要素齐备，景观类型与设施丰富，水体面积、形态关系明确，道路铺装、植被群落形态多样，具备景观关注度研究的典型特征。本研究以玄武湖公园典型场景为例，进行景观关注度主成分的实验设计与实证研究。

4.1 实验方案设计

4.1.1 实验准备

以东南大学数字景观实验室为实验地点(图4)，采用曲面屏幕照片投射的方式营造沉浸式实验空间，建立EEG实验环境。脑电采集设备采用MYLAB64导全移动脑电记录分析系统，电极位置按照国际10-20标准放置，采样频率为512Hz，研究以PZ、P4、P5、O1、Oz、O2 6个导联用于采集脑电信号。利用E-Prime心理学实验操作平台建立数据收集系统、刺激呈现系统和数据分析系统(图5)。

图4 东南大学数字景观实验室脑电实验场景图

图5 实验系统布置图

相关研究表明[23]，人们对真实风景的评级与照片之间存在显著的相关性，这为本研究提供了可靠的研究依据，使变量更加可控，运用可视化编程语言建立一个从实验生成到毫秒级数据收集的实验流程，搭建了脑电刺激实时判读与景观关注共时反映之间的数字化解析桥梁。

4.1.2 样本获取

研究以受测人景观关注度为因变量，玄武湖公园景观因子为自变量，利用沉浸式照片环屏对景观环境实景进行脑电测试。共提供照片40张，每个景观因子选取2～3张典型照片，部分景观特征照片如图6所示。

图6 部分景观因子照片样本

招募志愿者30人，将受测人员分为2组，每组15人，每组男女比例1:1，实验对象的年龄、游览经历、学历背景类似①。实验期间保持室内环境安静，将40张各具景观关注要素的照片随机播放，每张显示时长3s。每组播放3轮，同步采集脑电信号。

4.2 数据处理

研究共采集30组数据，其中有效数据28组，运用频谱分析获得景观关注度数值，将数值导入SPSS进行主成分量化解析。

1)主成分分析。

采用极差法对前期获取的景观关注度数据进行标准化处理。采用KMO和Bartlett检验法进行适度分析(表2)，KMO抽样适度测定统计数值结果大于0.5，同时Bartlett球度检验相伴概率P值小于0.01，因此认定数据采集样本能够进行主成分分析。将标准化后的数据提取出6个主成分，获得解释的总方差为87.79%(表3)。

表2 KMO和巴特利特检验

表3 总方差解释

特征根代表了景观特征变量对景观关注度值的贡献度，特征根越大，该成分对景观关注度的影响越大。从解释总方差看出，成分1的特征值最高，重要性逐次递减直至特征根为0.792的成分6。前6项的累计方差率高达87.8%，表明这6个主成分包含有87.8%的原始变量数据信息，可以替代原始15个景观因子，数据有效。根据公式：Qn=方差百分比/方差累计贡献度，6个主成分的权重分别是：Q1=0.38，Q2=0.20，Q3=0.16，Q4=0.10，Q5=0.09，Q6=0.06，公式为：

通过主成分分析法提取6个主成分关注度因子，获取的成分矩阵可反映出每个主成分下初始景观因子对该主成分的影响程度。根据式(1)获得不同景观因子在主成分线性组合中的系数(表4)。根据每个主成分的主要组成部分得出，成分1中色彩饱和度和色彩数量对景观关注度数值提升的贡献率超过80%，将成分1命名为色彩丰富度。成分2中空间围合度和空间形态的信息贡献率超过80%，将成分2命名为空间集成度。成分3中水体形态和水体面积的贡献率累计超过60%，将成分3命名为水体形态变化度。以此类推，成分4为材质多样性，成分5为群落丰富度，成分6为设施完整度。新的6个主成分相互独立，共同影响着景观关注度变化，且包含近乎全部的原始变量信息。

表4 指标在不同主成分线性组合中的系数

结合主成分关注度因子权重与上述主成分解析获得景观关注度评价模型：

Y(景观关注度)=38%色彩丰富度+20%空间集成度+16%水体形态变化度+10%材质多样性+9%群落丰富度+6%设施完整度

2)原始景观因子的关注度贡献率。

根据式(4)(5)进行数据归一化处理，获得各原始景观因子对景观关注度的影响贡献度(图7)。

图7 原始景观因子贡献度

4.3 结果与讨论

实证分析表明，运用主成分分析获取景观关注度影响因子及其权重的方法具备可行性，实现了景观环境中脑动态的精准判读与定量解析；同时以景观脑电分析为依据，将多个景观观测变量利用算法聚类统计、回归测评、量化判读为相对明确的景观专业研究对象，并获取其耦合关系数据，对该领域研究纵深发展与实践应用奠定分析基础。相关结论如下。

1)景观因子的种类及其数量是影响景观关注度的重要标准，二者呈正相关关系，景观关注度随着景观因子种类的增加而提升，多种景观因子的搭配组合能够获取更高的景观关注度，其潜在量化耦合关系可进一步试验分析。同时表明，本研究提出的相关方法、算法与技术，能够为景观多样性、景观空间组构等领域研究提供参考。

2)由主成分分析结果可见，景观关注度影响因子按权重依次为色彩丰富度、空间集成度、水体形态变化度、材质多样性、群落丰富度和设施完整度，6个主成分对景观关注度的贡献度逐渐递减，但总计达到近90%。其中，色彩丰富度和空间集成度对关注度的影响权重分别高达38%和20%，显见推论即在景观色彩与空间层次更为丰富时，景观关注度值提升最为明显，景观设计需要特别关注②。

3)研究提供了15个初级景观类型对景观关注度的影响贡献度，其中雕塑小品(建构筑物)、空间围合度、色彩饱和度和色彩数量对景观关注度的影响最为明显，影响率分别达到12%、11%、11%和10%。数据表明脑电初级反应(3s内度数)与视觉感应关系密切，具有典型视觉引导及焦点的场景更易获取关注度。需要注意的是，景观关注度随实验时长延长会发生复杂变化，并非所有初期关注度高的场景始终保持稳定关注度，同时实验时间较短以期获取脑活动初期数据，与实际观游状态仍存在差异性，相关脑电变化规律需要开展深入分析。

5 结语与展望

脑电技术与算法分析为当代景观心理量化描述与分析提供了新的研究向度与技术支撑，并为景观关注度研究拓展思路。本文是基于视觉刺激而产生的脑电波研究，初步建立了利用脑电设备、依托脑科学研究手段开展风景园林研究的技术框架。基于“环境-心理”耦合机制与脑电信号采集技术(EEG)研究进展，基于主成分分析法建立了一种景观关注度脑电分析模型，通过算法设定与实验数据分析获取景观关注度主成分及其量化耦合关系。主成分模型的建立方法具有通用性，其理论框架可运用于各类景观的关注度量化研究中，但原始景观因子构成需要根据实际情况具体实测遴选。除了景观关注度方向，相关算法可在风景园林行为心理学、多感官景观、景观美学、康复景观及景观绩效评价等诸多方面加以研究运用。

随着EEG数据采集技术不断发展，脑科学视野与技术维度已逐步融入当前风景园林研究中，并在景观知觉、心理、行为等研究领域科研潜力明显，有助于扩展风景园林科学研究的广度，加深脑科学在风景园林领域应用的深度，并在建立“景-脑”分析框架基础上逐步形成一种新的环境与人交互的研究方法，为风景园林建成环境高质量发展提供一种脑科学应对机制与拓展分析框架。

注：文中图片均由作者拍摄或绘制。

注释：

① 实验测试环节选取受测人共30名，平均年龄24岁(上下浮动不超过5岁)，均为在校就读研究生，就读专业均为风景园林专业。受测人生理与心理状态均为健康，相关游览经历、生活环境类似。实验过程重点进行研究方法与技术的实证性分析，对受测者个体特征(年龄、性别、职业、健康等)及特征交互情况未进行聚类分析。显然，个体差异、群体共性均能够对研究结果造成影响，相关研究领域广阔。

② 结果中景观关注度主成分是基于玄武湖公园典型景观要素获取的，实证方法具有研究价值，并能够一定程度上充实目前广泛开展的景观关注度解析方法与技术。相关研究应首先结合实际案例景观要素情况进行初始因子设定，继而获取对应景观关注度主成分量化关系，从而提高研究信度，支撑纵深研究开展。