基于场景脑电GRA-TOPSIS模型的景观情绪量化研究——以襄阳卫东厂为例

李哲 王立亚 高颖 李洁

在当前高质量发展背景下，结合风景园林研究与实践特色，深入开展建成环境景观情绪量化研究，助力人性化、有温度的城市更新行动，促进存量环境提质增效，已成为人民城市和公园城市建设的重要内容。数字化场景分析已经成为当代“人-景”耦合分析视野下环境体验与情感测度研究持续探索的方向之一[1]，呈现出由环境行为与心理认知（environment behavior and psychology）研究发端，经环境神经学（Environment Neuroscience）驱动而深入脑科学（Brain Science）领域的发展趋势[2]。

“情绪”是一组由感觉、行为和思想等刺激产生并经大脑处理的神经反应，是当代脑科学研究的重要领域[3]。景观情绪则是人对景观要素综合感知而产生的直接神经表征，通过即时性的“唤醒”（arousal）、“效价”（valence）情绪向量表示[4]。当代景观情绪研究在脑科学、情绪神经学和统计测量技术支持下，不断拓展景观环境分析、评价与设计中实体景观要素与感知觉融合分析的研究深度与专业领域，其非植入式脑电信号探测技术（如脑电图、近红外成像等）、情绪识别技术已较为成熟，能够在风景园林研究中融通使用[5]，并通过获取可运算、可比较的场景脑电数据，建构与研究问题契合的分析模型及其相关算法，为客观评测建成环境情绪量化构成及其关联景观要素提供研究途径与技术手段。

GRA-TOPSIS是现代工程绩效中发展形成的重要统计测量技术。相关研究表明[6-7]，GRA-TOPSIS能够在脑电数据支持的算法模型中搭载分析，相关方法为科学表征复合景观要素彼此间的量化关联提供拓展技术。因此，基于数字景观耦合理论和情绪脑电数据，集成熵权法（entropy-weight method, EWM）、灰色关联度（grey relation analysis, GRA）、逼近理想解排序（technique for order preference by similarity to ideal solution, TOPSIS）以及因子障碍度（obstacle factor）关联算法，科学建构场景脑电GRA-TOPSIS模型，开展景观情绪量化研究与测度分析，已经为搭建经场景大脑认知通向景观情感的技术桥梁夯筑基石。

1 基于脑电技术的景观情绪分析方法

1.1 相关研究综述

景观情绪是风景园林学科研究视野由实体空间转向环境情绪而形成的重要科学概念。景观情绪量化研究由风景园林认知评价研究发展而来，相关方法与技术包括情感量表统计、生理数据（如脑电、眼动、肌电、心电等）采集与行为测量、面部情绪识别、大数据词频与情感语义分析等。相关研究近年来迅速开展，如陈筝等[8]、朱萌等[9]利用可穿戴生理仪系统采集城市环境景观情绪基础数据；朱逊等[10]探索城市蓝色开放空间与积极情绪的关联机制；Lengen[11]、Walford等[12]聚焦开放空间的安全感和幸福感评价等。当代景观情绪研究总体呈现出方法定量化、内容类型化与技术模块化的发展趋势，景观情绪测量与分析方法逐渐从主观向客观、由局部到整体转变，依托脑认知测量技术进行的场景情绪、景观特征等前瞻性研究迅速开展。

得益于认知行为与心理、环境神经学在人居环境领域中逐渐形成的学术认同与研究铺垫，结合脑电技术开展的景观情绪研究在近10年持续升温。脑电技术正在以“景-脑”联立的分析方式迅速植入风景园林心理与行为、健康园林（园林康复）和建成环境绩效等广阔的研究领域，呈现出从传统统计分析到专业设备集成解析的研究潜力与专业动力。如Kim等[13]结合主观评价和行为特征脑电实验进行夜景情绪感知研究；Zhang等[14]基于生理监测数据和统计模型量化街景元素的情感反应；Wang等[15]利用回归分析探索观赏植物色彩情绪脑电偏好等。在侧重认知型景观“脑”研究日益丰富的同时，基于脑电技术的景观情绪研究逐步走向运用算法模型解析景观要素耦合规律和联立逻辑，推进以脑电数据驱动的景观情绪研究方法拓展与技术深化。

1.2 研究框架与技术路线

本研究以场景脑电关联数据为研究对象，根据环境神经科学以及“景-脑”视知觉理论[16-18]，开展景观构成机制与情绪脑电获取技术协同研究，提出基于唤醒、效价情绪脑电解析和GRA-TOPSIS统计分析的景观情绪量化研究框架（图1）：建立适用于场景分析的观测要素指标体系，拟合相关算法建构脑电GRA-TOPSIS模型；设计情绪诱发实验方案，依托实例实现景观情绪解析的唤醒、效价观测数据供给；结合实验数据优化模型，获取景观要素对应的情绪指数矩阵，开展场景情绪效能分析与评价。相关研究可按照以下5个步骤进行。

图1 研究框架Research framework

1）景观情绪脑电关联。标准化处理场景样本脑电观测要素，根据要素形式类别各选取3～5张照片形成情绪诱发实验材料（图2）。

图2 部分观测要素类型及照片样本Types and sample photos of partial observation elements

2）情绪脑电实验设计。链接E-Prime平台进行实时脑电数据采集，优化案例样本脑电信号直至确定适合项目开展的观测要素群。

3）情绪脑电测量识别。对脑电数据包进行情绪脑电识别，将脑电信号转化为情绪唤醒、效价分析对象。

4）GRA-TOPSIS模型搭建。封装处理场景脑电关联算法构建GRA-TOPSIS模型，经模型运算获得情绪指数矩阵。

5）景观情绪量化解析。依托模型获取要素指标的熵权和关联度、场景样本的景观情绪贴近度和主控因子，相关结果可用于建成环境景观情绪生成与演进的效能分析（图3）。

图3 技术路线Technical route

2 景观情绪分析模型与数据处理

2.1 景观情绪脑电分析简述

脑电图（electroencephalogram, EEG）是利用神经成像技术实现，并经过电极记录下来的脑细胞群自发性、节律性电活动，蕴含着丰富的情绪信息[19]。EEG的情绪神经活动主要包括瞬时活动（transient activities）和节律（rhythm）2种类型，其节律的α、β频段可以被有效用于情绪识别[20]。相关研究表明，环境情绪可以由情绪“效价”和“唤醒”组成的二维模式表征[21]（图4），其中效价反映了情绪的积极程度，唤醒反映了环境的沉浸或被吸引的程度。

图4 32位EEG相关神经活动以及情绪效价和唤醒二维模式Neural activity associated with 32-bit EEG and 2D model of emotion valence and arousal

本研究以典型建成环境引发的脑电反应为切入点，以“唤醒-效价”情绪数据链的逻辑贯通和算法关联为关键问题，通过实验采集代表性场景下景观情绪对应的脑电数据，构建脑电GRA-TOPSIS量化模型，使情绪唤醒、效价数据转化为景观要素逻辑关联对象，建立“景观要素—脑电提取—关联解析—矩阵描述—模型解析”关联数据链，实现景观情绪的数据推演和指数矩阵递次生成。

2.2 场景脑电测量与情绪数据处理

采用SAGA 32位全移动脑电仪和TMSI polybench软件，利用实验室环境链接E-Prime编制室内情绪诱发实验、刺激呈现和数据处理流程，获取室内实验的脑电信号。情绪脑电采集过程中，EEG设备可以通过在受测人头部放置的电极点，无创性地实时测量大脑情绪活动电位变化[22]。

情绪数据处理包括3个部分，分别是预处理、特征频段提取和情绪解析。首先，根据情绪刺激类型，将32导脑电信号进行截取分类处理；其次，通过快速傅里叶变换（fast Fourier transform, FFT）实现从脑电到频谱的转换，从中计算脑电功率谱密度（power spectral density, PSD），得到与情绪联系密切的脑电α（8～12 Hz）和β（13～28 Hz）子频段；最后，根据情绪神经的脑电额叶不对称特性，获取观测要素影响下受测人的瞬时情绪唤醒、效价特征向量[23]，并结合情绪计算①形成“唤醒-效价”景观情绪水平数值（式1、2）：

式中：EVA和EAR分别指效价和唤醒的情绪水平，其取值范围位于[-5，5]，数值越大表示情绪水平越高；P（α）、P（β）分别指α、β频段的功率，left和right分别对应左、右半脑。

3 模型搭建与关联算法

GRA-TOPSIS关联算法是建立在指标熵权、灰色关联度和因子障碍度基础上的一种解决有限方案多目标函数的多变量统计方法[24]。相较于层次分析法、德尔菲法、美景度评价法等主观评测方法，GRA-TOPSIS关联算法能增强情绪指数联立关系的分辨意义和差异性，为论证多组景观指标结构间的合理性和场景整体情绪效能提供前置条件。

为同时考虑情绪脑电数据序列的位置和形状特性，进而得到更加准确的景观情绪量化结果，构建基于“唤醒-效价”情绪数据的GRA-TOPSIS模型（图5）。作为一种算法模型，针对“唤醒-效价”情绪数据的GRATOPSIS模型需要联立场景脑电评价指标权重、情绪指数矩阵、场景主控因子的关键算法并形成数据闭合，其与之相应的具体操作可分为3个步骤。

3.1 观测要素指标权重确定

EWM是非观测多元数据客观评定的重要验证模式，GRA能够定量描述和比较指标体系的发展变化态势及其关联[25]。基于场景中n个景观观测要素指标，对m个场景样本的评价结果，形成景观情绪初始决策矩阵Z，并获取矩阵Z的归一化矩阵P和无量纲规范化矩阵R，由此计算要素指标的灰色关联系数O和熵权w*j（式3）：

式中：w*j指第j个指标的熵权；pij指矩阵P在第i个场景第j个指标的信息不确定度。

3.2 景观情绪指数矩阵决策

考虑到因景观要素间信息重叠而无法精准获取景观要素与场景之间的关系、实现场景方案的比选的问题，结合相乘优化与线性规划决策技术建立GRA-TOPSIS模型，代入唤醒、效价数值将矩阵P聚合为加权指数矩阵，从而获得景观情绪的正理想解（positive ideal solution,PIS）t+、负理想解（negative ideal solution, NIS）t–（式4、5）。最终结果以贴近度S表示（式6），表明各场景与最优方案的接近程度，贴近度越接近1，景观情绪质量越好，并以其作为景观情绪等级的划分标准[26]（表1）。

表1 景观情绪质量划分标准Tab. 1 Classification standard for landscape emotion quality

3.3 情绪质量主控因子判别

引入因子障碍算法对制约场景情绪质量的景观要素进行联立分析[27]，厘清单一指标对景观情绪质量的影响力大小并进行相应的对策调整。根据前文构建的景观情绪加权指数矩阵，研究利用指标熵权w*j和因子障碍度Y对场景样本的主控因子进行判别（式7）：

式中：Y指场景观测要素指标的障碍度，反映的是景观情绪主控因子的障碍强度；rij指初始决策矩阵规范化的值。

4 案例研究：襄阳卫东厂

4.1 场景样本遴选

本研究选取襄阳卫东厂进行实证分析。卫东厂位于襄阳岘山风景区西侧，始建于1964年，其前身为军工企业，2003年改制为卫东机械化工有限公司。厂区占地面积56 hm2，建筑占地12 hm2。卫东厂作为国家“三线建设”厂区，保留状态完好，时代氛围浓郁，厂区内场景特征鲜明，空间结构完整，景观构成要素全面，以梧桐、水杉构成的林荫道路连贯，现已结合《你好，李焕英》影片拍摄基地改造为城市休闲游憩地。本研究梳理电影中的典型场景，现场测量并摄录卫东厂20处实景照片（图6）。

图6 卫东厂场景点位置及部分图像Location and corresponding images of scenescape sites of Weidong Plant

4.2 实验过程

相关研究表明，现场实验时常面临着物理环境的干扰，而通过在实验室内向受测人展示照片的方式，可以较好地接收视觉呈现任务中的情绪反应[28]。本研究在实验室曲面屏幕场景样本沉浸投射播放的同时（图7），采用“启动—探查”（prime-probe）实验范式，即日内瓦情绪图片②（S1）—场景观测要素照片（S2）实测流程，将10组要素维度的场景图像分成4个部分进行实验，每张图像呈现3 s，并进行3轮播放（图8）。实验结束后提取29名受测人的EEG脑波特征③，探索不同观测要素对景观情绪的影响力，并进行景观情绪量化解析。

图7 在东南大学数字景观实验室的实时EEG测试Real-time EEG testing in the Digital Landscape Lab, Southeast University

图8 景观情绪诱发实验流程Procedure of landscape emotion elicitation experiment

4.3 典型场景脑电观测要素体系建立

根据国内外有关景观感知、特征识别和场景营造等研究成果[29-30]，遵循景观要素选取的代表性、全面性和可获取性原则[31]，分析卫东厂典型场景主要景观特征，拟定物理识别与认知识别两大要素群，并从中选取10个代表要素维度建立场景脑电指标体系（表2）。本研究采用频度统计法和信效度检验对场景样本情绪脑电数据持续优化，综合考虑数据相关性与量化测度进行观测要素筛选，由此确定脑电GRA-TOPSIS景观情绪量化研究的26种观测要素指标，规避因选用指标含混造成的分析困难。

表2 场景脑电观测要素指标体系Tab. 2 Index system of scenescape EEG observation elements

4.4 景观情绪实验结果分析

4.4.1 景观情绪诱发因素分析

实验获得卫东厂20个场景的29组受测人样本数据，其中有效数据26组。根据情绪脑电识别结果，对情绪唤醒、效价数值进行统计分析。场景间情绪数据的显著性检验P值小于0.05，具有显著差异；情绪数据在10组要素维度上的克朗巴哈系数均在0.753以上，表明10类要素图像具有较好的内部一致性。通过比较分析，文字原型B51、植物层次A43和历史文化B52普遍表现出更高的唤醒或效价水平，且均集中在（0，5]（图9）；总体而言，景观唤醒与效价关于场景要素阈值呈非线性单调递增关系。

图9 观测要素情绪唤醒和效价数值分布Value distribution of emotion arousal and valence on observation elements

为了区分不同场景的情绪状态，基于向量模型将唤醒和效价相乘得到的综合情绪值进行进一步分析[32-33]。根据场景脑电数据获取景观情绪初始决策矩阵，载入熵权法求取指标间的综合情绪灰色关联系数，其中非相同要素维度的图像符号B41和历史文化B52、景施组合A11和色相丰富度B31、植物态势A44和色彩饱和度B32、植物层次A43和空间视域B23的关联度较高，均超过0.82（图10）。以上结果说明，卫东厂场景间建设水平良莠不齐，各景观要素诱发的情绪水平不稳定，且存在共变关系。在整体景观效能稳定的条件下，提升符号类要素的景观情绪水平，将直接影响到对场景历史文化的情绪体验。此外，景观空间视域与绿化种植在景观情绪上呈现此消彼长状态，为满足所需空间场景营造，会衍生视觉植物景观衰减情况。

图10 观测要素灰色关联热力图GRA heat map of observation elements

4.4.2 景观情绪场景质量分析

结合GRA-TOPSIS关联算法，计算20个场景的PIS和NIS，得到相对贴近度及其情绪质量等级（表3）。评价结果可知，卫东厂景观情绪贴近度均大于0.345，Ⅰ类场景4个，Ⅱ类场景5个，Ⅲ类场景3个，Ⅳ类场景8个，整体未达到最优状态。Ⅰ类场景的S17、S1、S7和S5均在《你好，李焕英》中出现，其文字符号多样，年代特色鲜明，且绿植生长态势良好，表明电影场景营造对卫东厂景观情绪质量有显著的拉动作用。

表3 场景样本情绪评价结果及其质量等级Tab. 3 Emotion evaluation results and quality level of scenescape samples

根据因子障碍法进一步探究4类景观情绪质量标准下的前5位主控因子排名及其障碍度（表4）。由表可见，植物形态A41、植物构成A42、水体可视度A51和空间视域B23的频次在2次及以上，主控因子的约束作用强弱不一，Ⅳ类场景的因子障碍度普遍较高。卫东厂植物均为建厂之初所栽植，以其规整的空间排布和生长历史，塑造了独特的景观基础，但除Ⅰ类场景外大多对植物的维护水平较差，导致植物要素显著阻碍景观情绪。显见推论即良好绿化种植与视野空间、多样的水体景观与驳岸设施，对卫东厂整体景观情绪质量的提升最为明显，景观改造与更新设计需要特别注意。

表4 4类场景的景观情绪主控因子障碍度排序Tab. 4 Ranking of obstacle degree of main landscape emotion control factors in four types of scenescape

4.5 卫东厂景观情绪综合评述

实验分析证明，利用EEG新型生理探测分析技术，研究者可以更准确、高效地识别景观环境下的瞬时情绪唤醒、效价数据；建立GRA-TOPSIS算法模型获取观测要素间的逻辑关联，实现对可感知、认知场景的情绪量化和景观要素联立分析；结合情绪指数矩阵评估不同场景及其主控因子的景观情绪质量，可为景观情绪量化研究及其实践应用提供循证依据。

实验数据表明，卫东厂景观环境中景施组合A11、视觉尺度B11、色彩饱和度B32、绿视率B21等与景观情绪的显著性检验P值小于0.01，皮尔逊相关系数r均大于0.55，呈显著正相关。符号B4、空间B1和建筑A2等要素维度对景观情绪提升的阻碍最小，而植物A4的阻碍较大，可以发现卫东厂认知识别要素较之物理识别要素对于正向景观情绪的影响更加明显。同时，卫东厂景观要素间具有共变关联效应，例如图像符号B41和历史文化B52、景施组合A11和色相丰富度B31、植物态势A44和色彩饱和度B32等，随景观情绪的变化而具有相似的发展趋势。可见在提升景观时代认知的导向下，场景可视范围内典型图像符号的引入能够显著提升景观环境历史文化特色。相应地，空间、色彩、构筑物等易激发情绪关联变动的景观要素值得关注，其综合性改造对景观情绪提升作用显著。

结合现场调研可见，卫东厂场景的图像符号类型、时代文字原型对景观情绪具有正向影响，游客在卫东厂更容易受到具有时代特色的场景吸引，往往会驻留在具有明显标识处（如年代宣传标语、电影张贴海报）以及电影设施搭建处（如梧桐大道、排球广场）拍照留念。这也意味着，为了满足游客沿路游赏、场景驻留的基本需求，适当强化标识系统布设和场景空间，通过时代风格明确的构筑设施和植物群落营造“怀旧”氛围，能够提升影视场景游憩的兴趣和关注度。

同时，场景中绿化植被的增强设计会对景观情绪产生正向影响[34]。景观情绪质量等级高的场景中往往高大乔木特色突出，种植结构简明清晰。景观情绪主控因子障碍度分析进一步表明[35]，连续性植被景观更容易唤醒良好情绪，这与《你好，李焕英》电影场景中的植被营造吻合，例如道路旁漫天飞舞的梧桐落叶、排球场金黄灿烂的银杏、随风荡漾的湖边垂柳等，说明完整延续的植被形态、构成、层次和态势可以帮助人们更好地感知景观，提升景观情绪唤醒氛围。

此外，在实验研究根据景观情绪贴近度划分的4个等级标准中，Ⅰ、Ⅱ、Ⅲ、Ⅳ类场景依次为4、5、3、8个，差异系数为6.732，部分场景的景观情绪处于较低水平，这与因影视拍摄造成的厂区景观建设的不同步状态有关。局部场景增强设计在获取高唤醒、高效价景观情绪的同时，反而造成了场景原貌的景观情绪低效应，这种情况在景观更新实践中应得到充分关注，这也意味着，对于建成环境的提质增效既要对症下药，更应均匀发力，应当重视景观情绪的多维度唤醒与延时效价，在充分利用景观要素耦合规律基础上更加科学、全面地进行建成环境存量改造与系统营建。

5 结语与展望

在当前景观认知评价的模块化发展（如满意度、活力度等）基础上，研究将景观情绪脑电数据作为景观体验的研究契入点与基础测度，结合脑科学认知研究途径探讨了场景脑电观测数据转化为情绪非观测数据和分析依据的技术流程，在改变传统主观评测的研究方式上进行了初步尝试。在对相关成果的梳理、融合以及实验分析的基础上，以襄阳卫东厂为例，建立了基于场景脑电GRA-TOPSIS模型，通过景观“刺激—反应”实验和情绪脑电识别手段，针对景观情绪效能的关系变量进行量化分析。在基础数据分析中，采用量化解析与数学描述相结合的方法，初步归纳研究需要的景观指标评价体系；在脑电识别和数理统计的基础上，应用情绪计算和GRATOPSIS建立可供研究有序开展的指数矩阵，为后续景观情绪研究提供一种可供研究参考的脑电量化解析基础模型。

现阶段研究局限于视觉刺激下的情绪反应，实验室数据能够正向反映场景观测条件下的情绪状况，但真实场景中由听觉、触觉和认知等产生的综合效应仍有待实测探知，且并未涉及历时性情绪感受，由唤醒、效价基础情绪标识发展至连续的、综合性的情绪（情感）及其指向（如幸福感、喜悦感等）的研究机制与技术有待深入探索。同时，现有研究的受测人群单一，其脑电数据结果是否对其他年龄段具有普适性需要进一步验证。作为研究纵深发展的技术维度，亟待拓展景观情绪的影响指标、场景样本数量，完善场景脑电与景观情绪的复合算法体系，进而增强研究成果在建成环境循证设计中的可操作性，并为实践转化开辟技术途径。

回眸并不久远的过去，风景园林场所认知、行为与心理、体验与感悟等领域先行者砥砺前行，为今天应用脑科学技术与设备进行景观情绪量化研究奠定了坚实的基础。景观情绪量化研究根植场景建构经典理论与情绪认知基本规律，得益于脑科学与风景园林学交叉程度的日益提高，相关技术与关联算法不断推进景观情绪在“算法模型”和“矩阵解析”技术条件下的纵深发展，将数字化脑电分析手段融入“测量—识别—建模—解析”的研究全过程，致力于“人-景”交融维度的科研纵深领域，对当代景观偏好、景观认知行为、景观关注度、景观安全感或舒适度体验等研究发展具有推动作用，对建成环境存量提质改善和增量结构调整具有研究意义。

注释(Notes)：

① 情绪计算（affective computing, AfC）由Rosalind Picard在1997年提出（详见参考文献[16]），是自动识别、建模和表达情绪模式的一个重要研究领域。本研究使用机器学习技术训练情绪二维模型，获得分类算法下的“唤醒-效价”平面象限，并对象限进行插值，得到中间模型和相应的景观情绪预测数值。

② 遴选日内瓦情绪图片数据库（Geneva affective picture database, GAPED）的部分图片作为EEG实验对照样本，以验证受测人是否能表现出标准的情绪反应。GAPED情绪激发后，让受测人进行2 min的静息，使受测人的情绪状态恢复到基线水平；采用GAPED公布的得分均值和偏差，通过标准分数（z-score）标准化每个受测人的情绪唤醒和效价数值。

③ 本研究使用G＊Power软件来估计样本量，根据场景要素维度和实验试次，选择联合假设检验中的相关样本方差分析，设定显著性水平为0.05，统计功效为0.9，效应量为0.25，得到总样本量≥25。实验招募29名大学生（女性14名，男性15名，X=22岁，σ=2.6）参加实验。受测人的年龄、阅历与游览经验相似，并对电影《你好，李焕英》影视场景以及本实验流程都有清晰的认识。

图表来源(Sources of Figures and Tables)：

图4改绘自参考文献[20][23]；其余图表均由作者拍摄、绘制。