基于EEG的車內噪聲評價研究?

鄒麗媛， 王 宏

(1.東北大學機械工程與自動化學院，沈陽 110819；2.遼寧水利職業學院，沈陽 110122)

前言

隨著汽車產業的飛速發展，人們對乘車舒適度的要求也不斷提高。NHV(noise，vibration，harshness)性能直接影響到乘車舒適度，已經成為購車主要參考的一項指標。

對車內噪聲評價的方法分為主觀評價和客觀評價兩種。主觀評價主要通過問卷調查形式展開，評價者根據合適的評價指標描述對噪聲的主觀感知，從而得到人對噪聲最直觀的感受[1]。常用的主觀評價方法有成對比較法、語義細分法、等級評分法、排序法、多維尺度分析法等[1-2]。其中，成對比較法(pair comparison)使用較為廣泛。

20世紀80年代，為了降低聲壓能量，利用A計權聲壓級測量的方法來模擬人耳對噪聲的感受。但A計權聲壓級測試方法無法滿足對聲音品質改善的需求，乘員對于聲音的感受常常與所測得的A計權聲壓級不同[3]。

近年來，聲品質評價方法被國內外學者和相關研究者大量使用。具體流程如下：建立評價組對汽車噪聲進行主觀評價，同時提取車內噪聲的客觀物理參數，如響度、尖銳度和粗糙度等參數，使用多重回歸等方法建立兩者關系，構建客觀量化模型[4-5]。這些模型多為穩態響度計算方法。原則上并不適合時變噪聲的分析，而車內噪聲多為時變信號[5]。更重要的是，這種方法仍然無法滿足舒適度因人而異的要求。研究受到地域、文化差異和民族習慣的影響，很難構建統一的評價標準。

相比之下，腦電圖(electroencephalogram，EEG)方法可客觀地描述噪聲的主觀感受，且可用于分析時變信號。采集方便、使用條件受限小，具有較高的時間分辨率和精度。目前已有不少研究利用腦電圖分析噪聲效應[6-8]，這表明通過對腦電信號的測量分析，可較為客觀地反映人的不同心理變化，如情緒、煩惱度和疲勞度等。因此，本文中創造性地將腦電圖引入對車內噪聲聲音品質的研究，該方法可通過客觀參量反映被試者對噪聲的主觀感受，滿足噪聲評價因人而異的需求。

本文中針對3種車型在相同車速下的噪聲進行實時錄制，在實驗室封閉昏暗環境下播放，并記錄被試者腦電信號。如圖1所示，將腦電信號進行小波包分解與重構，提取各個頻段信號，然后通過復雜腦網絡方法提取特征。此外，每名被試者在實驗完成后須對聲音信號進行主觀評價。將腦電分析提取的8個腦電特征參數作為輸入，主觀評價得到的主觀煩惱度作為輸出，進行神經網絡回歸訓練，最終得出腦電特征與煩惱度的非線性關系。

構建了腦電特征與車內噪聲導致乘員煩惱度的經驗公式。實現了客觀的煩惱度評價，且滿足聲音品質因人而異的要求。對車內聲音品質的研究具有實際工程意義。

圖1 整體結構及流程示意圖

1 實驗

1.1 實驗方案

本文中分別對某高端品牌轎車、某中端品牌吉普車和某型城市客車進行車內噪聲錄制，測試位置為駕駛員座位的人耳位置。錄制時長均為8s，車速均控制在50km/h，每個車型錄制兩組車內噪聲。

選取11名男性和11名女性(編號為1～22)，年齡在22～40周歲，身體健康且無睡眠相關疾病，聽力狀況良好，實驗前48h內禁止飲酒和咖啡，禁止使用任何藥物。實驗在一個燈光昏暗且安靜的封閉室內進行，被試者坐在舒適的靠椅上。

每組實驗如下：先在實驗室安靜狀態下測量一次靜息腦電，作為參照組，時間控制在8s左右，再以相同音量播放3種車型車內噪聲音頻信號，并記錄被試者的腦電數據。不同車型播放順序隨機。休息15min后，進行第二組實驗。實驗設備采用Emotiv System的便攜式腦電信號傳感器EmotivEpoc，采樣頻率為128Hz。共有14個電極，遵循10-20導聯系統國際標準，電極位置如圖2所示，此外有兩個參考電極分別位于雙側耳后乳突處。

圖2 電極位置圖

1.2 數據預處理

(1)使用EEGLab工具包，對信號進行去噪，包括偽跡去除和基線校正，并使用獨立分量分析(independent component analysis，ICA)法去除眼電成分，實現信號從采集到預處理[9]。

(2)使用小波包分解與重構對預處理后的信號進行濾波，提取腦電信號中δ節律、θ節律、α節律和β節律信號。對頻帶進行4層分解。對小波包子帶s[4，0]重構，提取信號中 δ節律(0.25～4Hz)；對小波包子帶 s[4，1]重構，提取信號中 θ節律(4～8Hz)；對小波包子帶s[3，1]重構，提取信號中α節律(8～16Hz)；對小波包子帶s[2，1]重構，提取信號中β節律(16～32Hz)。最終效果如圖3所示。

2 腦電特征提取

2.1 非線性腦網絡的構建

利用希爾伯特變換(Hilbert transform)[10]將原始信號x(t)解析，得到由實部和虛部組成的解析信號 xAn(t)＝x(t)+i xH(t)。

得到解析信號xAn(t)后，即可算出瞬時相位：

而兩個導聯的相關系數r表示為

圖3 小波重構各個節律的腦電時域圖

式中：Nsample為原始信號的總時間采樣點數，rm，n的范圍為0～1。對任意兩個導聯進行上述運算，最終將得到一個14×14的對稱矩陣，如圖4所示。腦網絡拓撲圖是該矩陣的另一種表達方式，可以更直觀地反映不同狀態下，大腦連通性的變化。圖5是選取閾值0.37，濾掉矩陣中小于該閾值的元素，只考慮相關系數大于該閾值的元素后得到的α節律各個狀態的腦網絡圖像。由圖可見，車內噪聲較大的吉普車和公交車，腦網絡的連通性較差。

圖4 乘客A的腦網絡相位相關矩陣

圖5 乘客A腦網絡參數隨閾值變化曲線

2.2 非線性腦網絡參數分析

進一步通過一些參數對比不同腦網絡的網絡特性。這里選擇利用聚類系數和特征路徑長度兩個參數來反映腦網絡的小世界特性[11-12]。計算各個頻段的腦網絡特征參數。

網絡的聚類系數(clustering coefficient)C定義為網絡所有節點的聚類系數的平均值：

式中：N為網絡中的節點數；Ci為網絡中一個節點i的聚類系數；ki為節點i的度，即無向網絡中其他節點與該節點直接相連的邊的數目；Ei為節點i與ki個鄰居節點間實際存在的連接邊數；分母ki(ki-1)/2為該節點與鄰居節點可能存在的最大邊數。

聚類系數用于測量復雜網絡的連接性，較高的聚類系數說明這個網絡在某些區域具有較為密集的連接。

最短路徑是指網絡中連接兩個節點距離最短的路徑。無權網絡(即二值化網絡)中，兩節點間距離為連接這兩個節點的最短路徑上的邊的數目，斷開節點間的距離為無窮大。而加權網絡中，每條邊的距離為其權值的倒數：權值越大，即相關性越高，可理解為距離越近，連通性越好。兩節點間的最短路徑長度，即為兩點間最小的加權距離。

特征路徑長度(characteristic path length)即為整個網絡中任意兩個節點最短路徑長度的平均值。本文中針對加權網絡進行研究，其特征路徑長度為

特征路徑長度越短，表明連接腦網絡中任意兩點的平均距離越短，即網絡連通性越好。節點間的相互作用，即神經元間的相互作用反映神經元遞質的傳遞，是腦網絡認知過程中信息傳遞和處理的基礎[13-14]。

由此得到每名被試者在每個車內噪聲下的4個頻段共8個腦網絡特征量。

3 評價結果分析與討論

3.1 主觀評價方法

進行完每組腦電實驗后，須對噪聲進行主觀測評，這里使用成對比較法。以煩惱度作為主觀評價的最終指標，反映評價者對噪聲信號聽覺不適感的程度。其值越高，表示評價者對其越不適。

成對比較法[15]需要被試者對噪聲進行兩兩比較，它是相對客觀的定量分析方法，常用于層次分析法的過程中。在反復比較的過程中，可以減少主觀誤差對最后結果的影響。通過成對比較法確定各聲音的權重值，即主觀煩惱度值。評判是相對的而非絕對的，可減小被試的顧慮。因而適用于本實驗中無經驗的被試者，且本研究聲音樣本相對較少，使用成對比較法不會過于冗長。每組4個聲音樣本，可排列組合成6對樣本。每位被試者對每對樣本評價兩次(第2次調換順序)，即共進行12次兩兩比較，評價順序隨機，被試者每評價4次休息1～2m in，評價分值如表1所示。其中，A和B分別表示先聽和后聽的樣本，評價后將評分值填入評判矩陣的A行B列中。進一步對評判矩陣進行一致性檢驗和重復性檢驗[16]，去除問題數據，以保證實驗結果可用于后續分析。通過評判矩陣計算得到各個噪聲的主觀煩惱度。為使煩惱度值差別拉開，對每組數據歸一化后乘上系數2，得到每名被試者對各個聲音樣本的主觀煩惱度值。

表1 成對比較法的評價值

3.2 腦網絡參數與主觀煩惱度的相關分析

本文中使用一個含有10個神經元的隱含層神經網絡算法。將被試者8個腦網絡特征值作為輸入，主觀煩惱度作為輸出。22名被試者針對8個不同噪聲，共有176個樣本。將其中19名被試者的數據作為訓練集，進行訓練，獲得神經網絡的最佳權重。

式中：Index為神經網絡的輸出，即神經網絡估算的煩惱度值；F為激活函數，本文中選擇了Sigmoid函數；IWL1和bL1分別為輸入層的權向量和偏移量；IWL2和bL2分別為隱含層的權向量和偏移量；x為輸入的腦網絡特征向量。圖6為最終得到的神經網絡輸出與主觀評價得到的主觀煩惱度間的相關性，由圖可見兩者高度相關，為98.021%。

圖6 訓練集的神經網絡輸出與主觀煩惱度的相關性

將得到的神經網絡模型應用于余下的3名被試者。將他們的腦網絡特征量作為輸入，得到的煩惱度與主觀評價法得到的煩惱度進行相關分析，結果如圖7所示。由圖可見，二者相關性很高，擬合優度為97.409%。由此可見，訓練得到的神經網絡輸出可以用于客觀地估計乘員的主觀煩惱度。因而，可以實現利用腦網絡參數估算車內噪聲影響乘員主觀煩惱度。

圖7 測試集的神經網絡輸出與主觀煩惱度的相關性

4 結論

本文中利用腦電信號分析，提取δ節律(0.25～4Hz)、θ節律(4～8Hz)、α節律(8～16Hz)和β節律(16～32Hz)下的腦網絡特征參數(平均聚類系數和特征路徑長度)。使用人工神經網絡算法得到腦網絡特征參數與主觀煩惱度間的關系，以實現利用客觀腦電特征參數估計主觀煩惱度的目的，且滿足對車內噪聲品質因人而異的要求。

[1] 劉寧寧，李文靜，王巖松，等.聲品質主觀評價方法對比分析[J].現代制造工程，2016(10)：6-11.

[2] 陳劍，楊雯，李偉毅.汽車聲品質主觀評價試驗方法探究[J].汽車工程，2009，31(4)：389-392.

[3] 舒歌群，王養軍，衛海橋，等.汽車車內噪聲聲音品質的測試與評價[J].內燃機學報，2007，25(1)：77-83.

[4] 賀巖松，涂梨娥，徐中明，等.支持向量機在汽車加速車內聲品質預測中的應用[J].汽車工程，2015，37(11)：1328-1333.

[5] 賀巖松，涂梨娥，徐中明，等.汽車聲品質研究綜述[J].汽車工程學報，2014，4(6)：391-401.

[6] CHO W H，LEE M S，LEE J K，et al.An examination of the effects of various noises on physiological sensibility responses by using human EEG[J].Journal of Mechanical Science＆Technology， 2013， 27(12)：3589-3593.

[7] NATHANW，THOMASH，NADIAM，etal.Alpha rhythms in audition：Cognitive and clinical perspectives[J].Frontiers in Psychology，2011，2.

[8] 盧英俊，吳海珍，錢靚，等.莫扎特奏鳴曲K.448對腦電功率譜與重心頻率的影響[J].生物物理學報，2011，27(2)：154-166.

[9] DELORME A，MAKEIG S.EEGLAB：an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods， 2004， 134(1)：9-21.

[10] MORMANN F，LEHNERTZ K，DAVID P，etal.Mean phase coherence as ameasure for phase synchronization and its application to the EEG of epilepsy patients[J].Physica D Nonlinear Phenomena， 2000， 144(3-4)：358-369.

[11] 常文文，王宏.基于P300幅值幾何差和腦網絡特征的測謊方法研究[J].儀器儀表學報，2015，36(4)：822-829.

[12] RUBINOV M，SPORNSO.Complex network measures of brain connectivity： Uses and interpretations[J].Neuroimage， 2010，52(3)：1059-1069.

[13] BULLMORE E， SPORNS O.Complex brain networks： Graph theoretical analysis of structural and functional systems.[J].Nature Reviews Neuroscience， 2009， 10(3)：186-198.

[14] HEBERT R，LEHMANN D，TANG，etal.Enhanced EEG alpha time-domain phase synchrony during transcendental meditation：Implications for cortical integration theory[J].Signal Processing，2005， 85(11)：2213-2232.

[15] 范剛龍，侯鳳云.多個成對比較矩陣確定權向量的一種方法[J].計算機時代，2011(2)：47-48.

[16] 毛東興，俞悟周，王佐民.聲品質成對比較主觀評價的數據檢驗及判據[J].聲學學報，2005(5)：468-472.