鄒麗媛， 王 宏

(1.東北大學(xué)機(jī)械工程與自動化學(xué)院，沈陽 110819；2.遼寧水利職業(yè)學(xué)院，沈陽 110122)

前言

隨著汽車產(chǎn)業(yè)的飛速發(fā)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(jīng)成為購車主要參考的一項指標(biāo)。

對車內(nèi)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(diào)查形式展開，評價者根據(jù)合適的評價指標(biāo)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(xì)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(jì)80年代，為了降低聲壓能量，利用A計權(quán)聲壓級測量的方法來模擬人耳對噪聲的感受。但A計權(quán)聲壓級測試方法無法滿足對聲音品質(zhì)改善的需求，乘員對于聲音的感受常常與所測得的A計權(quán)聲壓級不同[3]。

近年來，聲品質(zhì)評價方法被國內(nèi)外學(xué)者和相關(guān)研究者大量使用。具體流程如下：建立評價組對汽車噪聲進(jìn)行主觀評價，同時提取車內(nèi)噪聲的客觀物理參數(shù)，如響度、尖銳度和粗糙度等參數(shù)，使用多重回歸等方法建立兩者關(guān)系，構(gòu)建客觀量化模型[4-5]。這些模型多為穩(wěn)態(tài)響度計算方法。原則上并不適合時變噪聲的分析，而車內(nèi)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(xí)慣的影響，很難構(gòu)建統(tǒng)一的評價標(biāo)準(zhǔn)。

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(yīng)[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(chuàng)造性地將腦電圖引入對車內(nèi)噪聲聲音品質(zhì)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(jìn)行實時錄制，在實驗室封閉昏暗環(huán)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(jìn)行小波包分解與重構(gòu)，提取各個頻段信號，然后通過復(fù)雜腦網(wǎng)絡(luò)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(jìn)行主觀評價。將腦電分析提取的8個腦電特征參數(shù)作為輸入，主觀評價得到的主觀煩惱度作為輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)回歸訓(xùn)練，最終得出腦電特征與煩惱度的非線性關(guān)系。

構(gòu)建了腦電特征與車內(nèi)噪聲導(dǎo)致乘員煩惱度的經(jīng)驗公式。實現(xiàn)了客觀的煩惱度評價，且滿足聲音品質(zhì)因人而異的要求。對車內(nèi)聲音品質(zhì)的研究具有實際工程意義。

圖1 整體結(jié)構(gòu)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(jìn)行車內(nèi)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(nèi)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(guān)疾病，聽力狀況良好，實驗前48h內(nèi)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(nèi)進(jìn)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(tài)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(nèi)噪聲音頻信號，并記錄被試者的腦電數(shù)據(jù)。不同車型播放順序隨機(jī)。休息15min后，進(jìn)行第二組實驗。實驗設(shè)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(dǎo)聯(lián)系統(tǒng)國際標(biāo)準(zhǔn)，電極位置如圖2所示，此外有兩個參考電極分別位于雙側(cè)耳后乳突處。

圖2 電極位置圖

1.2 數(shù)據(jù)預(yù)處理

(1)使用EEGLab工具包，對信號進(jìn)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(xiàn)信號從采集到預(yù)處理[9]。

(2)使用小波包分解與重構(gòu)對預(yù)處理后的信號進(jìn)行濾波，提取腦電信號中δ節(jié)律、θ節(jié)律、α節(jié)律和β節(jié)律信號。對頻帶進(jìn)行4層分解。對小波包子帶s[4，0]重構(gòu)，提取信號中 δ節(jié)律(0.25～4Hz)；對小波包子帶 s[4，1]重構(gòu)，提取信號中 θ節(jié)律(4～8Hz)；對小波包子帶s[3，1]重構(gòu)，提取信號中α節(jié)律(8～16Hz)；對小波包子帶s[2，1]重構(gòu)，提取信號中β節(jié)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(wǎng)絡(luò)的構(gòu)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(dǎo)聯(lián)的相關(guān)系數(shù)r表示為

圖3 小波重構(gòu)各個節(jié)律的腦電時域圖

式中：Nsample為原始信號的總時間采樣點數(shù)，rm，n的范圍為0～1。對任意兩個導(dǎo)聯(lián)進(jìn)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(wǎng)絡(luò)拓?fù)鋱D是該矩陣的另一種表達(dá)方式，可以更直觀地反映不同狀態(tài)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(guān)系數(shù)大于該閾值的元素后得到的α節(jié)律各個狀態(tài)的腦網(wǎng)絡(luò)圖像。由圖可見，車內(nèi)噪聲較大的吉普車和公交車，腦網(wǎng)絡(luò)的連通性較差。

圖4 乘客A的腦網(wǎng)絡(luò)相位相關(guān)矩陣

圖5 乘客A腦網(wǎng)絡(luò)參數(shù)隨閾值變化曲線

2.2 非線性腦網(wǎng)絡(luò)參數(shù)分析

進(jìn)一步通過一些參數(shù)對比不同腦網(wǎng)絡(luò)的網(wǎng)絡(luò)特性。這里選擇利用聚類系數(shù)和特征路徑長度兩個參數(shù)來反映腦網(wǎng)絡(luò)的小世界特性[11-12]。計算各個頻段的腦網(wǎng)絡(luò)特征參數(shù)。

網(wǎng)絡(luò)的聚類系數(shù)(clustering coefficient)C定義為網(wǎng)絡(luò)所有節(jié)點的聚類系數(shù)的平均值：

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

聚類系數(shù)用于測量復(fù)雜網(wǎng)絡(luò)的連接性，較高的聚類系數(shù)說明這個網(wǎng)絡(luò)在某些區(qū)域具有較為密集的連接。

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

特征路徑長度(characteristic path length)即為整個網(wǎng)絡(luò)中任意兩個節(jié)點最短路徑長度的平均值。本文中針對加權(quán)網(wǎng)絡(luò)進(jìn)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(wǎng)絡(luò)中任意兩點的平均距離越短，即網(wǎng)絡(luò)連通性越好。節(jié)點間的相互作用，即神經(jīng)元間的相互作用反映神經(jīng)元遞質(zhì)的傳遞，是腦網(wǎng)絡(luò)認(rèn)知過程中信息傳遞和處理的基礎(chǔ)[13-14]。

由此得到每名被試者在每個車內(nèi)噪聲下的4個頻段共8個腦網(wǎng)絡(luò)特征量。

3 評價結(jié)果分析與討論

3.1 主觀評價方法

進(jìn)行完每組腦電實驗后，須對噪聲進(jìn)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(biāo)，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(jìn)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(fù)比較的過程中，可以減少主觀誤差對最后結(jié)果的影響。通過成對比較法確定各聲音的權(quán)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(jīng)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(diào)換順序)，即共進(jìn)行12次兩兩比較，評價順序隨機(jī)，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(jìn)一步對評判矩陣進(jìn)行一致性檢驗和重復(fù)性檢驗[16]，去除問題數(shù)據(jù)，以保證實驗結(jié)果可用于后續(xù)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(shù)據(jù)歸一化后乘上系數(shù)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(wǎng)絡(luò)參數(shù)與主觀煩惱度的相關(guān)分析

本文中使用一個含有10個神經(jīng)元的隱含層神經(jīng)網(wǎng)絡(luò)算法。將被試者8個腦網(wǎng)絡(luò)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(shù)據(jù)作為訓(xùn)練集，進(jìn)行訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)的最佳權(quán)重。

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

圖6 訓(xùn)練集的神經(jīng)網(wǎng)絡(luò)輸出與主觀煩惱度的相關(guān)性

將得到的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于余下的3名被試者。將他們的腦網(wǎng)絡(luò)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(jìn)行相關(guān)分析，結(jié)果如圖7所示。由圖可見，二者相關(guān)性很高，擬合優(yōu)度為97.409%。由此可見，訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)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(xiàn)利用腦網(wǎng)絡(luò)參數(shù)估算車內(nèi)噪聲影響乘員主觀煩惱度。

圖7 測試集的神經(jīng)網(wǎng)絡(luò)輸出與主觀煩惱度的相關(guān)性

4 結(jié)論

本文中利用腦電信號分析，提取δ節(jié)律(0.25～4Hz)、θ節(jié)律(4～8Hz)、α節(jié)律(8～16Hz)和β節(jié)律(16～32Hz)下的腦網(wǎng)絡(luò)特征參數(shù)(平均聚類系數(shù)和特征路徑長度)。使用人工神經(jīng)網(wǎng)絡(luò)算法得到腦網(wǎng)絡(luò)特征參數(shù)與主觀煩惱度間的關(guān)系，以實現(xiàn)利用客觀腦電特征參數(shù)估計主觀煩惱度的目的，且滿足對車內(nèi)噪聲品質(zhì)因人而異的要求。

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

[2] 陳劍，楊雯，李偉毅.汽車聲品質(zhì)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(yǎng)軍，衛(wèi)海橋，等.汽車車內(nèi)噪聲聲音品質(zhì)的測試與評價[J].內(nèi)燃機(jī)學(xué)報，2007，25(1)：77-83.

[4] 賀巖松，涂梨娥，徐中明，等.支持向量機(jī)在汽車加速車內(nèi)聲品質(zhì)預(yù)測中的應(yīng)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(zhì)研究綜述[J].汽車工程學(xué)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(xué)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(wǎng)絡(luò)特征的測謊方法研究[J].儀器儀表學(xué)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(quán)向量的一種方法[J].計算機(jī)時代，2011(2)：47-48.

[16] 毛東興，俞悟周，王佐民.聲品質(zhì)成對比較主觀評價的數(shù)據(jù)檢驗及判據(jù)[J].聲學(xué)學(xué)報，2005(5)：468-472.