CN114861274A - 基于eeg信号的实时交互式空间要素优化方法 - Google Patents
基于eeg信号的实时交互式空间要素优化方法 Download PDFInfo
- Publication number
- CN114861274A CN114861274A CN202210502859.7A CN202210502859A CN114861274A CN 114861274 A CN114861274 A CN 114861274A CN 202210502859 A CN202210502859 A CN 202210502859A CN 114861274 A CN114861274 A CN 114861274A
- Authority
- CN
- China
- Prior art keywords
- value
- eeg signal
- population
- element optimization
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Dermatology (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明公开了一种基于EEG信号的实时交互式空间要素优化方法,该方法包括如下步骤:以多个空间要素构成决策变量、以EEG信号的多个特征参数作为多个目标函数构建空间要素优化模型;基于多目标遗传算法对所述构建空间要素优化模型求解,得到空间要素的最优解。本发明实现了基于人类情感以及心理要素的生理数据对建筑空间要素实施定量化优化。
Description
技术领域
本发明涉及建筑空间设计技术领域,具体涉及基于EEG信号的实时交互式空间要素优化方法。
背景技术
随着国家经济文化和科学技术的发展,人民对生活以及生产上的空间需求也在不断提高。而在对空间需求提高的过程中人类不乏会面临对于不同人群以及不同突发事件的多变性要求。
在建筑空间设计以及人居环境的治理上对于人类生理和心理上需求的满足是设计本身应该注重的要素,其中对于人类弱势群体中的儿童、老人、孕妇等来说,建筑以及空间环境中的各种要素对其心理健康的满足则显得尤为重要。
但是在现有技术中,建立的人体生理数据和空间要素之间的关系还没有精确到定量水平,总体优化建议更倾向于定性建议。所以通过人类的心理感受层面的反馈来定量化优化建筑空间要素显得尤为必要。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于EEG信号的实时交互式空间要素优化方法,通过人类的心理感受层面的反馈来定量化优化建筑空间要素。该技术方案如下:
本发明公开了基于EEG信号的实时交互式空间要素优化方法,该方法包括如下步骤:
以多个空间要素构成决策变量、以EEG信号的多个特征参数作为多个目标函数构建空间要素优化模型;
基于多目标遗传算法对所述构建空间要素优化模型求解,得到空间要素的最优解。
在一种可选的实施例中,所述空间要素包括:窗洞宽度W、高度H及空间颜色的R、G、B参数;
所述EEG信号的特征参数包括第一脑电特征参数值和第二脑电特征参数值,所述第一脑电特征参数值表征放松程度,所述第二脑电特征参数值表征专注紧张程度;
所述以EEG信号的多个特征参数作为多个目标函数包括:以第一脑电特征参数值最大值生成第一目标函数,以第二脑电特征参数值的最小值生成第二目标函数。
在一种可选的实施例中,所述基于多目标遗传算法对所述构建空间要素优化模型求解,包括:
S1:基于初始种群中的决策变量输入预设的参数化建筑空间模型;
S2:基于参数化建筑空间模型生成虚拟现实场景,采集虚拟现实场景下受试者的EEG信号;
S3:基于所述EEG信号的第一脑电特征参数值和第二脑电特征参数值获取第一目标函数值和第二目标函数值;
S4:基于多目标遗传算法对种群进行迭代更新,并将迭代更新后的种群中的决策变量输入预设的参数化建筑空间模型;
S5:重复S2-S4形成“空间变化-实时EEG信号-空间要素优化-空间变化”的闭环优化过程,直至满足预设迭代停止条件,获取空间要素优化模型的解集。
在一种可选的实施例中,所述步骤S4中,多目标遗传算法采用非支配排序遗传算法NSGA-II。
在一种可选的实施例中,所述步骤S4,包括:
对初始种群P0进行非支配排序,每个种群的适应度即为其非支配水平,通过排序,每个个体得到一个RANK值,并计算拥挤距离;
通过竞赛法选择精英个体,并通过交叉、变异操作,生成一个种群大小同样为N的子代种群Q0,并再次计算适应度作为非支配水平;
将子代种群Qt和父代种群Pt合并,得到一个种群大小为2N的新种群Rt;
对Rt采用拥挤比较算子排序,依次选取排序最优的个体复制到新的种群Pt+1,直到新种群规模为N,获得一次迭代更新后的种群。
在一种可选的实施例中,所述步骤S2,包括:
基于参数化建筑空间模型生成虚拟现实场景,在受试者眼前停留第一预设时长;
所述步骤S3,包括:
基于所述第一预设时长内受试者的EEG信号,取中间第二预设时长的EEG信号获取第一脑电特征参数值和第二脑电特征参数值。
在一种可选的实施例中,所述步骤S5,包括:
基于获取的空间要素优化模型的解集,获取空间要素优化模型的多个候选解;
采用模糊推理算法对多个候选解进行模糊评价,并获取最优解。
在一种可选的实施例中,所述采用模糊推理算法对多个候选解进行模糊评价,包括:
基于多个候选解中的最大值、最小值及当前候选解与最小值的差值确定当前候选解的隶属度函数;
根据预设决策者的空间要素优化意图类别,获取不同意图类别下对于第一目标函数和第二目标函数的权重分配;
基于候选解的隶属度以及目标空间要素优化意图类别的第一目标函数和第二目标函数的权重分配,计算候选解的模糊推理结果;
基于目标空间要素优化意图类别下模糊推理结果最大值对应的候选解作为目标空间要素优化意图类别下的最优解。
在一种可选的实施例中,所述步骤S5,还包括:
在获取当前迭代次数时的第一目标函数值和第二目标函数值后,获取所有迭代次数的第一目标函数值和第二目标函数值的变化特征;
当所述变化特征出现异常时,停止迭代更新过程。
在一种可选的实施例中,所述变化特征采用标准差特征。
本发明的基于EEG信号的实时交互式空间要素优化方法,具备如下有益效果:本发明以多个空间要素构成决策变量、以EEG信号的多个特征参数作为多个目标函数构建空间要素优化模型;基于多目标遗传算法对所述构建空间要素优化模型求解,得到空间要素的最优解,通过步骤P1、设计一个建筑空间的参数化模型,该参数化建筑空间模型中的可变参数基于多个空间要素确定,将确定的空间要素输入到该参数化建筑空间模型,通过实时渲染以VR方式展示形成虚拟现实场景;步骤P2、让受试者穿戴脑波仪和VR设备在该建筑空间内,受试者通过VR设备感受建筑空间场景,并产生脑电波信号变化;步骤P3、通过脑波仪采集受试者的多种脑电波信号;步骤P4、数据分析端(例如电脑等计算设备)基于脑电波信号分析当前场景下受试者的心理感受,并进一步以优化受试者的心理感受为目标,调节参数化建筑空间模型的可变参数,即改变多个空间要素的参数值,从而改变虚拟现实场景,使得受试者产生脑电波信号变化,基于P1-P4构建了一个由人参与的空间要素优化闭环,实现基于人类情感以及心理要素的生理数据对建筑空间要素实施定量化优化。
附图说明
图1是本申请实施例中基于EEG信号的实时交互式空间要素优化方法的闭环优化示意图;
图2是本申请实施例中基于EEG信号的实时交互式空间要素优化方法的流程图;
图3是本申请实施例中基于多目标遗传算法对所述构建空间要素优化模型求解的流程图;
图4是本申请实施例中采集受试者的EEG信号并获取目标函数值的一种实施例流程示意图;
图5是本申请实施例的实验现场环境展示图;
图6是本申请实施例的实验结果平行坐标图(PCP);
图7是本申请实施例的实验结果优化目标分布图(OS);
图8是本申请实施例实验中目标函数值Average_Attention值的代平均值优化趋势。
图9是本申请实施例实验中目标函数值Average_Meditation值的代平均值优化趋势。
图10是本申请实施例实验中的Attention值的参数分布曲线图;
图11是本申请实施例实验中的Meditation值的参数分布曲线图;
图12是本申请实施例实验中的Attention值的标准差趋势图;
图13是本申请实施例实验中的Meditation值的标准差趋势图;
图14是本申请实施例实验中PCP和OS优化筛选结果图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
需要说明的是,本申请的文件中涉及的术语“包括”和“具有”以及它们的变形,意图在于覆盖不排他的包含,例如,包含一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下文中所用的词语“示例性”的意思为“用作例子、实施例或说明性”。作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
文中的术语“第一”、“第二”仅用于描述目的,而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。下面结合附图及具体实施例对本申请作进一步详细的说明。
参见图2,本申请实施例提供了一种基于EEG信号的实时交互式空间要素优化方法,脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动的方法,大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。该空间要素优化方法包括如下步骤:
以多个空间要素构成决策变量、以EEG信号的多个特征参数作为多个目标函数构建空间要素优化模型;
基于多目标遗传算法对所述构建空间要素优化模型求解,得到空间要素的最优解。
本申请实施例中,以EEG信号的多个特征参数作为多个目标函数,是指以多个空间要素构成决策变量以多个目标函数构建空间要素优化模型,一个目标函数基于EEG信号的一个特征参数确定,具体的,参见图1,在本申请中的优化过程可以包括如下步骤:
P1、构建一个建筑空间的参数化模型,该参数化建筑空间模型中的可变参数基于多个空间要素确定,将确定的空间要素输入到该参数化建筑空间模型,通过实时渲染以VR方式展示形成虚拟现实场景;
P2、让受试者穿戴脑波仪和VR设备在该建筑空间内,受试者通过VR设备感受建筑空间场景,并产生脑电波信号变化;
P3、通过脑波仪采集受试者的多种脑电波信号;
P4、数据分析端(例如电脑等计算设备)基于脑电波信号分析当前场景下受试者的心理感受,并进一步以优化受试者的心理感受为目标,调节参数化建筑空间模型的可变参数,即改变多个空间要素的参数值,从而改变虚拟现实场景,使得受试者产生脑电波信号变化;
基于上述P1-P4实现了一个由人参与的优化闭环,直至上述P4中受试者的心理感受达到预设最佳目标值,得到参数化建筑空间模型的可变参数的最优解,进而实现对建筑空间的指导设计和改造。
具体的,上述P4中基于脑电波信号分析当前场景下受试者的心理感受,并进一步以优化受试者的心理感受为目标,调节参数化建筑空间模型的可变参数,该过程基于多目标遗传算法实现,本申请实施例中,以受试者的心理感受为目标包括了表征受试者心理感受的至少2个优化目标。
在一种实施方式中,上述空间要素包括:窗洞宽度W、高度H及空间颜色的R、G、B参数;EEG信号的特征参数包括第一脑电特征参数值和第二脑电特征参数值,所述第一脑电特征参数值表征放松程度,所述第二脑电特征参数值表征专注紧张程度;所述以EEG信号的多个特征参数作为多个目标函数包括:以第一脑电特征参数值最大值生成第一目标函数,以第二脑电特征参数值的最小值生成第二目标函数。
具体来说,本申请实施例中,通过基于TGAM模块头环解析人类脑电信号中的Meditation值和Attention值的特定指标为优化目标,以建筑空间色彩及窗洞尺寸为优化对象,以多目标遗传算法为优化工具,结合虚拟现实场景和参数化联动模型建立实现该方法的工具平台和工作流程。
该工具平台具体来说,本申请实施例涉及到电信号通讯,虚拟现实场景的实时渲染,参数化模型的优化联动,工作平台分为硬件平台和软件平台,在硬件平台上,通过TGAM脑电模块组装了单电极耳夹式脑波头环,该模块可实时监测人的α波、β波、γ波等,进而计算出人的Meditation值和Attention值,其中,Meditation表示冥想值,代表人的平静感,愉悦感,是一种放松的脑电特征,Attention表示专注值,是人在大脑集中注意和紧张的时候所产生的脑电特征;TGAM脑电模块在实验过程中会不断将人的脑电EEG信号实时通过蓝牙发送,通过Arduino开发板预先对脑电信号进行预处理,并将处理后的Meditation值和Attention值发送至电脑串口,数据分析端(例如电脑等计算设备)运行优化程序并将不断变化的参数化模型通过实时渲染传给Oculus rift s虚拟现实眼镜。在软件平台上,在Arduino开发板上实现对TGAM脑电模块发送的原始脑电数据进行捕捉处理,将16进制转换为2进制语言并输入电脑串口,在电脑端基于Grasshopper平台为优化算法平台,通过对串口读取数据并实时将读取数据作为优化算法的实时目标函数值,建立色彩可变以及窗洞尺寸大小可变的标准卧室单元,并将其通过程序联动到实时渲染软件上,并通过实时渲染软件将虚拟现实场景传入虚拟现实眼镜。
在一种实施方式中,在建立初始化虚拟现实场景时,在Grasshopper平台建立了开间为4米进深为5米高3米的卧室模型,其开窗位于南侧,初始窗大小为将南侧墙面形状在所属工作平面上X轴和Y轴均缩放为原形状的0.5倍大小,卧室模型的初始室内颜色为白色(RGB三个数值均为255)。室内模型中不含有其它物件,地板、墙体、天花板的颜色和材质特性皆相同。
本实施例中以控制光的进入量的窗洞大小和室内颜色作为被优化物,其中控制窗洞大小的变量为X轴缩放量和Y轴缩放量,X轴缩放量控制窗洞的宽度,Y轴缩放量控制窗洞的高度,当X和Y缩放量为1的时候窗洞和整面墙一样大,当缩放量为0的时候,窗洞即消失。控制室内颜色的变量为R、G、B三个变量。具体变量要素和变量的跨度以及精度见下表(表1)。
表1窗洞即色彩优化变量明细表
Attention代表的紧张专注的程度,在计算中越小越好,而Meditation的值代表人的放松和愉悦程度,需要越大越好,但是在本申请实施中由于遗传算法特性为求被优化目标数值的最小值,所以在计算的过程中以其负值进行计算。
在一种实施方式中,上述基于多目标遗传算法对所述构建空间要素优化模型求解,包括如下步骤:
S1:基于初始种群中的决策变量输入预设的参数化建筑空间模型;
S2:基于参数化建筑空间模型生成虚拟现实场景,采集虚拟现实场景下受试者的EEG信号;
S3:基于所述EEG信号的第一脑电特征参数值和第二脑电特征参数值获取第一目标函数值和第二目标函数值;
S4:基于多目标遗传算法对种群进行迭代更新,并将迭代更新后的种群中的决策变量输入预设的参数化建筑空间模型;
S5:重复S2-S4形成“空间变化-实时EEG信号-空间要素优化-空间变化”的闭环优化过程,直至满足预设迭代停止条件,获取空间要素优化模型的解集。
在一种实施方式中,上述步骤S4中的多目标遗传算法采用非支配排序遗传算法NSGA-II,该算法中,利用非支配排序将种群中的个体进行分级,非支配状态越高的个体层级越靠前,从而能够挑选出个体中较为优异的,使其有较大机会进入下一迭代。利用拥挤度进行同一支配层级的个体之间的比较,通过对每个个体的每个目标函数进行计算拥挤度,进而得出每个个体的拥挤度,通过拥挤度比较个体的优异程度。利用精英策略,把当前种群和通过选择、交叉和变异产生的子种群合并,共同竞争产生下一种群,保证具有较好特性的个体能够保留在种群中,提高了种群的多样性和计算效率。
具体的,该步骤S4中的多目标遗传算法,包括如下步骤:
假设种群规模为N,对初始种群P0进行非支配排序,每个个体的目标函数值作为其非支配水平,通过排序,每个个体得到一个RANK值,并计算拥挤距离;
通过精英策略选择精英个体,并通过交叉、变异操作,生成一个种群大小同样为N的子代种群Q0,并再次获取其目标函数值作为非支配水平;
将子代种群Qt和父代种群Pt合并,得到一个种群大小为2N的新种群Rt;
对Rt采用拥挤度算法排序,依次选取排序最优的个体复制到新的种群Pt+1,直到新种群规模为N,获得一次迭代更新后的种群。
参见图4,在一种实施方式中,上述步骤S2:基于参数化建筑空间模型生成虚拟现实场景,采集虚拟现实场景下受试者的EEG信号,包括:
基于参数化建筑空间模型生成虚拟现实场景,在受试者眼前停留第一预设时长;
进一步的,上述步骤S3:基于所述EEG信号的第一脑电特征参数值和第二脑电特征参数值获取第一目标函数值和第二目标函数值,包括:
基于第一预设时长内受试者的EEG信号,取第一预设时长内中间第二预设时长的EEG信号获取第一脑电特征参数值和第二脑电特征参数值。
在本申请实施例中,TGAM脑电模块通过额前叶的电极采集被实验者的脑电信号,并通过模块计算每秒钟发送一次被实验者当时的Meditation值和Attention值,两个值的范围都是由0至100,本申请实施例中优化目标为通过优化计算得出可以使人Meditation值较高且Attention值较低的空间,从而降低人在该环境中的紧张感和焦虑感并增加放松感。
在上述P1-P4实现的一个由人参与的优化闭环中,为保证被实验者在观测时可产生对应场景较为合理的脑电反馈,将每次场景在被实验者眼前停留5秒钟,并舍弃第一秒和最后一秒的脑电数值,取中间一段的脑电的平均值作为遗传算法的参考值(Objective)。
在一种实施方式中,上述步骤S5:重复S2-S4形成“空间变化-实时EEG信号-空间要素优化-空间变化”的闭环优化过程,直至满足预设迭代停止条件,获取空间要素优化模型的解集,包括:
基于获取的空间要素优化模型的解集,获取空间要素优化模型的多个候选解;
采用模糊推理算法对多个候选解进行模糊评价,并获取最优解。
在本申请实施例中,考虑基于多目标遗传算法得到的解有多个候选解,为了能够在多个可选的候选解中获得一个最终的最优解,考虑在上述实时交互式空间要素优化过程中,决策者会有多种不同的优化意图和考虑因素,本申请实施例中,基于不同的优化意图和考虑因素,基于模糊推理算法获得一个最符合决策者优化意图和考虑因素的实时交互式空间要素优化的最优解。具体的,包括如下步骤:
在一种实施方式中,上述采用模糊推理算法对多个候选解进行模糊评价,包括:
基于多个候选解中的最大值、最小值及当前候选解的目标函数值与最小值的差值确定目标函数值的隶属度函数;
根据预设决策者的空间要素优化意图类别,获取不同意图类别下对于第一目标函数和第二目标函数的权重分配;
基于目标函数值的隶属度以及目标空间要素优化意图类别的第一目标函数和第二目标函数的权重分配,计算候选解的模糊推理结果;
基于目标空间要素优化意图类别下模糊推理结果最大值对应的候选解作为目标空间要素优化意图类别下的最优解。
其中的目标函数值的隶属度函数,实例性的,可以以如下方式获取:
h(x)是候选解中的第x个解的目标函数值,A(x)是候选解的目标函数值的隶属度函数,hmin(x)和hmax(x)分别为候选解的目标函数值中的最小值和最大值。
在一种实施方式中,上述步骤S5:重复S2-S4形成“空间变化-实时EEG信号-空间要素优化-空间变化”的闭环优化过程,直至满足预设迭代停止条件,获取空间要素优化模型的解集,还包括:
在获取当前迭代次数时的第一目标函数值和第二目标函数值后,获取所有迭代次数的第一目标函数值和第二目标函数值的变化特征,具体的,该变化特征采用标准差特征;
当所述变化特征出现异常时,停止迭代更新过程。
为了便于理解通过本申请实施例中基于EEG信号的实时交互式空间要素优化方法的有效性,面结合实验结果数据对此进行说明。
实验招募了50位来自不同年龄段的志愿者进行优化实验。在这50名志愿者中,有52%的男性和48%的女性,其中儿童占4%,青年占76%,中年占16%,老年人占4%。
实验准备:
实验环境为专用脑电以及眼动实验室,实验室内部使用机械通风和人工照明,室内四周有不反光的深色帷幕,无其它声音以及画面干扰。实验室后方是监测室,与实验室通过小窗连接,用以观测实验,实验过程中小窗为关闭状态,监测室对实验不会产生其它影响(如图5所示)。被实验者在实验开始前先佩戴脑电设备,再佩戴VR眼镜,待脑电运行稳定后即可开始实验。预实验中的遗传算法初始设定为迭代(Generation Count)20次,每代10个生物量(Generation Size),实验时长经过软件估算约为18分钟31秒。
实验结果与定量分析
图6和图7分别展示了50位志愿者的优化实验共计10000个优化目标数据的平行坐标图和优化目标分布图。平行坐标图中每根线代表单个优化个体的优化目标值,浅灰色线表示排名靠后的结果,而深灰色线表示排名靠前的结果。从图中可得遗传算法的优化效果明显,通过优化甚至在其中一位被实验者上产生出了Average_Attention低达2.5,且Average_Meditation高达98.5的较好的结果。通过索引该结果可得该其索引为(Gen:12|Ind:3)(Gen:19|Ind:3)即为第13代第4个个体和第20代第4个个体(计算机中的索引默认从0起)。
优化目标分布图(OS)重新映射模拟输出的优化目标值,并为每个目标指定一个不同的轴。Average_Attention以及Average_Meditation分别显示在X、Y轴上。该图中的深灰色折线为优化的第20代结果所形成的的非主导性帕雷多最优折线。从该结果中可得,第20代结果的非主导性帕雷多最优解有8个,且其中一个为和以上PCP分析得出的最优解相重合。综上所述,通过PCP和OS分析方法可得出9个较为优秀的优化结果(请参阅图14)。
从整个优化流程来看,参照优化目标的代平均值趋势图(MV)(参见图8和图9),可得随着优化迭代,Average_Attention值在优化过程中呈现较为明显的下降,而负值计算的Average_Meditation值在优化中呈现出明显的下降,即该值的正值为明显上升。其中图中较大的标注圆点表示了第二十代的结果的优化目标代平均值。由此可见,本研究中的基于EEG信号对窗洞尺寸和室内颜色的优化是有效的。
在本申请实施例中,考虑到上述实时交互式空间要素优化过程中,涉及到由人参与的闭环优化,在该优化过程中,存在一定的可能性使被实验者在进行实验的过程中产生困意从而导致被实验者脑波均质化即不再随着场景的变化而产生有效反馈进而导致后期优化的不准确。为了排除这种情况的可能性,本申请实施例中,在每次迭代次数时,通过采集的受试者的脑电波信号获取到第一目标函数值和第二目标函数值后,即获取到被实验者当时的Meditation值和Attention值后,对所有历史时刻及当前时刻获取的Meditation值和Attention值进行变化趋势分析,优选的,本申请实施例中采用标准差特征来分析,若随着迭代次数的推移,Meditation值和/或Attention值的标准差表现出明显的降低,即可说明被实验者的脑电对场景变化的反馈能力降低。在一种实施方式中,可以基于每次迭代时被实验者Meditation值和Attention值生成对应的参数分布曲线图,示例性的,以多目标遗传算法的种群规模为10,初始预设最大迭代次数为20为例,20次迭代的Attention值的参数分布曲线图如图10所示,20次迭代的Meditation值的参数分布曲线图如图11所示,如图10和图11中所示,作为优化目标的脑电值Average_Attention和Average_Meditation的标准差随着实验的进行存在较大波动且并没有出现明显的下降趋势,甚至在一些阶段中有升高的部分(参见图12和图13)表明并没有产生被实验者在进行实验的过程中产生困意从而导致实验不准确的情况。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.基于EEG信号的实时交互式空间要素优化方法,其特征在于,包括:
以多个空间要素构成决策变量、以EEG信号的多个特征参数作为多个目标函数构建空间要素优化模型;
基于多目标遗传算法对所述构建空间要素优化模型求解,得到空间要素的最优解。
2.根据权利要求1所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述空间要素包括:窗洞宽度W、高度H及空间颜色的R、G、B参数;
所述EEG信号的特征参数包括第一脑电特征参数值和第二脑电特征参数值,所述第一脑电特征参数值表征放松程度,所述第二脑电特征参数值表征专注紧张程度;
所述以EEG信号的多个特征参数作为多个目标函数包括:以第一脑电特征参数值最大值生成第一目标函数,以第二脑电特征参数值的最小值生成第二目标函数。
3.根据权利要求2所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述基于多目标遗传算法对所述构建空间要素优化模型求解,包括:
S1:基于初始种群中的决策变量输入预设的参数化建筑空间模型;
S2:基于参数化建筑空间模型生成虚拟现实场景,采集虚拟现实场景下受试者的EEG信号;
S3:基于所述EEG信号的第一脑电特征参数值和第二脑电特征参数值获取第一目标函数值和第二目标函数值;
S4:基于多目标遗传算法对种群进行迭代更新,并将迭代更新后的种群中的决策变量输入预设的参数化建筑空间模型;
S5:重复S2-S4形成“空间变化-实时EEG信号-空间要素优化-空间变化”的闭环优化过程,直至满足预设迭代停止条件,获取空间要素优化模型的解集。
4.根据权利要求3所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述步骤S4中,多目标遗传算法采用非支配排序遗传算法NSGA-II。
5.根据权利要求4所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述步骤S4,包括:
对初始种群P0进行非支配排序,每个种群的适应度即为其非支配水平,通过排序,每个个体得到一个RANK值,并计算拥挤距离;
通过竞赛法选择精英个体,并通过交叉、变异操作,生成一个种群大小同样为N的子代种群Q0,并再次计算适应度作为非支配水平;
将子代种群Qt和父代种群Pt合并,得到一个种群大小为2N的新种群Rt;
对Rt采用拥挤比较算子排序,依次选取排序最优的个体复制到新的种群Pt+1,直到新种群规模为N,获得一次迭代更新后的种群。
6.根据权利要求3所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述步骤S2,包括:
基于参数化建筑空间模型生成虚拟现实场景,在受试者眼前停留第一预设时长;
所述步骤S3,包括:
基于所述第一预设时长内受试者的EEG信号,取中间第二预设时长的EEG信号获取第一脑电特征参数值和第二脑电特征参数值。
7.根据权利要求3所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述步骤S5,包括:
基于获取的空间要素优化模型的解集,获取空间要素优化模型的多个候选解;
采用模糊推理算法对多个候选解进行模糊评价,并获取最优解。
8.根据权利要求7所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述采用模糊推理算法对多个候选解进行模糊评价,包括:
基于多个候选解中的最大值、最小值及当前候选解与最小值的差值确定当前候选解的隶属度函数;
根据预设决策者的空间要素优化意图类别,获取不同意图类别下对于第一目标函数和第二目标函数的权重分配;
基于候选解的隶属度以及目标空间要素优化意图类别的第一目标函数和第二目标函数的权重分配,计算候选解的模糊推理结果;
基于目标空间要素优化意图类别下模糊推理结果最大值对应的候选解作为目标空间要素优化意图类别下的最优解。
9.根据权利要求4所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述步骤S5,还包括:
在获取当前迭代次数时的第一目标函数值和第二目标函数值后,获取所有迭代次数的第一目标函数值和第二目标函数值的变化特征;
当所述变化特征出现异常时,停止迭代更新过程。
10.根据权利要求5所述的基于EEG信号的实时交互式空间要素优化方法,其特征在于,所述变化特征采用标准差特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502859.7A CN114861274B (zh) | 2022-05-10 | 2022-05-10 | 基于eeg信号的实时交互式空间要素优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502859.7A CN114861274B (zh) | 2022-05-10 | 2022-05-10 | 基于eeg信号的实时交互式空间要素优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861274A true CN114861274A (zh) | 2022-08-05 |
CN114861274B CN114861274B (zh) | 2023-01-24 |
Family
ID=82636838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502859.7A Active CN114861274B (zh) | 2022-05-10 | 2022-05-10 | 基于eeg信号的实时交互式空间要素优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808974A (zh) * | 2024-01-25 | 2024-04-02 | 天津大学 | 一种生成合院式建筑单体形态的三维建模方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009099051A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
EP2551798A1 (en) * | 2011-07-28 | 2013-01-30 | Fundació CTM Centre Tecnològic | Genetic algorithm-based training of an ANFIS for electric energy consumption forecasting |
CN109634121A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 |
CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
WO2021026400A1 (en) * | 2019-08-06 | 2021-02-11 | Neuroenhancement Lab, LLC | System and method for communicating brain activity to an imaging device |
CN112754502A (zh) * | 2021-01-12 | 2021-05-07 | 曲阜师范大学 | 一种基于脑电信号的音乐自动切换方法 |
CN113053492A (zh) * | 2021-04-02 | 2021-06-29 | 北方工业大学 | 基于用户背景和情绪的自适应虚拟现实干预系统及方法 |
-
2022
- 2022-05-10 CN CN202210502859.7A patent/CN114861274B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009099051A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
EP2551798A1 (en) * | 2011-07-28 | 2013-01-30 | Fundació CTM Centre Tecnològic | Genetic algorithm-based training of an ANFIS for electric energy consumption forecasting |
CN109634121A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 |
CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
WO2021026400A1 (en) * | 2019-08-06 | 2021-02-11 | Neuroenhancement Lab, LLC | System and method for communicating brain activity to an imaging device |
CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
CN112754502A (zh) * | 2021-01-12 | 2021-05-07 | 曲阜师范大学 | 一种基于脑电信号的音乐自动切换方法 |
CN113053492A (zh) * | 2021-04-02 | 2021-06-29 | 北方工业大学 | 基于用户背景和情绪的自适应虚拟现实干预系统及方法 |
Non-Patent Citations (4)
Title |
---|
叶宇等: "新技术与新数据条件下的空间感知与设计运用可能", 《时代建筑》 * |
叶宇等: "高层建筑低区公共空间社会效用的定量测度与导控 以虚拟现实与生理传感技术为实现途径", 《时代建筑》 * |
王希诚等: "基于离散变量遗传算法的注塑模浇口位置优化设计", 《大连理工大学学报》 * |
田丰等: "虚拟现实设计中的本体元素与测量方法研究", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808974A (zh) * | 2024-01-25 | 2024-04-02 | 天津大学 | 一种生成合院式建筑单体形态的三维建模方法及系统 |
CN117808974B (zh) * | 2024-01-25 | 2024-07-19 | 天津大学 | 一种生成合院式建筑单体形态的三维建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114861274B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aracena et al. | Neural networks for emotion recognition based on eye tracking data | |
CN109087706B (zh) | 基于睡眠大数据的人体健康评估方法及评估系统 | |
McFarland et al. | Sensorimotor rhythm-based brain-computer interface (BCI): feature selection by regression improves performance | |
Li et al. | Research on environmental comfort and cognitive performance based on EEG+ VR+ LEC evaluation method in underground space | |
US20140303450A1 (en) | System and method for stimulus optimization through closed loop iterative biological sensor feedback | |
CN103226665A (zh) | 基于saas平台的人脑健康锻炼系统 | |
US11721437B2 (en) | Digital twin for predicting performance outcomes | |
CN114861274B (zh) | 基于eeg信号的实时交互式空间要素优化方法 | |
KR20210023631A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
Zou et al. | Evaluating the effectiveness of biometric sensors and their signal features for classifying human experience in virtual environments | |
Zhao et al. | Human-computer interaction for augmentative communication using a visual feedback system | |
US11961204B2 (en) | State visualization device, state visualization method, and state visualization program | |
JP2022062574A (ja) | 人の表出情報からの脳活動状態推定 | |
Sołoducha | Analysis of facial expression movements and the phenomenon of frontal asymmetry as the basis for automation of the research of hidden cognitive attitudes. Some basic remarks | |
CN113100766A (zh) | 基于多模态交互测量多色种模拟航天环境下个体情绪与作业能力评价方法 | |
Barsan-Pipu et al. | Affective Computing for Generating Virtual Procedural Environments Using Game Technologies | |
CN116612896A (zh) | 一种基于二元生理系统的动态相互作用网络分析方法 | |
Pei et al. | Biofeedback in the Dynamic VR Environments: A Method to Evaluate the Influence of Architectural Elements on Human Spatial Perception | |
JP7529029B2 (ja) | 情報処理装置、制御方法及びプログラム | |
Shepard et al. | Assessing reading performance in the periphery with a Bayesian adaptive approach: the qReading method | |
Sun et al. | Neuroscience meets building: A comprehensive review of electroencephalogram applications in building life cycle | |
CN115547491A (zh) | 健康管理方法、装置、电子设备及存储介质 | |
Farr et al. | Decision-theoretic evaluation of therapy plans | |
CN111696011A (zh) | 一种监测与调控学生自主学习系统及其方法 | |
Dunstan et al. | Global nonlinear approach for mapping parameters of neural mass models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |