鄒麗媛，王 宏，宋桂秋

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

0 引言

伴隨我國(guó)汽車產(chǎn)業(yè)發(fā)展速度的加快，人們?cè)絹?lái)越注重乘車的舒適度。NHV性能對(duì)乘車舒適度具有直接性影響，成為人們?cè)谫?gòu)車過(guò)程中首要考慮的重點(diǎn)指標(biāo)之一。

發(fā)動(dòng)機(jī)器的尖銳度、周期和響度等都會(huì)在一定程度上對(duì)發(fā)動(dòng)機(jī)噪聲煩躁度的主觀感知造成直接性影響。聲品質(zhì)評(píng)價(jià)方法應(yīng)運(yùn)而生，其評(píng)價(jià)流程概括如下：第一，進(jìn)行評(píng)價(jià)小組的創(chuàng)立，致力于通過(guò)借助多重回歸法，就所提取的噪聲響度、尖銳度以及粗糙度等客觀物理參數(shù)進(jìn)行客觀量化模型的建立，從而達(dá)到主觀進(jìn)行噪聲評(píng)價(jià)的目的[1-4]，心理聲學(xué)由此發(fā)展而來(lái)。由于高端轎車對(duì)車內(nèi)聲品質(zhì)的高要求，心理聲學(xué)的發(fā)展得到極大支持。

近年來(lái)，越來(lái)越多的國(guó)內(nèi)外研究人員將腦電方法用于噪聲暴露的研究，發(fā)現(xiàn)噪聲暴露可改變中樞神經(jīng)系統(tǒng)，且其影響程度與噪聲的類型和聲壓級(jí)相關(guān)。一部分研究人員使用ERP時(shí)域分析方法，發(fā)現(xiàn)噪聲環(huán)境睡眠的受試Nogo的P3成分的幅值比安靜環(huán)境睡眠的受試者明顯降低[5]，噪聲環(huán)境下P300的成分的幅值顯著提高[6]，噪聲聲壓級(jí)升高，可導(dǎo)致N1成分的幅值降低、P2成分的幅值升高，額區(qū)變化最為顯著[7]。一部分研究人員研究了多種噪聲環(huán)境下，腦電節(jié)律特性的變化[8-11]。

相比與功率譜密度分析，ERP時(shí)域分析等方法，本文使用的基于圖論的腦功能連接復(fù)雜網(wǎng)絡(luò)可以反映出不同頻段各個(gè)導(dǎo)聯(lián)間的關(guān)系，將大腦的神經(jīng)系統(tǒng)由基于圖論的復(fù)雜功能網(wǎng)絡(luò)體現(xiàn)，更能直觀地反映出噪聲對(duì)大腦功能連結(jié)性的影響[12-14]。與此同時(shí)，深度學(xué)習(xí)算法在圖像識(shí)別和語(yǔ)音識(shí)別等人工智能領(lǐng)域廣受關(guān)注。在汽車產(chǎn)業(yè)向智能檢測(cè)與制造方向發(fā)展的當(dāng)下，本文將腦電研究與深度學(xué)習(xí)相結(jié)合并引入車內(nèi)噪聲評(píng)價(jià)中來(lái)。

1 實(shí)驗(yàn)材料和實(shí)驗(yàn)方法

1.1 噪聲采集及被試選取實(shí)驗(yàn)方案及設(shè)備

本文主要選取某高端品牌的轎車、某中端品牌的吉普車及某型號(hào)的城市客車三款車型，每個(gè)車型各選1臺(tái)，平均車速分別控制在30 km/h，50 km/h，80 km/h和靜止但不熄火共4種狀態(tài)。就其車內(nèi)噪聲狀況進(jìn)行每次時(shí)長(zhǎng)為8 min的車內(nèi)噪聲錄制。其中噪聲采集位置均設(shè)置于駕駛員座位上的人耳所在位置。而后由10名專家組成的專家組對(duì)12個(gè)車內(nèi)噪聲進(jìn)行評(píng)分，采用10級(jí)評(píng)分(0為舒適，10為煩躁)。

另外，在實(shí)驗(yàn)人員選取方面，主要選取受試者22名，男女分別11名，年齡22～40歲左右。受試者均無(wú)不良身體狀況或聽力障礙。要求所有受試者在實(shí)驗(yàn)之前的48 h內(nèi)不準(zhǔn)飲酒、喝咖啡以及使用其他藥物等。實(shí)驗(yàn)在一個(gè)燈光相對(duì)昏暗且較為安靜的封閉環(huán)境內(nèi)展開。各受試者均坐在舒適的靠椅上，使用雙聲道音箱隨機(jī)播放車內(nèi)噪聲，同時(shí)其采集腦電信號(hào)。

1.2 實(shí)驗(yàn)方案及設(shè)備

實(shí)驗(yàn)具體流程如下，首先采集1 min的靜息腦電。然后，使用相同音量隨機(jī)播放每個(gè)刺激噪聲音頻，同時(shí)采集被試者的腦電信號(hào)，每次實(shí)驗(yàn)中間間隔10 min供被試者休息，并消除組間影響。實(shí)驗(yàn)場(chǎng)景如圖1所示。

圖1 實(shí)驗(yàn)示意

選用Emotiv system的便攜式腦電信號(hào)采集儀Emotiv EPOC采集腦電信號(hào)，其采樣頻率為128 Hz，共14個(gè)電極，以10～20導(dǎo)聯(lián)系統(tǒng)國(guó)際標(biāo)準(zhǔn)放置，電極位置如圖2。其中參考電極位于雙側(cè)耳后乳突處。

圖2 Emotiv EPOC電極位置

2 研究方法

2.1 基于同步似然的腦功能網(wǎng)絡(luò)構(gòu)建

將時(shí)間序列xk,i(k表示通道，k=1,…,M;i表示離散時(shí)間，i=1,…,N)延遲嵌入m維空間

Xk,i=(xk,i,xk,i+τ,xk,i+2τ,…,xk,i+(m-1)τ)

(1)

τ為延遲時(shí)間；m為嵌入維數(shù)。

通過(guò)以每個(gè)時(shí)間序列k與時(shí)間點(diǎn)i來(lái)對(duì)嵌入向量相互之間的距離加以界定，可以得出嵌入向量小于距離ε的概率為

(2)

| |表示歐幾里得距離；θ為Heaviside階梯函數(shù)，當(dāng)x≤0時(shí)，θ(x) =0，當(dāng)x>0時(shí)，θ(x) =1；ω1和ω2則代表2個(gè)時(shí)間窗，其中，ω1表示自相關(guān)的Theiler校正，ω2代表銳步同化測(cè)量時(shí)間分辨率的時(shí)間窗，并基本滿足ω1?2?N的條件。

基于每個(gè)k和i，就臨界距離εk,i的值加以確定，εk,i由參考概率Pref確定(Pref?1)。

通過(guò)對(duì)每個(gè)成對(duì)的離散時(shí)間(i，j)進(jìn)行確定后，當(dāng)窗ω1< |j-i|<ω2時(shí)，嵌入向量Xk,i和Xk,j之間的距離要比臨界距離小，其通道數(shù)

(3)

Hi,j的值在0到M之間。

對(duì)于通道k和離散時(shí)間(i,j)，定義同步似然系數(shù)Sk,i,j

(4)

|Xk，i-Xk,j|≥εk,i，Sk,i,j=0

(5)

對(duì)所有j取均值后，可以得到同步似然Sk,i為

(6)

對(duì)腦電信號(hào)分析時(shí)，Pref=0.05。可以結(jié)合數(shù)據(jù)在時(shí)間和頻率方面的特性，進(jìn)行最佳延遲時(shí)間與嵌入維度的選擇。具體參數(shù)數(shù)值設(shè)置如下：延遲時(shí)間為7，嵌入維度為7；ω1為84；ω2為283。

2.2 基于SAE的特征提取

近年來(lái)，針對(duì)深度學(xué)習(xí)的研究深受廣大學(xué)者的關(guān)注，深度學(xué)習(xí)可以學(xué)習(xí)到人工難以提取的有效特征，大大緩解機(jī)器學(xué)習(xí)模型對(duì)特征工程的依賴。特征提取過(guò)程要求對(duì)工程領(lǐng)域有非常深入的理解，使用特定算法提取特征。而深度學(xué)習(xí)，可以模仿人腦對(duì)特征進(jìn)行逐層掃描，通過(guò)多層神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)，提取重構(gòu)得到有意義的高階特征。此外，腦電信號(hào)是非線性信號(hào)，其中參雜大量非穩(wěn)態(tài)噪聲，本文使用基于最大相關(guān)熵的魯棒棧式稀疏自編碼器RSAE[15]提取特征，結(jié)合回歸分析算法構(gòu)建噪聲煩惱度評(píng)價(jià)模型。

將delta，alpha和beta 3個(gè)頻段的腦功能網(wǎng)絡(luò)鄰接矩陣重塑為1×(30×30×3)=1×2 700的一維向量，作為RSAE的輸入，經(jīng)過(guò)4層自編碼器提取第四層高階特征作為回歸模型的輸入，輸出估計(jì)煩躁度數(shù)值。

自編碼器(autoencoder,AE)，即可以使用自身的高階特征編碼自己。自編碼器也是一種神經(jīng)網(wǎng)絡(luò)，它的輸入與輸出是一致的，如圖3所示。借助稀疏編碼的思想，使用稀疏的高階特征重構(gòu)自己，自編碼器的學(xué)習(xí)過(guò)程是無(wú)監(jiān)督的。假設(shè)其輸入向量為X(包含偏置bias數(shù)值)，權(quán)值矩陣為W，激活函數(shù)為f(x)，提取的特征向量為H。其自編碼與解碼的過(guò)程為

H=f(WX)

(7)

(8)

RSAE是多個(gè)自編碼器的級(jí)聯(lián)，n個(gè)AE按順序訓(xùn)練。第一個(gè)AE訓(xùn)練完成后，將編碼器的輸出作為第二個(gè)AE的輸入，以此類推。如圖3所示，其中圖3a為第一個(gè)自編碼器提取得到一階特征和為第二個(gè)自編碼器提取得到二階特征。通過(guò)預(yù)訓(xùn)練得到各階特征，將其堆疊如圖3b所示，此時(shí)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)相同。

圖3 SAE示意

本文使用四階RSAE，將第四階特征作為之后回歸模型的輸入。其中第一層包含2 048個(gè)元素，第二層包含1 024個(gè)元素，第三層包含512個(gè)元素，第四層包含128個(gè)元素，即最終提取128個(gè)四階特征作為回歸模型的輸入。

通過(guò)反向傳播機(jī)制使得目標(biāo)輸出與輸入無(wú)限趨近。最大相關(guān)熵的損失函數(shù)J可以表示為

(9)

n為訓(xùn)練集樣本個(gè)數(shù);l為每個(gè)樣本的長(zhǎng)度;當(dāng)J取最大值時(shí)，參數(shù)θ為最優(yōu)解。

為避免網(wǎng)絡(luò)過(guò)擬合，使用L2正則化，加入正則化后的損失函數(shù)

(10)

3 結(jié)果討論

3.1 基于傳統(tǒng)心理聲學(xué)聲音品質(zhì)的車內(nèi)噪聲評(píng)價(jià)

利用現(xiàn)普遍使用的心理聲學(xué)聲音品質(zhì)客觀評(píng)價(jià)模型對(duì)采集到的車內(nèi)噪聲進(jìn)行評(píng)價(jià)。提取包括響度、尖銳度、粗糙度和抖動(dòng)強(qiáng)度4項(xiàng)聲音品質(zhì)特征。

圖4為靜止?fàn)顟B(tài)下3種車型車內(nèi)噪聲與實(shí)驗(yàn)環(huán)境背景音的特征響度平均值隨臨界頻帶的變化曲線，其中實(shí)線為實(shí)驗(yàn)室環(huán)境，虛線為高端轎車車內(nèi)噪聲環(huán)境，雙劃線為中端吉普車車內(nèi)噪聲環(huán)境，點(diǎn)實(shí)線為城市公交車。從圖4可以看出，在各個(gè)bark內(nèi)噪聲嘈雜度越高其特征響度越大。臨界頻帶較高時(shí)，中端吉普車與高端轎車較為相似。實(shí)驗(yàn)室環(huán)境只在臨界頻帶較低時(shí)有較為明顯的特征響度。

圖4 不同噪聲的平均響度曲線

將各個(gè)噪聲環(huán)境下的聲音品質(zhì)參數(shù)特征值統(tǒng)計(jì)如表1所示。包括不同環(huán)境下各聲音樣本的平均聲壓級(jí)、響度、尖銳度、粗糙度和抖動(dòng)度。由表1可知：在相對(duì)安靜的環(huán)境下，聲音的響度、尖銳度、粗造度和抖動(dòng)度都較低；而在相對(duì)嘈雜的城市公交車車內(nèi)噪聲環(huán)境下，聲音品質(zhì)參數(shù)都較高。

3.2 結(jié)果對(duì)比

進(jìn)一步使用回歸模型評(píng)估指標(biāo)對(duì)各個(gè)構(gòu)建腦功能連接網(wǎng)絡(luò)方法進(jìn)行比較?；貧w模型的評(píng)估指標(biāo)包括平均絕對(duì)誤差(MAE)，均方誤差(MSE)，均方根誤差(RMSE)和決定系數(shù)(coefficient of determination)等。

平均絕對(duì)誤差MAE又被稱為L(zhǎng)1范數(shù)損失，能較好地衡量回歸模型的好壞，但是絕對(duì)值的存在導(dǎo)致函數(shù)不光滑，在某些點(diǎn)上不能求導(dǎo)，將絕對(duì)值改為殘差的平方，即均方誤差MSE，為保證量綱一致，將MSE開方，得到均方根誤差RMSE為

(11)

決定系數(shù)又稱為R2score，其可反映因變量的全部變異能通過(guò)回歸關(guān)系被自變量解釋的比例，是一個(gè)無(wú)量綱化的評(píng)價(jià)指標(biāo)。

(12)

當(dāng)決策系數(shù)值為0時(shí)，說(shuō)明模型不能預(yù)測(cè)因變量；當(dāng)決策系數(shù)值為1時(shí)，說(shuō)明是函數(shù)關(guān)系；當(dāng)決策系數(shù)數(shù)值在0到1之間，表示模型的好壞程度。

表1 靜止?fàn)顟B(tài)不同環(huán)境下聲音品質(zhì)參數(shù)統(tǒng)計(jì)平均值

前述指標(biāo)對(duì)異常點(diǎn)(Outliers)較為敏感，若樣本中含有一些異常值，會(huì)對(duì)以上指標(biāo)有較大影響，而MAPE是一個(gè)相對(duì)誤差值，其具有較好的魯棒性，即

(13)

結(jié)果如表2所示。從表2觀察可見，基于腦功能網(wǎng)絡(luò)的車內(nèi)噪聲評(píng)價(jià)結(jié)果好于基于傳統(tǒng)心理聲學(xué)聲音品質(zhì)的車內(nèi)噪聲評(píng)價(jià)結(jié)果。同時(shí)基于深度學(xué)習(xí)方法SAE的回歸模型評(píng)價(jià)結(jié)果均優(yōu)于SVM回歸預(yù)測(cè)結(jié)果。其中基于腦功能網(wǎng)絡(luò)和SAE的回歸預(yù)測(cè)方法表現(xiàn)最佳。

表2 不同回歸預(yù)測(cè)方法的評(píng)價(jià)指標(biāo)對(duì)比

5 結(jié)束語(yǔ)

本文利用同步似然構(gòu)建腦功能網(wǎng)絡(luò)，以功能腦網(wǎng)絡(luò)作為輸入基于深度學(xué)習(xí)堆疊自編碼器算法構(gòu)建了一個(gè)性能良好的車內(nèi)噪聲評(píng)價(jià)模型。

a.采集不同車型下的車內(nèi)噪聲，由專家組對(duì)其進(jìn)行車內(nèi)噪聲評(píng)價(jià)。采集受試者暴露于不同噪聲下的腦電信號(hào)，預(yù)處理后使用同步似然方法構(gòu)建腦功能網(wǎng)絡(luò)，該方法可以計(jì)算不同導(dǎo)聯(lián)間線性和非線性耦合關(guān)系，反映不同腦區(qū)間信息傳遞、加工、處理的狀態(tài)。

b.使用四層SAE算法自主學(xué)習(xí)腦功能網(wǎng)絡(luò)特征，實(shí)現(xiàn)車內(nèi)噪聲評(píng)價(jià)，該SAE模型平均決定系數(shù)高達(dá)98.69%，高于SVM回歸方法。并與基于傳統(tǒng)心理聲學(xué)聲音品質(zhì)的車內(nèi)噪聲評(píng)價(jià)方法對(duì)比驗(yàn)證了使用腦功能網(wǎng)絡(luò)進(jìn)行車內(nèi)噪聲評(píng)價(jià)的可行性和有效性。