引言
当前我国的城市发展已从增量阶段进入存量与品质提升阶段[1-2]，城市更新成为城市规划研究与实践的重要方向，城市空间的更新与改造既要见“物”，更要见“人”，要符合“绣花活”般的城市规划要求。规划设计中的人本尺度是指人可以看得见、摸得着、感受得到的空间范围[3]，所以精细至人本尺度的空间感知测度成为当前城市更新决策与行动的重要依据。
人本尺度空间感知的传统测度方式，是将空间感知内容以问卷、量表或访谈形式表达出来，招募专家和公众进行主观评价。近期在大数据技术推动下，还出现了“照片—机器学习”等新兴方法。从感知数据的获取角度来看，“照片—机器学习”与传统测度方法相同，都是建立在专家或公众的主观评价结果基础上，所以从数据质量来看，这种主观评价数据很容易受到“感觉阈限”的干扰[4]。感觉阈限这一概念来自心理物理学，是指引起感觉变化的最小刺激量：一方面，不同受访者在理解感知差别的空间刺激量存在较大差异，如问卷中经常使用的语义差别量表（semantic differential scale），不同受访者对语义差别标准的理解可能完全不同；另一方面，感觉阈限较易受到时间、空间等外界条件影响，在实践中常能发现即便是同一受访者，在不同的时间段对相同的空间感知问题进行评价时也会出现较大差异，导致研究的区分效度和会聚效度不足的问题[5]。针对一些具有相对稳定结构的心理测量，如性格、偏好和情感问题的测量，可以通过改进问卷形式降低上述干扰[6]；在面对测量人实时产生的细腻感受的人本尺度空间感知问题时，则很难忽视这种干扰的存在[7-8]。因此在对某个特定空间进行感知测度时，大多数评价者可能无法作出反映个人真实感知的准确评价，导致在空间评价实践中存在大量“既对又不对”“既想又不想”[9]的问题。
人本尺度的空间感知测度是为了了解人是如何感知和利用空间，而物质空间又以何种方式及程度影响人的感知与行为[10]，是从心理或生理角度对个人日常使用的空间的舒适度、健康性、安全感、步行性等不同品质开展的精细量化研究。针对主观评价法的局限，由认知神经学科发展而来的生理信号计算方法，逐渐成为一种新的测度路径。与传统的主观评价方法相比，基于生理信号的人本尺度空间品质测度不依赖于参与者填写的量表与问卷，而是通过收集人在空间感知过程中产生的特定生理信号并进行相应的计算，表征空间感知量化结果。这种方法既具有与空间感知同步的实时测度优势，也具备对人本尺度空间进行连续“扫描”的高空间细粒度特征，同时还是一种针对主观感知结果的客观计算方式，使得不同人群的感知数据可以进行有效比较分析，从而找出公众感知的共性特点。系统利用生理信号测度空间感知的实证分析最早可见于1991 年乌尔里希等（Ulrich et al.）关于压力减少理论（SRT: stress reduction theory）的研究[11]。经过30余年的发展，针对空间感知的不同议题开展了诸多有益的尝试。然而此类研究属于认知神经学科、神经功能成像技术与城乡规划学科的交叉探索，在方法基础、生理信号选择及计算方法、研究框架等主要环节尚缺乏系统论述。本文首先以认知心理学为基础，构建空间使用者的空间感知过程，从中发现情绪的关键作用，为建立以情绪为中介的空间感知量化研究提供理论基础；而后基于认知神经科学建构基于生理信号的空间情绪计算方法；再根据人本尺度空间感知测度的主要任务，建立“感知—信号—情绪”（PSE: Perception-Signals-Emotion）的空间感知测度方法。根据上述方法对已有实证文献进行分类分析，最后总结当前研究存在的问题和未来发展趋势，为在空间感知测度方面深化使用生理信号提供基础，也为城市更新背景下的空间精细化设计提供依据。
1 方法基础
1.1 情绪是空间感知测度的重要中介
“空间—感知—行为”是环境心理学对空间感知研究早期的重要成果[12-13]，被广泛运用在空间、环境的感知与评价的实证研究中。从本质上看，空间感知属于认知活动范畴，是以空间环境为主要对象的认知过程，而认知心理学认为认知活动包含感觉、知觉、记忆、思维、想象等具体环节[14]，在对人的认知系统进行划分的过程中，诺曼（Norman）提出，除了认知系统（cognitive system）和调节系统（regulatory system），还存在情绪系统（emotional system），并且其在认知活动的信号加工与行为调节环节之间，起到了关键桥梁作用[15]（图1）。所以在认知理论的帮助下，可以对空间感知的过程进行更为全面的建构。
图1 情绪在认知过程中的重要作用
资料来源：参考文献[15]
1.1.1 基于认知理论的空间感知过程重建
根据认知理论，在人产生空间感知的过程中，首先发生的是感觉和知觉两个紧密结合的阶段[16]：在感觉阶段，感觉器官负责空间信息的输入与初加工，而知觉阶段对输入的相关信息进行回忆、理解、重组与储存等结构化过程；在完成感觉、知觉两个阶段后，大脑会根据记忆对感知后的信息进行理解，当空间信息被理解为有“意义”（meaning）时，随即抽象结构化相关信息并形成短时记忆，同时引发相应的情绪，再产生相应的行为[4]418-419。通过认知功能理论[17-18]与马斯洛需求层次理论（Maslow’s Hierarchy of Needs）[19]，空间感知过程中的意义可被视为空间对人当前基础需求的满足性，当大脑对空间感知后得到的信息评估为满足或不满足时，便会分别产生不同性质的情绪，再由情绪驱动产生相应的空间行为（图2）。
图2 空间感知过程及情绪的关键作用
1.1.2 情绪在空间感知过程中的关键作用
通过上述空间感知过程重建，可以发现既有的“空间—感知—行为”模式中忽视了感知过程中的两个关键环节，首先是在感知过程中来自个人当前需求的“评估”作用——空间感知并不只是被动地接受外界环境信息，而是在人当前基本需求驱使下对空间的主动评估过程，这种评估是情绪和行为产生的基础；其次是由这种主动评估产生的直接结果——在空间感知过程中产生的各类基本情绪，以及由不同基本情绪组合的复合情绪和复杂情感。此外，感知过程中的空间行为其实是由上述情绪驱动所产生的，因此可以对空间认知过程的情绪作用作进一步细化：当人进入一处具体的空间环境，便在潜意识中自动开始对当前空间的持续感知[20]，当空间感知后产生的信息被评估为满足当前需求时，随即产生积极情绪，积极情绪再驱动产生相应的空间趋近性行为；当感知信息被评估为违背人的当前需求时，则会产生相应的消极情绪，消极情绪再驱动产生相应的空间回避性行为。当这种空间符合或背离需求的程度越大时，情绪强度和相应行为的幅度便会同步增加。当前行为完成后，行为结果则会反馈至新的一轮环境感知过程（图2）。
情绪是空间感知的直接结果，并起到调节空间行为的重要作用，因此利用情绪表征空间感知测度具有现实的理论基础，并且已在部分实证研究中体现出来。随着认知神经科学与神经功能成像技术的不断进步，对情绪的理论解释日臻完善，目前已经能够找到表征的各类不同情绪的生理“标志物”，广泛使用在心理学研究与临床治疗过程中。在空间感知领域，利用生理信号得到空间情绪可以达到以前主观评价无法做到的高细粒度实时感知测度，有效提升了在人本尺度下考察人如何感知和利用空间，而物质空间又以何种方式与程度影响人的感知与行为的能力。
1.2 基于生理信号的空间情绪计算
1.2.1 情绪的生理响应过程与生理信号分类
情绪的产生与发展被认为是神经系统上多水平生理活动的整合结果，涉及广泛而复杂的神经生理生化反应。从发生过程看，第一阶段为情绪生成阶段，首先由感知器官收集外界环境产生的信息，经脑部的大脑皮层处理后，传递至情绪中枢——杏仁核，由杏仁核进行知觉评价，当评价为有“意义”时，将“意义”信息传递给下丘脑并产生相应情绪；第二阶段进入情绪唤醒阶段，由上一阶段产生的情绪信息激活自主神经系统（ANS: autonomic nervous system）中的交感神经系统（SNS: sympathetic nervous system）和副交感神经系统（PNS:parasympathetic nervous system），SNS 与PNS 产生的拮抗活动导致情绪的生理唤醒程度产生显著变化；第三阶段是情绪生理反馈阶段，在前两阶段的同时影响下，人的内分泌系统（endocrine system）产生特异性反应，使得对应的酶和激素的分泌水平发生显著变化，为随后的空间行为做好生理准备。所以情绪的生理响应机制最终表现为多阶段、多水平的生理活动变化[21]，而这些生理活动变化带来的各类生理信号变化，则成为一种观测人情绪变化的重要生理“标志物”（图3）。
图3 情绪的生理响应过程与生理信号分类
（1）脑电、脑磁信号
在情绪生成阶段，由脑部活动产生的脑电信号（EEG:electroencephalogram）和脑磁信号（MEG: magnetoencephalogram）对情绪变化的反馈非常灵敏，不同脑区出现的EEG、MEG 的时序、强度与频率等信号特征可以精确反馈情绪的实时变化，对空间基本情绪具有较高的识别精度[22]，同时还能作为判断更为复杂的空间情感的基本依据之一[23]。但是EEG 和MEG 非常细微，因此对研究环境的电磁屏蔽条件具有一定要求，并且收集设备较为复杂，不便于室外环境活动中穿戴，目前主要适用于在实验室内开展的研究[24]。
（2）外周生理信号
在情绪唤醒阶段，主要由自主神经系统活动产生皮肤电反应①皮肤电反应在英文中有EDA 和GSR 两种表达，虽然字面意思不同，但本质上没有区别。下文根据文献中的用法选用EDA 或GSR。（EDA: electrodermal activity/ GSR: galvanic skin response）、心跳变异频率（HRV: heart rate variability）、呼吸频率（respiratory rate）、心率（HR: heart rate）、心电图（ECG: electrocardiogram）等[25]外周生理信号。这些信号的结构相对较为简单，数据计算的鲁棒性更强，其收集设备也更为轻量化且穿戴方便，更适用于室外开展的空间感知研究的实时测度。但是此类生理信号主要用于判断情绪的唤醒程度（强度），而在情绪的正负性质判断上存在局限，需要联合不同生理信号的多模态计算或其他额外手段，才能对情绪正负属性进行判断[26]。
（3）酶与激素
在情绪的生理反馈阶段，由内分泌腺体产生的唾液淀粉酶、肾上腺素、乙酰胆碱等的抽取和化验皆需要专门的仪器和实验室，数据处理过程较为繁杂，所以无法做到对情绪进行实时观测，只能对某段感知过程的整体感知结果进行测度。但是其优点在于被试（subject）在进行感知期间无须佩戴任何设备，所以对室内外研究对象有较强的适应性。此外，这种方法能更好地反映出被试感知后人体的生理机能与健康状态，适用于对健康城市、恢复性环境和运动空间的研究和分析。
综上所述，上述三类生理信号因其不同的生理机制，在空间感知研究的应用方面存在不同的优点和局限（表1）。在实证研究之前，可以根据不同研究目的综合选取上述生理信号的一种或者几种进行空间情绪的计算工作。
表1 三类生理信号在环境情绪测度时的优缺点比较
1.2.2 基于生理信号的空间情绪计算方法
（1）基于唤醒—效价模型的空间基本情绪计算
对空间环境情绪定量计算，最早见于1984 年罗素和拉尼厄斯（Russell &Lanius）对环境适应水平的研究[27]，作者通过三组环境情绪评价实验得到了40 个关于环境评价的形容词，将这些不同形容词按照二维坐标系排列出来，发现空间感知产生的情绪可以分唤醒强度和愉悦程度两个维度表达[12]，通过不同唤醒和愉悦程度的组合，可以测度4 种不同的基本环境情绪类型，即（1）高兴：愉快—高唤醒；（2）轻松：愉快—低唤醒；（3）无聊：不愉快—低唤醒；（4）惊惧：不愉快—高唤醒[28]，从而建立空间感知的“唤醒—效价”模型（图4）。该模型是目前在空间感知测度中运用最广泛的模型之一，可以覆盖空间感知后产生的几乎全部基本情绪。
图4 基于“唤醒—效价”模型的空间基本情绪分布
资料来源：参考文献[12]
早期的唤醒—效价测度都是依靠问卷等主观评价形式完成，今天在生理信号计算技术的帮助下，唤醒程度可以通过GSR、HRV、ECG 等外周生理信号更加精确地实现[29]，而唤醒测度则可继续采用进行主观评价形式。首先由生理信号计算出高唤醒情绪，再邀请实验参与者就这种高唤醒情绪的性质进行评价，最终识别出感知形成的空间情绪。
（2）基于机器学习建模空间复合情绪识别
在面对较为复杂的空间情绪时，则需要通过不同生理信号进行多模态计算实现。计算方法主要利用k 近邻（K-nearest neighbor classification）、支持向量机（SVM：support vector machines）、随机森林、卷积神经网络（CNN：Convolutional Neural Networks）等机器学习方法，首先需要事先收集实验参与者在不同典型情绪下产生的生理信号，建立机器学习训练数据集，通过特征选取、模型训练与检验等环节完成情绪识别模型，再利用此模型实现对感知实验中参与者产生的生理信号进行计算，最终完成复杂空间情绪的识别（图5）。
图5 空间情绪的两种计算方法
上述两种方法中，“唤醒—效价”使用了环境心理学中经典的情绪二维模型，利用抗扰性较强的自主生理信号数据完成情绪的唤醒程度测度，再利用主观评价数据完成情绪效价，其优点是数据处理方式整体较为简单，但是使用了部分主观评价数据，导致数据可能会出现部分主观评价产生的“偏差”，较适用于室外的现场感知测度；基于机器学习的方法则完全依靠不同生理信号数据的多模态计算，适用于复杂空间情绪的识别，对感知测度的精度更高，但是在计算之前，需要针对不同被试建立生理信号大数据集，成本较高，并且数据处理与建模工作较为烦琐，适宜于室内进行的虚拟感知测度。
1.3 建立人本尺度的“感知—信号—情绪”的空间感知测度方法
借助生理信号的实时性、连续性、灵敏性以及与情绪之间的因果性，可以实现高细粒度的空间感知实时测度，将空间感知研究以前的城市分区尺度、街区尺度深入至人本尺度，因此也需要建立相适应的研究框架。
1.3.1 感知实验与感知方式
在近年来的空间感知研究中，来自实验心理学的实验法[30]逐步成为感知测度的重要方式。与空间观察法不同，空间感知实验是通过建立明确的空间自变量和感知因变量，在研究者对变量实施主动控制的条件下，观察空间变量变化引发的感知变化，从中找出关键空间影响因素。在具备高细粒度空间感知测度技术的基础上，这种实验方法更有利于发现人本尺度上空间特征与感知之间的因果关系，对精细化城市设计更具有直接指导意义。
在空间感知实验中，自变量主要指影响空间感知的空间要素及数量水平；因变量则是通过空间感知产生的不同情绪，除此之外，还包括需要控制的额外环境变量。额外环境变量是指与研究问题无关，但可能会对人空间感知产生影响的环境变量，如天气、温度、湿度、人群活动条件等。
根据实验自变量形式，感知可以分为虚拟感知和现场感知两种测度方式。虚拟感知是指在专门的实验室中，通过对研究人员根据感知对象挑选的照片、视频或者建设的虚拟模型进行观看或通过VR 设备感知，同时收集实验参与者的生理信号对感知进行测度，这种方式的优势在于可以对环境额外变量进行严格控制，但是这种感知形式也存在局限。首先从表达技术上看，照片、视频和VR 模型固然可以反映空间的重要特征，但囿于技术水平，目前的虚拟感知主要以视觉方式呈现，与人在真实空间中的感知相比还存在较大差距；其次，虚拟感知虽然能很好地控制额外环境变量，但这种控制会带来另一个影响：实验结果只能在少数严格的外界条件下才能呈现，对于丰富复杂的城市空间来说，这种结果的适应性较差，缺乏推广的基础。第二种现场感知测度形式是研究人员根据研究问题选定真实空间对象，通过组织实验参与者进行漫游体验，完成现场感知与生理信号的采集工作。从感知方式来看，其与虚拟感知的优缺点正好相反，现场感知测度的主要优点在于其真实性是虚拟感知无法提供的，但缺点在于较难对环境额外变量进行严格控制。所以可以根据具体研究问题选择不同感知方式完成感知测度研究。
1.3.2 建立“感知—信号—情绪”空间感知测度框架
将空间感知测度问题以感知实验思路展开研究设计，首先根据研究问题建立空间自变量，并确定使用虚拟还是现场感知的方式完成感知实验，再根据感知方式建立照片、视频或VR 模型的虚拟感知对象，或选择实体空间作为现场感知对象；其次确定空间感知的情绪类型，选择生理信号和计算方式；经过感知过程、信号处理和情绪生成等环节，最终建立空间特征与感知情绪的模型，找出影响空间感知的关键空间因素，作为人本尺度的空间精细化设计直接依据（图6）。
图6 基于感知—信号—情绪的空间感知研究框架
这种以空间感知为研究对象和数据来源方式，以空间情绪为表征结果，以生理信号为计算中介的方法，可被称为“感知—信号—情绪”的空间感知实时测度方法。该方法利用生理信号产生的连续性、灵敏性、客观性，将传统方法对应的街区研究尺度提升至人本研究尺度（图7），并降低了“感知阈限”带来的主观影响，在数据精确性和因果性方面具有一定优势，为人本尺度的空间感知测度提供一个新的路径。
图7 不同尺度的空间感知测度（左：街区尺度；右：人本尺度）
2 实证研究
基于生理信号的空间感知测度最早可以追溯到于乌尔里希等对压力减少理论的研究，由于当时的生理信号计算技术有限，所以尚未在空间感知研究中普及使用。而在近十年，我国的城市发展进入存量阶段，城市更新需求逐渐增多，对于人本尺度空间的精细化设计与管理提出了新的要求。同时在认知神经科学和神经功能成像技术的带动下，人们逐渐了解不同生理信号相对应的情绪变化，随着可穿戴设备逐渐普及，所以基于生理信号的空间感知测度逐渐增多，已有实证研究分别在空间压力情绪感知与恢复性研究、空间安全感知和空间步行与骑行体验方面形成固定方向。
2.1 对情绪恢复性环境的实证研究
在情绪恢复性环境研究中，自然比城市具有更强恢复性的观点很早就被提出[31]，但一直未能很好地被证实。乌尔里希等选择视频为感知对象，在激起120 名被试的压力之后，再给被试播放关于城市空间与自然空间的视频，使用心跳周期、肌肉张力、皮肤电反应等生理信号测量被试观看视频后的压力情绪恢复情况，发现观看自然景象的被试组压力恢复更快、效果更好[11]，这是首次从生理信号角度证实了上述观点。在随后的实证过程中，学者以街区、住区和乡村等人工环境与公园、森林、海边、山地等自然环境为对象，开展了广泛的比较研究，利用EDA/GSR、EEG、HR 等外周生理信号为计算中介，通过虚拟感知与现场感知，进一步证实了自然环境比人工环境能够显著降低焦虑和注意力负担等消极情绪的结论[32-38]。从情绪的生理反馈角度，学者利用血氧饱和浓度、唾液淀粉酶与皮质醇等为生理信号计算中介，证实了使用公园后，不但人的情绪压力会得到更好的放松，而且生理状态也会得到快速改善[39-40]。
除了对不同区域的实证研究，学者们开始尝试对人本尺度空间的恢复性进行探索。有学者对校园中的学习环境进行现场感知研究，发现教室窗外近处的绿色植被景观相比其他景观，更有助于学生在高强度学习之后的注意力恢复[41]；徐磊青等对街道的恢复性进行了分析，通过建立虚拟街道模型，并对模型中不同的细节特征进行调节，观察被试的情绪恢复状况，实验发现高绿视率与延伸性界面组合的街道，情绪恢复潜能最高[42]；低绿视率与实墙界面组合的步行街道空间的情绪恢复潜能最低。除了视觉，学者还针对听觉感知进行了一系列实证研究，测试了人工与自然环境的声音对人的感知影响，实验结果表明，自然声音有助于承受心理压力后的情绪恢复，特别是环境景观中经过精心设计的声景（soundscapes）对压力恢复、审美体验具有积极影响[43-45]。
2.2 对空间安全感的实证研究
利用生理信号可以实时发现空间安全感的变化与空间要素之间的关系，在空间安全感研究中起到了重要作用。在现场感知实验中，赫加齐等（Hijaz et al.）利用皮肤电反应和皮肤温度信号建立了街道实时安全感的计算模型，并发现闭塞的空间或空间尺度的剧烈变化易引发人的不安全感[46]。席尔瓦等（Silva et al.）以斯里兰卡科伦坡（Colombo）的莫勒图沃大学（University of Moratuwa）附近一条时常发生犯罪活动的路径为实验对象，以GSR 为主要计算指标，招募了50 名大学生进行现场感知实验，研究结果表明具备渗透性的空间界面、良好的街道照明要素对空间安全感有显著提升作用[47]。在其他类似的现场感知实验中，学者们还证实了破窗理论对安全感的影响[48-49]。
在利用虚拟感知的研究方式中，莱特等（Leite et al.）对老年和青年组的室内空间风险感知进行了探索，通过精确调节模型变量，发现老年在室内对可能发生的潜在空间风险具有更为敏感的感知特性[50]。金和康（Kim &Kang）比较了日、夜不同时间条件下商业街道、住区道路和公园绿道的安全感，并以ECG、EEG、GSR 作为多模态计算途径，发现在不同时间条件下空间安全感知存在显著差异：日景的商业街道安全感最强，而夜景的公园绿道安全感最弱[51]。
2.3 对空间活动体验的实证研究
随着可穿戴装备的进步，近几年学者们开始使用生理信号对步行和骑行等活动的空间体验进行探索，发掘影响这些活动的空间特征。在虚拟感知方式方面，谢贝拉等（Schebella et al.）建立了4 组物种多样性程度不同的城市和自然景观的场景，这些场景除视觉之外还包括相应场景的嗅觉和听觉等多通道感知体验，以最大限度地模拟真实环境。实验者使用这些虚拟环境检测人在不同物种多样性环境中的活动体验，并使用GSR 和HR 信号侦测实时的空间情绪状态，实验发现“低生物多样性”特征的“热带疏林草原景观”（savannalike landscapes）最符合人的空间步行感受，而人工城市景观审美感受最差[52]，从而部分证实了卡普兰（Kaplan）夫妇提出的环境偏爱（environmental preference）理论[53]。叶宇等组织了针对街道的虚拟体验实验，发现建筑尺度对街道步行体验影响较大，大尺度建筑对行人具有相对显著的压迫感[54]。
在现场感知方式方面，克里斯辛格和金（Chrisinger &King）在旧金山的社区中选择不同的街头公园、街道和巷道作为实验路径，研究不同空间要素对步行体验产生的实际影响[55]。学者组织14 名成年被试进行实地感知实验，通过同步采集EDA 与视频数据，发现环境的视觉质量优劣程度对步行体验具有直接影响，并形成街道步行情绪地图。随后更多学者在苏黎世[56]、萨尔茨堡和科隆[57]、香港[58]等城市开展了类似的街道感知实验，结果显示环境的照度、温度、湿度、绿化、视域长度等特征对步行体验存在显著影响。另一方面，学者们开始尝试分析影响步行感受的空间精细化特征。陈筝等以校园道路作为感知实验路径，招募学生进行现场感知，实验结果显示出人车混行、无序停车和大尺度建筑等空间特征易使人产生负面步行体验[57-61]。而在对传统村落步行空间的探索中，朱萌等通过具备不同吸引物的步行路线招募游客进行感知，实验结果显示与信息类、体验类空间要素相比，具备远、近观赏类要素的路径可以带来更好的步行体验[62]。陈志敏等综合利用虚拟感知和现场感知两种不同的感知方式，对广州街道的步行体验进行分析，结果发现城市新、老城区街道引发步行体验的空间要素并不一致，需要根据街道现状提出人本尺度的街道更新策略[63]。
在骑行体验方面，米勒等（Mille et al.）利用GSR 信号设计了不同骑行路线的骑行现场感知实验，结果显示在骑行路段中，更多的娱乐、农业和森林景观能显著提升骑行者的骑行体验[64]。在骑行过程中对景观的感知渠道方面，除传统的视觉渠道之外，听觉、嗅觉起了重要的感知作用，因此对骑行路径的规划需要从植物配置、车行控制等角度综合思考。
3 研究展望
综上所述，在当前城市更新实践广泛开展的背景下，不断改善人的心理与生理健康成为当前城市设计的首要任务，人本尺度的空间感知的精密测度则成为完成这种任务的基本依据。生理信号作为检查人的心理与生理状态的常用医学工具，同时也是反映情绪变化的生理“标志物”，在人本尺度的空间感知测度方面具有重要作用。与传统主观评价方法相比，利用生理信号产生的连续性、客观性、灵敏性等特征，在人本尺度空间感知研究的细粒度、实时性和精确性方面具备一定优势，是一种极具潜力的空间感知测度工具[65]。
在实证研究领域，目前已形成了情绪恢复性环境、空间安全感与空间体验等固定研究方向。利用CiteSpace 软件以“空间感知”为关键词，对中国知网（CNKI）数据库中2012 年以来的文献进行检索，在剔除不相关文献后共得到1 778 篇学术论文，选择keyword 节点，时间切片设置为1年，得到时间线（TimeLine）图谱分析（图8）。根据该图谱，2019 年以来“神经认知”一词在不同关键词聚类中逐步出现，说明利用生理信号测度正在成为空间感知研究测度的重要方法。在应用领域，除城市更新热点之外，关键词聚类显示出旅游感知也逐步成为研究热点，所以未来该方法也能广泛运用于旅游空间感知方面。在研究尺度方面，近期出现的“街道”“社区”“儿童空间”与“感知体验”“感知维度”“人本价值”等关键词明显增多，说明该方法在人本尺度的优势正在逐步体现。
图8 时间线图谱分析图
从研究阶段看，目前基于生理信号的空间感知测度方法尚未成熟，还处在演化发展阶段，而本文主要试图通过相关学科理论建立基于生理信号的空间感知测度方法的底层逻辑，同时对生理信号、计算方法与感知方式等技术基础进行分析，但是在测度方法的系统性、对设计实践的指导性与其他数据的联结性方面还存在问题，是进一步研究需要着重解决的问题。
3.1 系统建立人本尺度空间感知的生理信号测度理论
从人本尺度空间感知测度的研究目的来看，需要对人如何感知和利用空间，物质空间又以何种方式和程度影响人的感知与行为[10]方面提供研究依据，在客观空间与人的主观认知之间建立研究方法。因此，从学科背景来看，基于生理信号的空间感知测度融合了认知神经学科、心理学、城乡规划学、机器学习技术等众多学科门类的交叉内容。目前虽然已经出现很多实证研究，但是系统的测度理论尚未建立，导致在如何处理生理信号、建立情绪识别模型、设计感知实验等关键环节还有大量研究空白。本文利用不同学科的基础理论，在空间感知过程、情绪生理反馈机制、生理信号类型与计算方法等方面进行了探讨，后续研究还需要根据逐步清晰的研究对象和研究问题，进一步整合相关内容，系统建立人本尺度空间感知的生理信号测度理论，为人本尺度的空间研究提供一种系统的测度方法。
3.2 完善对感知共性结果的归纳和对空间规划设计的导控
现有实证研究尚缺乏对不同实证研究结果的比较，同时也缺乏对不同实证研究结果的思考。不同的研究结果究竟是因为研究对象的差异（如不同地域）而产生，还是不同研究方法造成，需要后续研究进一步进行比较分析，同时需要加强对已有空间感知结果的归纳，找出其中的共性内容。伴随着国内城市更新行动的大范围展开，需要更多使用以人为本的规划设计语言，共性研究结果的归纳将有益于将研究结果编译为规划设计语言，完善对人本尺度空间的规划设计导控，为当前的城市更新实践提供设计依据。
3.3 加强与空间感知的主观评价与多源数据的联合测度方式
基于生理信号的空间感知测度方法虽然具有上述优点，但考虑到人本尺度空间的复杂性和多元性，目前单独依靠生理信号计算的数据稳健性依然存在不足，奥斯本和琼斯（Osborne &Jones）曾系统比较感知实验产生的生理信号数据，认为即使对实验环境和环境额外变量实施严格的控制，生理信号仍很可能会受到一些随机“噪声”的干扰，从而需要不同的数据源对其进行进一步检验[66]。空间感知的主观评价已经发展了近半个世纪，虽然存在感知阈限问题造成的不利影响，但是其方法体系已较为成熟，利用两种方式可以与生理信号相结合，逐步发展成为融合主客观评价数据的测度方式，将更加有利于测度研究。同时从样本数量上看，空间感知实验方法属于小样本研究，在“众包”理念下，需要考虑与其他多源数据相结合，充分弥补小样本数据在研究上的不足。
注：文中未注明资料来源的图表均为作者整理绘制。
[1] 邹兵.增量规划、存量规划与政策规划[J].城市规划,2013,37(2): 35-37,55.
[2] 王德,殷振轩,俞晓天.用地混合使用的国际经验：模式、测度方法和效果[J].国际城市规划,2019,34(6): 79-85.DOI: 10.22217/upi.2018.312.
[3] 龙瀛,叶宇.人本尺度城市形态：测度、效应评估及规划设计响应[J].南方建筑,2016(5): 41-47.
[4] 孟昭兰.普通心理学[M].北京: 北京大学出版社,1994: 83-85.
[5] 封丹珺,石林.应对方式的生态瞬时评估法及其他测量方法简介[J].心理科学进展,2004(3): 429-434.
[6] GRIMM S D,CHURCH A T.A cross-cultural study of response biases in personality measures[J].Journal of research in personality,1999,33(4): 415-441.
[7] FERRANDO P J,LORENZO-SEVA U,CHICO E.A general factor-analytic procedure for assessing response bias inquestionnaire measures[J].Structural equation modeling: a multidisciplinary journal,2009,16(2): 364-381.
[8] PEER E,GAMLIEL E.Too reliable to be true? response bias as a potential source of inflation in paper-and-pencil questionnaire reliability[J].Practical assessment,research,and evaluation,2011,16(1): 1-8.
[9] 邵源,叶丹,叶宇.基于街景数据和深度学习的街道界面渗透率大规模测度研究——以上海为例[J/OL].国际城市规划.(2022-02-15)[2022-03-03].https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbna me=CAPJLAST&filename=GWCG20220610000&uniplatform=NZKPT&v=BxdPOPdOwA_jfO17WSOQWdowwghaSSyNedlML5JVxYOIBWNBzIx4 7y7AES-TrwQR.
[10] 支文军.新技术与新数据条件下的空间感知与设计[J].时代建筑,2017(5): 1.
[11] ULRICH R S,SIMONS R F,LOSITO B D,et al.Stress recovery during exposure to natural and urban environments[J].Journal of environmental psychology,1991,11(3): 201-230.
[12] 胡正凡,林玉莲.环境心理学——环境—行为研究及其设计应用[M].第四版.北京: 中国建筑工业出版社,2018.
[13] 克里斯多夫·霍舍尔,徐蜀辰.人本视角的范式转变与挑战——新时代下的空间感知、行为与设计[J].时代建筑,2017(5): 60-63.
[14] 王甦,汪安圣.认知心理学[M].重排本.北京: 北京大学出版社,2006.
[15] NORMAN D A.Twelve issues for cognitive science[J].Cognitive science,1980,4(1): 1-32.
[16] 谢久书,张常青,王瑞明,等.知觉符号理论及其研究范式[J].心理科学进展,2011,19(9): 1293-1305.
[17] 梁宁建.心理学导论[M].上海: 上海教育出版社,2011: 352.
[18] 孟昭兰.情绪心理学[M].北京: 北京大学出版社,2005: 28.
[19] MASLOW A H.A theory of human motivation[J].Psychological review,1943,50(4): 1-21.
[20] TAMIETTO M,DE GELDER B.Neural bases of the non-conscious perception of emotional signals[J].Nature reviews neuroscience,2010,11(10): 697-709.
[21] 郑涌著,黄希庭.心理学导论[M].北京: 人民教育出版社,2015.
[22] ZHANG J,CHEN M,ZHAO S,et al.ReliefF-based EEG sensor selection methods for emotion recognition[J].Sensors,2016,16(10): 1-15.
[23] 郑旭东,马云飞.脑电图技术的教育研究图景与趋势——基于2000—2019 年国际文献的知识图谱分析[J].现代远程教育研究,2020,32(4):36-47.
[24] 王忠民,赵玉鹏,郑镕林,等.脑电信号情绪识别研究综述[J].计算机科学与探索,2022,16(4): 760-774.
[25] 赵国朕,宋金晶,葛燕,等.基于生理大数据的情绪识别研究进展[J].计算机研究与发展,2016,53(1): 80-92.
[26] 易欣,葛列众,刘宏艳.正负性情绪的自主神经反应及应用[J].心理科学进展,2015,23(1): 72-84.
[27] RUSSELL J A,LANIUS U F.Adaptation level and the affective appraisal of environments[J].Journal of environmental psychology,1984,4(2): 119-135.
[28] 梁宁建,编.心理学导论[M].上海: 上海教育出版社,2011: 357.
[29] 朱萌,王灿祥,陈锦富.街道步行环境夜间安全感关键影响因素识别——基于可穿戴生理传感器的感知实验[J].中国园林,2023,39(6):64-69.
[30] 朱滢.实验心理学[M].第三版.北京: 北京大学出版社,2000: 2.
[31] KAPLAN S,TALBOT J F.Psychological benefits of a wilderness experience[M]// Behavior and the natural environment.Boston,MA:Springer,1983: 163-203.
[32] 赵欢,吴建平.城市绿色与灰色空间复愈作用的初步对比研究[J].北京林业大学学报(社会科学版),2011,10(3): 46-52.
[33] ROE J J,ASPINALL P A,MAVROS P,et al.Engaging the brain: the impact of natural versus urban scenes using novel EEG methods in an experimental setting[J].Proceedings of the National Academy of Sciences of the United States of America,2013,1(2): 93-104.
[34] ASPINALL P,MAVROS P,COYNE R,et al.The urban brain: analysing outdoor physical activity with mobile EEG[J].British journal of sports medicine,2013,49(4): 1-6.
[35] Van den BERG M M H E,MAAS J,MULLER R,et al.Autonomic nervous system responses to viewing green and built settings: differentiating between sympathetic and parasympathetic activity[J].International journal of environmental research and public health,2015,12(12): 15860-15874.
[36] 武锋,陆钊华,郑松发.基于情绪生理指标的红树林舒适度初步研究[J].湿地科学,2015,13(1): 43-48.
[37] ANDERSON A P,MAYER M D,FELLOWS A M,et al.Relaxation with immersive natural scenes presented using virtual reality[J].Aerospace medicine and human performance,2017,88(6): 520-526.
[38] 李同予,薛滨夏,杨秀贤,等.基于无线生理传感器与虚拟现实技术的复愈性环境注意力恢复作用研究[J].中国园林,2020,36(12): 62-67.
[39] 房城,王成,郭二果,等.城郊森林公园游憩与游人生理健康关系——以北京百望山森林公园为例[J].东北林业大学学报,2010,38(3): 87-88,107.
[40] BEIL K,HANES D.The influence of urban natural and built environments on physiological and psychological measures of stress–a pilot study[J].International journal of environmental research and public health,2013,10(4): 1250-1267.
[41] LI D,SULLIVAN W C.Impact of views to school landscapes on recovery from stress and mental fatigue[J].Landscape and urban planning,2016,148:149-158.
[42] 徐磊青,孟若希,黄舒晴,等.疗愈导向的街道设计：基于VR 实验的探索[J].国际城市规划,2019,34(1): 38-45.DOI: 10.19830/j.upi.2018.496.
[43] ALVARSSON J J,WIENS S,NILSSON M E.Stress recovery during exposure to nature sound and environmental noise[J].International journal of environmental research and public health,2010,7(3): 1036-1046.
[44] MEDVEDEV O,SHEPHERD D,M J.HAUTUS.The restorative potential of soundscapes: a physiological investigation[J].Applied acoustics,2015,96:20-26.
[45] SHU S,MA H.Restorative effects of urban park soundscapes on children’s psychophysiological stress[J].Applied acoustics,2020,164: 1-10.
[46] HIJAZI I H,KOENIG R,SCHNEIDER S,et al.Geostatistical analysis for the study of relationships between the emotional responses of urban walkers to urban spaces[J].International journal of e-planning research,2016,5(1):1-19.
[47] DE SILVA C S,WARUSAVITHARANA E J,RATNAYAKE R.An examination of the temporal effects of environmental cues on pedestrians’feelings of safety[J].Computers,environment and urban systems,2017,64:266-274.
[48] HACKMAN D A,ROBERT S A,GRÜBEL J,et al.Neighborhood environments influence emotion and physiological reactivity[J].Scientific reports,2019,9(1): 1-11.
[49] RISTEA A,LEITNER M,RESCH B,et al.Applying spatial video geonarratives and physiological measurements to explore perceived safety in Baton Rouge,Louisiana[J].International journal of environmental researchand public health,2021,18(3): 1284.
[50] LEITE S,DIAS M S,ELOY S,et al.Physiological arousal quantifying perception of safe and unsafe virtual environments by older and younger adults[J].Sensors,2019,19(11): 1-19.
[51] KIM S K,KANG H B.An analysis of fear of crime using multimodal measurement[J].Biomedical signal processing and control,2018,41: 186-197.
[52] SCHEBELLA M F,WEBER D,SCHULTZ L,et al.The nature of reality:human stress recovery during exposure to biodiverse,multisensory virtual environments[J].International journal of environmental research and public health,2020,17(1): 1-24.
[53] KAPLAN R,KAPLAN S,BROWN T.Environmental preference: a comparison of four domains of predictors[J].Environment and behavior,1989,21(5): 509-530.
[54] 叶宇,周锡辉,王桢栋.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[J].时代建筑,2019(6):152-159.
[55] CHRISINGER B W,KING A C.Stress experiences in neighborhood and social environments (SENSE): a pilot study to integrate the quantified self with citizen science to improve the built environment and health[J].International journal of health geographics,2018,17(1): 1-13.
[56] OJHA V K,GRIEGO D,KULIGA S,et al.Machine learning approaches to understand the influence of urban environments on human’s physiological response[J].Information sciences,2019,474: 154-169.
[57] RESCH B,PUETZ I,BLUEMKE M,et al.An interdisciplinary mixedmethods approach to analyzing urban spaces: the case of urban walkability and bikeability[J].International journal of environmental research and public health,2020,17(19): 1-20.
[58] XIANG L,CAI M,REN C,et al.Modeling pedestrian emotion in highdensity cities using visual exposure and machine learning: tracking real-time physiology and psychology in Hong Kong[J].Building and environment,2021,205: 1-15.
[59] 陈筝,杨云,邱明,等.面向城市空间的实景视觉体验评价技术[J].风景园林,2017(4): 28-33.
[60] 陈筝,刘颂.基于可穿戴传感器的实时环境情绪感受评价[J].中国园林,2018,34(3): 12-17.
[61] 陈筝,何晓帆,杨汶,等.实景实时感受支持的城市街道景观视觉评价及设计[J].中国城市林业,2017,15(4): 35-40.
[62] 朱萌,张云彬,王悦,等.基于情绪测量实验的黟县屏山村旅游情境感知研究[J].华中农业大学学报,2021,40(6): 91-102.
[63] 陈志敏,黄鎔,黄莹,等.街道空间宜步行性的精细化测度与导控——基于虚拟现实与可穿戴生理传感器的循证分析[J].中国园林,2022,38(1): 70-75.
[64] MILLAR G C,MITAS O,BOODE W,et al.Space-time analytics of human physiology for urban planning[J].Computers,environment and urban systems,2021,85: 1-11.
[65] BIRENBOIM A,HELBICH M,KWAN M P.Advances in portable sensing for urban environments: understanding cities from a mobility perspective[J].Computers,environment and urban systems,2021,88: 160-169.
[66] OSBORNE T,JONES P I.Biosensing and geography: a mixed methods approach[J].Applied geography,2017,87: 160-169.
