傳統(tǒng)建筑照明設計規(guī)范多聚焦于照度等視覺性能指標，以滿足“是否夠亮"的基礎功能需求，卻長期忽視光照對人體神經系統(tǒng)的深層作用機制。近二十年來，隨著光生物效應研究的深入，學界已證實室內照明可通過非成像視覺通路調控人體警覺性、情緒狀態(tài)與認知表現，其中照度與相關色溫（CCT）是影響人體神經與心理反應的兩大核心參數。盡管現有研究提示高照度可提升清醒度、高色溫短波長光或有助于增強認知表現，但相關效應易受照度干擾，其確切神經機制仍不明確。為突破真實環(huán)境中光照變量難以精準控制的局限，本研究采用虛擬現實（VR）構建標準化辦公光環(huán)境，通過精確切換17種光照條件并捕捉暴露初期10秒的腦電響應，系統(tǒng)探究照度與色溫調控下大腦的可預測神經反應，及其與主觀情緒、照明偏好之間的關聯(lián)，為面向神經健康與認知效能的科學化照明設計提供實證依據。

本研究發(fā)表于《Journal of Building Engineering》，題為“Enhancing lighting design through the investigation of illuminance and correlated color Temperature's effects on brain activity: An EEG-VR approach"。研究采用虛擬現實沉浸式環(huán)境、高密度腦電（EEG）監(jiān)測與機器學習分類相結合的創(chuàng)新范式，系統(tǒng)探究照度與相關色溫（CCT）對人體腦活動模式、主觀喚醒度、愉悅感及照明偏好的影響。研究最終納入25名有效被試，被試在標準化VR辦公場景中依次體驗17種精準控制的人工照明條件，完成警覺性與工作意愿的主觀評分，并自主調節(jié)至個人光環(huán)境。結果表明，照度與色溫可顯著調控額葉、頂葉等關鍵腦區(qū)的特定EEG頻段特征；基于光照暴露最初10秒的腦電數據，機器學習模型可有效預測被試對光環(huán)境的偏好選擇。

文章信息

研究采用被試內設計，25名被試（15女10男，平均年齡24.4歲）逐一遍歷全部光照條件。實驗場景是一個4.0 m × 7.4 m × 3.0 m的虛擬辦公空間，由Autodesk 3ds Max建模、Unreal Engine 4.26渲染，通過Meta Quest 2呈現。被試佩戴22通道（10–20系統(tǒng)），坐在虛擬辦公桌前，在每種條件下接受10秒光照暴露。

圖 1  A. 佩戴腦電傳感器與 VR 頭顯的實驗被試B.VR 辦公環(huán)境的尺寸參數與空間布局C.實驗期間被試填寫 SAM 量表時所看到的 VR 辦公場景視角

本研究先構建7檔照度（300–4500 lm）×7檔色溫（1500–7500 K）的完整矩陣，形成49種理論光照組合，再從中篩選出17種具有代表性的實驗條件：包括固定中等照度2400 lm下的全色溫梯度、固定中性色溫4500 K下的全照度梯度，以及低照度/高照度與低色溫/高色溫交叉組成的四象限典型條件。這種“十字+四角"的科學取樣方式，既能清晰分離照度與色溫的獨立主效應，又能有效減少實驗條件數量，避免被試因任務過載產生疲勞，保證數據穩(wěn)定可靠。

圖2 光照條件矩陣：藍框為最終納入實驗的17種光照條件

研究最初招募33名健康成年人，因EEG運動偽跡、數據缺失和同步問題排除8人，最終有效樣本為25人。實驗流程包括前測問卷、EEG與VR設備佩戴、基線腦電記錄、VR練習、正式光照暴露、主觀評分、光照調節(jié)和退出訪談。每種光照條件開始時，被試先在無法調節(jié)光照的情況下暴露10秒；隨后完成SAM評分；再獲得30秒時間，通過左右手柄分別調節(jié)照度和色溫，使光環(huán)境接近自己的理想狀態(tài)；每個條件后設置5秒黑屏作為間隔；整個VR實驗時長約20–22分鐘。

圖3 實驗流程圖：每種光照條件包括10秒暴露、主觀評分、光照調節(jié)和黑屏間隔

腦電分析聚焦10秒信號，提取θ、α、β、γ四個基礎頻段及其比值特征，通過mRMR算法篩選判別力的變量，最終以二次核支持向量機進行二分類，配合5折交叉驗證與100次迭代評估穩(wěn)定性。

照度水平能夠快速調節(jié)腦電頻段比值

照度變化與EEG頻段比值呈顯著線性相關。隨著照度升高，及頂葉區(qū)域的α/θ、β/θ比值上升；在額葉區(qū)域，照度升高則與θ波功率降低、α/β及α/γ比值降低相關。這表明，照度提升并非使大腦整體更興奮，而是在不同腦區(qū)呈現差異化的振蕩調節(jié)模式。研究中與照度相關性強的特征為C4電極α/θ、P4電極α/θ和Pz電極β/θ，其中C4電極α/θ與照度的相關系數達0.95，線性模型可解釋90.41%的方差，結果顯著。額葉與執(zhí)行控制、工作記憶及決策相關，頂葉則與空間知覺和環(huán)境信息加工相關。

圖4  VR辦公環(huán)境中腦電特征與照度的線性關系

A.基于決定系數$R^2$的前三腦電特征線性擬合；B、C.僅展示$R^2$＞0.80的各特征相關系數與決定系數，前88項為頻段功率、后132項為頻段功率比值；D.顯著特征在腦地形圖的空間分布，黑點代表$p$＜0.01

色溫變化主要影響額葉與左顳區(qū)的頻段功率

與照度不同，相關色溫（CCT）對EEG的影響主要體現在基礎頻段功率上。研究顯示，較高色溫（冷白/偏藍光）與額葉及左顳區(qū)的θ、α、β、γ頻段功率呈正相關，效應的為F4電極α功率、F4電極γ功率與F8電極γ功率。線性模型表明，CCT可解釋88.33%的方差，結果具有統(tǒng)計學顯著性。此外，CCT與α/γ比值呈負相關，即色溫越高、光線越偏藍，α/γ比值越低。

圖5 VR辦公環(huán)境下腦電特征與相關色溫（CCT）的線性關系

A.基于決定系數$R^2$的前三項腦電特征線性擬合；B、C. 僅呈現$R^2$＞0.80特征的相關系數與決定系數，前88項為頻段功率、后132項為頻段功率比值；D. 顯著特征在腦地形圖的空間分布，黑點表示$p$＜0.01

采用機器學習模型對不同照明條件進行二分類，以檢驗光照可引發(fā)可識別的腦活動模式。在固定中性色溫4500 K條件下，高低照度N1與N6的分類準確率為68%；固定中等照度2400 lm條件下，低高色溫M1與M6的分類準確率為74%。其余光照條件對的分類準確率介于64%–74%之間，六組對比的平均準確率約為70%，顯著高于50%的二分類隨機水平。該結果表明，不同照明條件可在EEG模式中形成可被算法識別的神經特征，人腦在不同光環(huán)境下會呈現可分類的響應模式。

圖6 基于mRMR特征排序與二次核支持向量機（kSVM）的光照工況分類腦電特征篩選

圖7 光照工況分類結果

A. 40項特征（實心柱）與全部220項特征（條紋柱）的五折交叉驗證結果；B. 不同特征數量對應的五折交叉驗證準確率

研究進一步分析了腦電信號對被試主觀情緒與行為偏好的預測效果，結果顯示，基于光照暴露最初10秒的EEG數據，模型可有效區(qū)分被試的愉悅度與喚醒度水平，其中愉悅感分類準確率為74%，喚醒感分類準確率為81%，表明被試對光環(huán)境的主觀評價與早期腦電反應存在顯著關聯(lián)。在照明偏好方面，研究者依據被試最終調節(jié)的光照參數將條件劃分為偏好與非偏好兩類，模型對偏好照度的分類準確率達79%，對偏好色溫的分類準確率達69%，說明僅依靠光照暴露初期10秒的腦電信號，即可預測個體對照明條件的偏好選擇。

圖8 基于mRMR特征排序與二次核支持向量機（kSVM）的愉悅度、喚醒度、期望照度與期望色溫的腦電特征篩選

圖9 愉悅度、喚醒度、期望照度與期望色溫的分類結果

A. 30項特征（實心柱）與全部220項特征（條紋柱）的五折交叉驗證結果；B. 不同特征數量對應的五折交叉驗證準確率

本研究發(fā)現照度與色溫通過不同神經通路作用于大腦。照度升高可提升-頂葉區(qū)域α/θ、β/θ比值，與警覺性調節(jié)相關；色溫升高則增強額葉-左顳區(qū)θ、α、β、γ頻段功率，與情緒加工相關，二者在神經機制上存在明確差異。

另外，該研究的EEG-VR范式為照明設計提供了新路徑：照明優(yōu)化可基于實時神經活動開展，而非僅依賴設計規(guī)范或主觀評價。在辦公、醫(yī)療、學習等空間中，有望依據腦電特征實現照度與色溫的動態(tài)自適應調節(jié)。

本研究仍存在一定局限：

1. VR設備亮度范圍有限，無法還原真實眩光與暗視覺場景；

2. 實驗以光源流明為計量標準，難以直接對應真實場景照度（lux）；

3. 被試為康奈爾大學同質群體，樣本多樣性不足，結論外推性受限。

原文鏈接

研究團隊介紹

關于維拓啟創(chuàng)

相關產品