学术成果 | 公共交通出行的大脑时空感知

公共交通出行利于城市系统诸多方面，例如缓解交通拥堵，减少空气污染，节约能源。在交通出行过程中，城市的建成环境与出行时间成本被认为是影响人们出行偏好和行为的两大类关键因素。因此，了解人们对于公共交通出行过程中时空特征的感受与看法，不仅能够改善公共交通的供应和运营，而且能鼓励更多人使用绿色可持续的出行方式，增加出行幸福感。

近年来，以功能性磁共振 (fMRI) 为主导的神经影像学方法越来越多的应用于城市科学 （例如城市福祉，景观评价和导航等一系列议题），用于捕捉人类大脑和城市感知和行为之间的联系。在交通地理学领域，尽管学者们呼吁要把人类的交通出行感受和环境心理学，认知科学结合起来，但是目前主流的研究仍然沿用传统的行为调查方法，难以对交通出行过程中复杂的时空体验进行全面而客观的测量。

因此，为了提供人对于公共交通出行时空感知的神经影像学证据，本研究招募9名被试，在真实环境（北京市）开展了为期3周的交通出行实验，并返回实验室接受了fMRI扫描。在扫描期间被试仔细回忆了他们的公共交通出行过程。本研究运用表征相似性分析方法 (RSA)， 首次揭示了公共交通出行的时空特征与大脑活动模式之间的定量关系。

本研究为了确保结果的高生态效度，在真实环境下开展公共交通出行的实证研究，并在出行结束后返回实验室进行fMRI扫描来回忆出行时的感受。与其他生活记录类型的fMRI高水平研究的被试数量类似，本研究招募了9名被试（4名男性，5名女性，平均年龄21.7岁; 被试人数），他们同意参与公共交通出行实验，并对他们的出行轨迹和日志进行记录。此外，他们没有神经疾病史，能够参加基于fMRI扫描的回忆实验。

在公共交通出行实验中：被试每日需要根据预定好的出行目的地选择公共交通进行出行，并且在每次出行过程中需要拍摄关键的地标作为随后回忆实验的‘锚点’。被试需要在每次出行过程中使用的手机软件记录轨迹数据，在完成出行后需要填写一份关于此次出行的问卷来收集他们的行为数据。每次出行一周之后，被试要求查看他们拍摄的地标和填写的问卷对出行过程进行强化记忆。在完成所有公共交通出行路线后，被试口头描述了他们对于所有出行的主观感受 （图1）。

图1 公共交通出行实验

在基于fMRI扫描的回忆实验中：整个回忆过程是在核磁扫描实验室中完成的。fMRI实验采用事件相关的设计方法，每次出行相关的‘锚点’呈现10秒，在这期间被试观看当时出行时在起点和终点处所拍摄的地标照片，并基于此他们要尽可能的重温当时出行的经历与感受，然后他们有3.5秒的时间对回忆该次出行感受的细节程度进行按键反馈（记得较多细节/记得较少细节），所有记得较少细节的数据被排除用于后续的分析。然后在一个随机4-12秒的休息过程之后，被试再进行下一次出行的回忆（图2）。

图2 基于fMRI扫描的回忆实验

本研究的核心方法是认知神经科学中经典的表征相似性分析方法 (RSA) ，用于评估时空特征和大脑激活模式之间的关系。该方法并非直接评估时空特征和大脑激活的关系，而是评估时空特征差异和大脑激活差异的相关性（图3）。在本研究可以具体分为以下三步。首先，第一步需要估计每次公共交通出行的大脑激活模式Bap（即回忆该出行时，大脑所有体素的beta值所构成的三维数组）。

在本研究中，我们只关心与时空感知和情景记忆相关的大脑核心脑区的激活模式，具体包括双侧的海马体，旁海马区域，和脾后复合体区域。这些核心区域的激活模式是大脑的一个子集，表示为：

根据这些核心脑区对于出行感知的激活模式，我们可以构建大脑内部表征的相异度矩阵 (RDM)。该矩阵是对角线对称的，矩阵中的每个单元格代表了两次不同出行感知的大脑激活模式的“距离”。本研究中通过欧式距离来进行衡量激活模式之间的“距离”。

其次，第二步需要定量计算出行路线的时空特征，并构建与RDM同样维度和尺寸的时空特征相异度矩阵 (STCDM)。本研究一共纳入了14个空间特征（欧氏距离，路线距离，弯曲度，转弯数量，交叉路口数量，独特街道数量，路线与直角的偏转角度，路线与目的地的偏转角度，方位角，度中心性，临近中心性，坡度，POI的数量和土地利用类型）和8个时间特征（出行时间，等车时间，车内时间，车外时间，出行日期，出行顺序，换乘次数，出行速度）。这些基于路线的时空特征是根据被试公共交通出行的日志和轨迹数据，并结合开源的GIS数据（包括北京市的路网数据，POI数据，数字高程模型数据和土地利用类型数据）计算得到的。具体的指标含义和参考见原文。然后，我们通过简单的做差得到了两两路线对的时空特征之间的“距离”。这样的距离与大脑表征距离在同一维度下进行比较。

最后一步是对两个相同维度的矩阵使用非参数置换检验进行比较，来确定哪些特征与大脑表征紧密联系起来并显著相关，代表了我们在出行感知时可能会捕捉到的时空要素。

图3 表征相似性分析方法

对于公共交通出行实验，我们一共采集了651条独特的出行路线（图4A），每次路线的时空特征被定量化的进行计算，出行路线之间的时空差异直观的被反映（图4BC）。此外，我们检验了时空特征之间内部的相关性（图4DE）。结果表明，出行路线的各个空间特征之间相关性较高，但时间特征之间相关性偏低，这表明了公共交通出行时间和成本的高度不确定性。

对于RSA的分析结果，我们首先在被试的个体层面进行了统计分析，发现不同被试大脑对时空特征的表征存在巨大的差异（见原文补充材料）。此外，虽然被试的大脑活动模式可能会同时与多个时空特征存在显著的相关性，但是这些特征的效应量并不高，反映了真实环境出行对于时空特征的感知是非常复杂，并且并非唯一感知的因素。这些结果在被试的行为调查中（口头描述）得到了印证。他们在描述对于出行路线的感知时，除了时空特征，他们还会谈及路途中发生的特殊事件，天气情况，公交车环境，以及内心活动与情绪等。

最后我们对九个被试的RSA结果进行了组水平的检验，最终确定了7个空间特征（路线弯曲度，转弯数量，路线与直角的偏转角度，路线与目的地的偏转角度，土地利用类型，POI的数量和坡度）与2个时间特征（行程时间和等车时间）与所关注核心脑区的活动模式的相关性显著高于0（图5），这些研究结果表明了人脑的确表征了公共交通出行过程中的时空特征。

图4 公共交通出行实验结果。(A) 所有旅行路线轨迹。(B) 两条出行路线案例。(C) 两条出行路线的时空特征值；每个值都归一化到 [0,1] 范围内。(D) 空间和时间特征之间的 Spearman 相关性。

图5 (A) 本研究RSA分析关注核心脑区的位置; (B) 组水平上与大脑活动显著相关的时空特征。

本研究借助认知神经科学，通过实证研究方法，得到了关于公共交通出行时空感知与人类大脑活动关系的首个神经影像学证据，表明了路线弯曲度，转弯数量，路线角度偏差，POI数量，土地利用类型和坡度变化，以及行程时间和等车时间这些时空特征的确与人类大脑活动模式紧密相关。未来的城市和交通领域的研究可以使用神经影像学来更好地探索这些时空特征与交通出行行为之间的因果关系，便于更好地理解人类活动，并从跨学科的角度为城市规划和公共交通做出贡献。

Qin, T., Dong, W., & Huang, H. (2023). Perceptions of space and time of public transport travel associated with human brain activities: A case study of bus travel in Beijing. Computers, Environment and Urban Systems, 99, 101919.

DOI: 10.1016/j.compenvurbsys.2022.101919