林麗，尹鑫，郭主恩，鄧雅倩，楊濮瑜

基于眼動(dòng)賦權(quán)及腦電意象認(rèn)知的產(chǎn)品形態(tài)感性工學(xué)模型研究

林麗，尹鑫，郭主恩，鄧雅倩，楊濮瑜

（貴州大學(xué) 機(jī)械工程學(xué)院，貴陽 550025）

為解決傳統(tǒng)認(rèn)知測(cè)量主觀性強(qiáng)，造成后續(xù)構(gòu)建的感性工學(xué)模型可靠性低、客觀性弱的問題，提出一種基于眼動(dòng)賦權(quán)及腦電意象認(rèn)知的產(chǎn)品形態(tài)感性工學(xué)模型構(gòu)建方法。確定目標(biāo)感性意象詞及產(chǎn)品對(duì)象；基于形態(tài)分析法解構(gòu)產(chǎn)品獲取形態(tài)特征，通過正交試驗(yàn)法重構(gòu)產(chǎn)品實(shí)驗(yàn)樣本；實(shí)施意象評(píng)價(jià)及眼-腦聯(lián)合的意象認(rèn)知實(shí)驗(yàn)，通過被試者的行為數(shù)據(jù)分析明確關(guān)鍵意象，根據(jù)眼動(dòng)數(shù)據(jù)通過變異系數(shù)法計(jì)算形態(tài)特征認(rèn)知權(quán)重，并基于腦電數(shù)據(jù)的時(shí)頻分析及ERP的P300成分提取，確定出與意象緊密關(guān)聯(lián)的腦電指標(biāo)；引入嶺回歸建立產(chǎn)品形態(tài)的感性工學(xué)模型。以壁掛式充電樁機(jī)身形態(tài)進(jìn)行實(shí)例研究，經(jīng)驗(yàn)證分析，該模型預(yù)測(cè)結(jié)果與意象評(píng)估結(jié)果一致性高。該模型可客觀準(zhǔn)確地預(yù)測(cè)產(chǎn)品形態(tài)意象，從而更有效地協(xié)助設(shè)計(jì)師進(jìn)行感性創(chuàng)新設(shè)計(jì)。

感性工學(xué)；產(chǎn)品形態(tài)；眼動(dòng)追蹤；腦電；感性工學(xué)模型；嶺回歸

隨著科學(xué)技術(shù)水平的不斷提高，產(chǎn)品設(shè)計(jì)在滿足基本使用功能的同時(shí)，也越來越重視滿足用戶的情感體驗(yàn)及審美感受等需要[1]。產(chǎn)品的設(shè)計(jì)匹配用戶感性需求是提升產(chǎn)品用戶滿意度及商業(yè)競(jìng)爭(zhēng)力的關(guān)鍵步驟[2]。感性工學(xué)（Kansei Engineering，KE）作為一種幫助用戶和設(shè)計(jì)者分析新產(chǎn)品開發(fā)需求和情感的方法，在產(chǎn)品設(shè)計(jì)領(lǐng)域的應(yīng)用范圍越發(fā)廣泛[3]。目前，國(guó)內(nèi)外眾多學(xué)者研究了產(chǎn)品色彩[4-5]、形態(tài)[6-7]以及材質(zhì)[8-9]等設(shè)計(jì)要素與人的感性認(rèn)知的關(guān)系，建立了感性工學(xué)模型，基于模型分析幫助設(shè)計(jì)者定量化探討了用戶的情感訴求，明確了產(chǎn)品創(chuàng)新設(shè)計(jì)的關(guān)鍵設(shè)計(jì)要素，使具有高度主觀的產(chǎn)品設(shè)計(jì)過程趨向理性化和可控化。然而，在傳統(tǒng)的感性工學(xué)流程中，多采用問卷調(diào)查法、語義差異法及口語分析法等主觀的測(cè)量方法來獲取用戶的感性認(rèn)知數(shù)據(jù)，易受主觀情緒的影響，造成KE模型的可靠性低、客觀性弱。

如今，由于生理認(rèn)知測(cè)量技術(shù)具有精度高、容易捕捉用戶情感變化等特性，能更準(zhǔn)確地收集用戶的感性反饋和隱性知識(shí)[10]，所以它已成為認(rèn)知研究的重要手段。目前在產(chǎn)品設(shè)計(jì)領(lǐng)域多采用腦電技術(shù)與眼動(dòng)技術(shù)等方法來測(cè)量用戶的生理數(shù)據(jù)，更客觀精準(zhǔn)地探查用戶的情感狀態(tài)。蘇建寧等[11]通過被試者的首次注視時(shí)間、回視時(shí)間、回視次數(shù)等眼動(dòng)數(shù)據(jù)，建立了設(shè)計(jì)要素評(píng)價(jià)模型；楊程等[12]通過被試者的行為數(shù)據(jù)、腦電信號(hào)和事件相關(guān)電位，構(gòu)建了產(chǎn)品意象推理模型；Guo等[13]結(jié)合腦電數(shù)據(jù)和眼動(dòng)數(shù)據(jù)，通過區(qū)分和量化產(chǎn)品的視覺美感，建立了一種基于機(jī)器學(xué)習(xí)分類器的量化方法；唐幫備等[14]通過聯(lián)合用戶體驗(yàn)的眼動(dòng)與腦電數(shù)據(jù)，對(duì)汽車工業(yè)設(shè)計(jì)方案進(jìn)行了評(píng)選；郭主恩等[15]聯(lián)合眼動(dòng)與腦電多模態(tài)內(nèi)隱測(cè)量數(shù)據(jù)，建立了產(chǎn)品意象提取模型。綜上可知，眼動(dòng)追蹤技術(shù)與腦電技術(shù)已逐漸在產(chǎn)品設(shè)計(jì)研究領(lǐng)域得到了認(rèn)可和關(guān)注。

為此，面向產(chǎn)品創(chuàng)新設(shè)計(jì)，本文在眼動(dòng)聯(lián)合腦電意象認(rèn)知數(shù)據(jù)的支持下，基于嶺回歸構(gòu)建更可靠客觀的感性工學(xué)模型，以提高KE模型的實(shí)際應(yīng)用價(jià)值。

1 模型研究方法

首先，搜集篩選用戶感性意象詞匯，構(gòu)建感性意象空間；其次，搜集樣本圖片，提取樣本形態(tài)特征，并重構(gòu)實(shí)驗(yàn)樣本；隨后，實(shí)施主觀語義評(píng)價(jià)及基于眼動(dòng)聯(lián)合腦電的意象認(rèn)知實(shí)驗(yàn)；再者，通過分析行為數(shù)據(jù)與腦電數(shù)據(jù)確定關(guān)鍵指標(biāo)，并通過眼動(dòng)數(shù)據(jù)計(jì)算各形態(tài)特征影響用戶視覺認(rèn)知的權(quán)重值，為產(chǎn)品形態(tài)特征參數(shù)賦權(quán)；最后，基于嶺回歸建立產(chǎn)品形態(tài)的感性工學(xué)模型。具體研究流程見圖1。

1.1 確定感性意象詞

通過文獻(xiàn)資料獲取感性意象詞，對(duì)收集到的感性評(píng)價(jià)詞通過多維尺度法進(jìn)行分析，再聚類分析精簡(jiǎn)意象詞并配對(duì)，記為，其中表示感性詞對(duì)的數(shù)目。

圖1 研究流程

1.2 形態(tài)特征解構(gòu)與實(shí)驗(yàn)樣本獲取

應(yīng)用聚類分析和形態(tài)分析法解構(gòu)產(chǎn)品形態(tài)特征單元圖，構(gòu)建形態(tài)特征單元集，確立形態(tài)特征項(xiàng)目及其類目，采用正交試驗(yàn)法重組形態(tài)特征，獲取實(shí)驗(yàn)的代表性樣本。將產(chǎn)品形態(tài)特征單元集記為：

(1)

1.3 基于SD法的意象認(rèn)知

基于語義差異法（Semantic Differential，SD）法的7點(diǎn)量表對(duì)代表性樣本進(jìn)行意象評(píng)分，并統(tǒng)計(jì)意象評(píng)價(jià)值。

所有被試者對(duì)每個(gè)樣本的感性意象綜合評(píng)價(jià)值為：

(2)

1.4 眼動(dòng)聯(lián)合腦電產(chǎn)品形態(tài)意象認(rèn)知

通過眼動(dòng)聯(lián)合腦電產(chǎn)品形態(tài)意象認(rèn)知實(shí)驗(yàn)，獲取被試者對(duì)樣本意象判別的眼動(dòng)與腦電數(shù)據(jù)。通過眼動(dòng)數(shù)據(jù)分析出產(chǎn)品形態(tài)認(rèn)知相關(guān)的各眼動(dòng)指標(biāo)，記為，其中為眼動(dòng)指標(biāo)類別，各樣本下眼動(dòng)指標(biāo)綜合數(shù)據(jù)記為：

(3)

(4)

為了消除不同指標(biāo)量綱差別的影響，需要對(duì)各指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將所有數(shù)據(jù)映射到[0，1]，計(jì)算公式為：

(5)

1.5 基于眼動(dòng)賦權(quán)的產(chǎn)品形態(tài)特征參數(shù)化

在傳統(tǒng)KE模型中產(chǎn)品形態(tài)特征參數(shù)化將各形態(tài)特征的重要性同等看待，事實(shí)上，不同的產(chǎn)品形態(tài)特征對(duì)用戶認(rèn)知的影響程度是不同的。由于眼動(dòng)指標(biāo)數(shù)據(jù)可以直接獲取用戶對(duì)產(chǎn)品不同形態(tài)特征區(qū)域的關(guān)注程度，所以本文采用眼動(dòng)數(shù)據(jù)對(duì)產(chǎn)品形態(tài)特征進(jìn)行參數(shù)賦權(quán)。首先通過變異系數(shù)法，基于眼動(dòng)數(shù)據(jù)計(jì)算出各形態(tài)特征對(duì)視覺認(rèn)知影響的權(quán)重值，各項(xiàng)形態(tài)特征的權(quán)重為：

(6)

(7)

(8)

1.6 模型構(gòu)建

在模型構(gòu)建中，以意象值為因變量，以基于眼動(dòng)賦權(quán)的形態(tài)特征參數(shù)以及腦電指標(biāo)為自變量，根據(jù)嶺回歸建立感性意象與形態(tài)特征及腦電指標(biāo)的加權(quán)關(guān)系模型：

(9)

2 實(shí)例驗(yàn)證

以壁掛式充電樁樣本為例，應(yīng)用該方法構(gòu)建KE模型。

2.1 確定感性意象詞對(duì)

初步收集了100個(gè)描述壁掛式充電樁的感性意象詞匯。邀請(qǐng)20名被試者對(duì)感性意象詞匯進(jìn)行人工分群，對(duì)構(gòu)建的相似性矩陣進(jìn)行層次聚類分析后，將詞匯分為8個(gè)群，并進(jìn)一步通過判斷矩陣分析出最能體現(xiàn)充電樁感性的3組感性意象詞對(duì)，即“獨(dú)特的-大眾的”“輕便的-笨重的”“前衛(wèi)的-復(fù)古的”，它們共同構(gòu)成一個(gè)意象空間。

2.2 實(shí)驗(yàn)樣本形態(tài)特征提取與樣本重構(gòu)

壁掛式充電樁產(chǎn)品形態(tài)特征繁多，為保證在后續(xù)實(shí)驗(yàn)中用戶眼腦數(shù)據(jù)的準(zhǔn)確性，不宜設(shè)置過多的實(shí)驗(yàn)量，因此本文以壁掛式充電樁機(jī)身造型為例進(jìn)行研究。針對(duì)60張壁掛式充電樁圖片，運(yùn)用多維尺度法、聚類分析和形態(tài)分析法對(duì)機(jī)身造型進(jìn)行解構(gòu)，提取出機(jī)身造型的關(guān)鍵形態(tài)特征，確立形態(tài)特征項(xiàng)目及其類目，見表1。

表1 解構(gòu)出的形態(tài)特征

Tab.1 Deconstructed morphological features

采用正交試驗(yàn)法重構(gòu)具有代表性的產(chǎn)品外觀原型，通過SPSS軟件生成16種正交組合方案。利用Rhino 6.0三維建模軟件繪制正交組合實(shí)體模型，并賦予統(tǒng)一的材質(zhì)及色彩渲染，最終獲得16個(gè)壁掛式充電樁模型。16個(gè)壁掛式充電樁模型的位置與展示方式相同，包含正視圖、側(cè)視圖、透視圖，見圖2。

圖2 重構(gòu)的代表性壁掛式充電樁樣本

2.3 基于SD法的產(chǎn)品意象語義評(píng)價(jià)

基于SD法，得到66位被試者對(duì)16個(gè)樣本的感性意象語義評(píng)價(jià)值，見表2。

表2 16個(gè)代表樣本的感性意象評(píng)價(jià)值

Tab.2 The evaluation value of perceptual image of 16 representative samples

2.4 眼-腦意象認(rèn)知實(shí)驗(yàn)

在實(shí)驗(yàn)中，被試者判斷實(shí)驗(yàn)樣本與意象符合或不符合的情況。采集被試者在不同形態(tài)和不同意象匹配情況下的行為數(shù)據(jù)、腦電數(shù)據(jù)及眼動(dòng)數(shù)據(jù)?；谀X電數(shù)據(jù)分析腦電成分的波幅及腦區(qū)分布情況?；谘蹌?dòng)數(shù)據(jù)計(jì)算各形態(tài)特征項(xiàng)目的認(rèn)知權(quán)重值排序。

2.4.1 實(shí)驗(yàn)材料

將16張代表性樣本圖片作為啟動(dòng)材料，采用“啟動(dòng)-目標(biāo)”實(shí)驗(yàn)范式。每張樣本圖片的大小、分辨率及背景均保持一致。

2.4.2 實(shí)驗(yàn)被試者

選擇26名在校生自愿參與實(shí)驗(yàn)，這些被試者身體健康、無精神病史、視力正常，且均為右利手，對(duì)壁掛式充電樁意象有良好的認(rèn)知能力。

2.4.3 實(shí)驗(yàn)設(shè)備與流程

實(shí)驗(yàn)采用無線多通道EEG系統(tǒng)EPOC Flex Gel Sensor Kit腦電儀采集腦電數(shù)據(jù)，并采用德國(guó)SMI公司的RED桌面型眼動(dòng)儀采集眼動(dòng)數(shù)據(jù)。

在實(shí)驗(yàn)時(shí)，首先出現(xiàn)1 000 ms的注視點(diǎn)“+”光標(biāo)，接著呈現(xiàn)5 000 ms的刺激圖片，最后顯示意象詞。由被試者判斷產(chǎn)品形態(tài)是否符合意象，然后重復(fù)該步驟，直至完成所有樣本關(guān)于所有意象詞的判斷。

2.5 實(shí)驗(yàn)數(shù)據(jù)分析

2.5.1 行為數(shù)據(jù)分析

1）被試者反應(yīng)時(shí)分析。反應(yīng)時(shí)表示在意象刺激下，被試者判斷匹配結(jié)果所花的時(shí)間，代表了被試者認(rèn)知決策所需的時(shí)間。統(tǒng)計(jì)意象匹配判別的平均反應(yīng)時(shí)數(shù)據(jù)，通過對(duì)比主觀評(píng)價(jià)值可知，當(dāng)意象值越高或越低時(shí)，用戶反應(yīng)時(shí)較短，當(dāng)意象值越接近0時(shí)，被試者反應(yīng)時(shí)較長(zhǎng)。被試者反應(yīng)時(shí)與意象值具有顯著相關(guān)性。

2）被試者選擇分析。以意象選擇率作為組內(nèi)因素，意象值作為組間因素，進(jìn)行單因素方差分析，發(fā)現(xiàn)意象選擇率和樣本意象值有顯著的主效應(yīng)。

通過意象選擇率的方差分析，發(fā)現(xiàn)“獨(dú)特的-大眾的”之間方差最大，樣本意象差異也更大，因此選擇“獨(dú)特的-大眾的”意象用于后續(xù)研究，以獲取差異性較大的眼動(dòng)和腦電數(shù)據(jù)，有利于KE模型的構(gòu)建。

2.5.2 腦電數(shù)據(jù)分析

截取樣本出現(xiàn)前1 000 ms到意象詞出現(xiàn)后2 000 ms，共7 500 ms的腦電數(shù)據(jù)進(jìn)行分析?；?2個(gè)腦電通道的數(shù)據(jù)繪制頻譜圖，每條彩色曲線代表每個(gè)通道的腦電數(shù)據(jù)頻率，見圖3。由該頻譜圖可知，左右腦額葉區(qū)域的腦電信號(hào)最強(qiáng)，其次是枕葉區(qū)域，根據(jù)腦區(qū)思維決策分部可知[16]，額葉區(qū)域與思維功能相關(guān)。因此，選擇前額區(qū)的腦電電極數(shù)據(jù)用于后續(xù)研究。

圖3 EEG32通道頻譜圖

對(duì)前額各電極進(jìn)行時(shí)頻分析，見圖4。該時(shí)頻分析圖由事件相關(guān)光譜攝動(dòng)（Event-related Spectral Perturbation，ERSP）與試間的相位疊加（Inter Trail Coherence，ITC）組成[12]。由圖4的ERSP圖發(fā)現(xiàn)，與波段的腦電波在樣本出現(xiàn)200 ms后有明顯的能量上升，當(dāng)樣本出現(xiàn)400 ms后，高頻波段能量顯著下降，意象詞出現(xiàn)后，高頻波段能量又出現(xiàn)顯著提高。在樣本及意象詞出現(xiàn)0～500 ms后，出現(xiàn)了明顯的ITC變化，說明實(shí)驗(yàn)相位鎖定較好，能夠得到明顯的ERP波形。

圖4 時(shí)頻分析圖（Fp1）

對(duì)目標(biāo)階段所有被試者的腦電數(shù)據(jù)進(jìn)行疊加，得到前額部分電極的總平均波形圖，見圖5。由ERP總平均波形圖可知，額區(qū)在樣本及意象詞出現(xiàn)300 ms后，出現(xiàn)了明顯的P300成分。P300是ERP中一種內(nèi)源性的、與認(rèn)知功能相關(guān)的特殊誘發(fā)電位，可用于識(shí)別與人腦認(rèn)知過程相關(guān)的活動(dòng)[17]。

圖5 ERP總平均波形圖（Fp1）

通過ERPlab導(dǎo)出同一樣本下所有被試者在意象詞刺激下的P300平均波幅，獲得意象詞匯與樣本屬性匹配狀態(tài)下的P300數(shù)據(jù)，進(jìn)一步分析不同試次的P300成分在前額中的差異。提取前額的13個(gè)電極通道在“獨(dú)特的-大眾的”下的P300平均波幅，以P300數(shù)據(jù)為自變量，樣本感性評(píng)價(jià)值為因變量，進(jìn)行回歸分析，電極F7、FC1、FT10、FC6及FC2的P300平均波幅與意象值具有顯著相關(guān)性，因此，選用F7、FC1、FT10、FC6及FC2這5個(gè)電極通道P300數(shù)據(jù)進(jìn)行后續(xù)研究。

2.5.3 眼動(dòng)數(shù)據(jù)分析

截取樣本呈現(xiàn)過程中的眼動(dòng)數(shù)據(jù)，通過樣本的形態(tài)特征進(jìn)行AOI劃分，獲取各形態(tài)特征關(guān)鍵運(yùn)行指標(biāo)（Key Performance Indicators，KPI）值，見表3。KPI數(shù)據(jù)呈現(xiàn)了各形態(tài)特征興趣區(qū)內(nèi)的分析數(shù)據(jù)指標(biāo)，如Sequence注視順序、Dwell time注視時(shí)間、Revisits平均回視次數(shù)等，興趣區(qū)的注視點(diǎn)越多、時(shí)間越長(zhǎng)，代表該要素越能吸引被試者的注意力，該形態(tài)設(shè)計(jì)特征在認(rèn)知中的影響程度越大。

表3 各形態(tài)特征的平均KPI值（以樣本1為例）

Tab.3 Average KPI values of various morphological elements (take sample 1 as an example)

根據(jù)式（6）—（7）通過眼動(dòng)數(shù)據(jù)計(jì)算各形態(tài)特征對(duì)視覺認(rèn)知影響的權(quán)重值（見表4），最終計(jì)算出正面輪廓線、分割線、圓角弧度及側(cè)面輪廓的影響權(quán)重值分別為0.292、0.220、0.238、0.250。

表4 各形態(tài)特征的視覺認(rèn)知權(quán)重值

Tab.4 The weight value of each morphological feature in visual cognition

2.6 產(chǎn)品形態(tài)特征參數(shù)化處理

根據(jù)上述產(chǎn)品的形態(tài)特征參數(shù)賦權(quán)處理過程，結(jié)合各形態(tài)特征的視覺認(rèn)知權(quán)重，得到賦權(quán)后的各樣本形態(tài)特征參數(shù)，見表5。

2.7 感性工學(xué)模型構(gòu)建

2.7.1 確定自變量與因變量

以樣本的平均感性意象評(píng)價(jià)值為模型構(gòu)建的因變量，以基于眼動(dòng)賦權(quán)的形態(tài)特征參數(shù)、被試者行為數(shù)據(jù)及腦電P300平均波幅為自變量，進(jìn)行相關(guān)性分析，結(jié)果顯示指標(biāo)之間存在多重共線性，且因變量指標(biāo)多于樣本量，因此引入嶺回歸[18]構(gòu)建感性工學(xué)模型，提高模型的數(shù)值穩(wěn)定性及計(jì)算精度。

表5 基于眼動(dòng)賦權(quán)的產(chǎn)品形態(tài)特征參數(shù)

Tab.5 Product morphological feature coding based on eye movement weighting

2.7.2 基于嶺回歸的模型構(gòu)建

以“獨(dú)特的-大眾的”意象均值為因變量，以眼動(dòng)賦權(quán)后的產(chǎn)品形態(tài)特征參數(shù)值、標(biāo)準(zhǔn)化后的腦電各項(xiàng)指標(biāo)、反應(yīng)時(shí)及選擇率為自變量，通過嶺回歸計(jì)算回歸系數(shù)、常數(shù)等數(shù)據(jù)，整理后可得標(biāo)準(zhǔn)化的各類目系數(shù)，見表6。

表6 各變量類目得分

Tab.6 Score of each variable category

通過嶺回歸分析得到各項(xiàng)自變量類目得分及常數(shù)項(xiàng)值，以各產(chǎn)品形態(tài)特征、腦電指標(biāo)以及行為數(shù)據(jù)為自變量，感性意象值為因變量，建立的回歸模型如式（10）：

(10)

3 模型性能評(píng)估

另選形態(tài)特征重構(gòu)的4個(gè)樣本進(jìn)行驗(yàn)證。首先，邀請(qǐng)31名被試者對(duì)“獨(dú)特的-大眾的”意象下SD法的7點(diǎn)量表進(jìn)行評(píng)分，并招募10名被試者按照文中實(shí)驗(yàn)范式再次實(shí)施眼動(dòng)聯(lián)合腦電意象認(rèn)知實(shí)驗(yàn)。將各數(shù)據(jù)代入上述模型，計(jì)算意象預(yù)測(cè)值。具體數(shù)值見表7。

表7 評(píng)價(jià)意象值與模型計(jì)算值

Tab.7 Evaluation of image value and model calculation value

對(duì)4個(gè)樣本的評(píng)價(jià)意象值與模型預(yù)測(cè)值進(jìn)行配對(duì)樣本t檢驗(yàn)，見表8。結(jié)果表明，配對(duì)樣本t檢驗(yàn)平均值差值接近0，且>0.05，數(shù)據(jù)間沒有呈現(xiàn)出差異性，即感性詞對(duì)的評(píng)價(jià)意象值與模型計(jì)算值之間沒有顯著差異，證明了模型有效。

表8 配對(duì)樣本t檢驗(yàn)分析結(jié)果

Tab.8 Paired sample t test analysis results

4 結(jié)語

針對(duì)傳統(tǒng)認(rèn)知測(cè)量易受主觀影響，造成感性工學(xué)模型的客觀性較差問題，提出了一種聯(lián)合眼動(dòng)與腦電技術(shù)的感性工學(xué)模型構(gòu)建方法。首先，在確定實(shí)驗(yàn)產(chǎn)品和意象詞之后，對(duì)市場(chǎng)已有產(chǎn)品進(jìn)行形態(tài)特征提取并重構(gòu)，產(chǎn)生新的實(shí)驗(yàn)樣本。其次，從眼動(dòng)聯(lián)合腦電意象認(rèn)知實(shí)驗(yàn)中獲取認(rèn)知生理數(shù)據(jù)并分析，通過眼動(dòng)數(shù)據(jù)計(jì)算各形態(tài)特征認(rèn)知權(quán)重，同時(shí)結(jié)合主觀意象評(píng)價(jià)，明確與意象認(rèn)知關(guān)聯(lián)的各項(xiàng)指標(biāo)。再次，基于嶺回歸建立形態(tài)特征、意象關(guān)聯(lián)指標(biāo)與意象之間的關(guān)系模型。最后，以壁掛式充電樁機(jī)身形態(tài)為例驗(yàn)證該方法的可行性。該模型能在產(chǎn)品感性設(shè)計(jì)中提供有效指導(dǎo)，為產(chǎn)品創(chuàng)新設(shè)計(jì)及感性意象評(píng)價(jià)提供支持。

[1] 陳金亮, 趙鋒. 產(chǎn)品感性意象設(shè)計(jì)研究進(jìn)展[J]. 包裝工程, 2021, 42(20): 178-187.

CHEN Jin-liang, ZHAO Feng. Review of Product Kansei Image Design[J]. Packaging Engineering, 2021, 42(20): 178-187.

[2] AKGüL E, ?ZMEN M, SINANO?LU C, et al. Rough Kansei Mining Model for Market-Oriented Product Design[J]. Mathematical Problems in Engineering, 2020, 2020: 6267031.

[3] 林麗, 郭主恩, 陽明慶. 面向產(chǎn)品感性意象的造型優(yōu)化設(shè)計(jì)研究現(xiàn)狀及趨勢(shì)[J]. 包裝工程, 2020, 41(2): 65-79.

LIN Li, GUO Zhu-en, YANG Ming-qing. Current Research Situation and Trend of Product Image-Based Mo-deling Optimization[J]. Packaging Engineering, 2020, 41(2): 65-79.

[4] 何勁濤, 陳登凱, 余隋懷. 基于色彩調(diào)和理論的文化創(chuàng)意產(chǎn)品色彩設(shè)計(jì)與評(píng)價(jià)方法研究[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2020, 38(4): 766-773.

HE Jin-tao, CHEN Deng-kai, YU Sui-huai. Research on Color Design and Evaluation Method of Cultural Creative Products Based on Color Harmony Theory[J]. Jour-nal of Northwestern Polytechnical University, 2020, 38(4): 766-773.

[5] QUAN Hua-feng, LI Shao-bo, HU Jian-jun. Product Innovation Design Based on Deep Learning and Kansei Engineering[J]. Applied Sciences, 2018, 8(12): 2397.

[6] 蘇建寧, 王瑞紅, 趙慧娟, 等. 基于感性意象的產(chǎn)品造型優(yōu)化設(shè)計(jì)[J]. 工程設(shè)計(jì)學(xué)報(bào), 2015, 22(1): 35-41.

SU Jian-ning, WANG Rui-hong, ZHAO Hui-juan, et al. Optimization Design of Product Modeling Based on Kansei Image[J]. Chinese Journal of Engineering Design, 2015, 22(1): 35-41.

[7] LV Zhong-yi. Application of Kansei Engineering in Product Form Design[J]. Advanced Materials Research, 2013, 753-755: 1515-1518.

[8] 唐剛, 康亞君, 卜俊. 基于感性工學(xué)的女包材質(zhì)觸覺認(rèn)知研究[J]. 皮革科學(xué)與工程, 2020, 30(4): 77-81.

TANG Gang, KANG Ya-jun, BU Jun. Research on Tactile Perception of Female Bag Materials Based on Kansei Engineering[J]. Leather Science and Engineering, 2020, 30(4): 77-81.

[9] VIEIRA J, OSóRIO J M A, MOUTA S, et al. Kansei Engineering as a Tool for the Design of In-Vehicle Rubber Keypads[J]. Applied Ergonomics, 2017, 61: 1-11.

[10] 謝偉, 辛向陽, 胡偉鋒. 產(chǎn)品設(shè)計(jì)中用戶的內(nèi)隱測(cè)量方法研究現(xiàn)狀[J]. 機(jī)械設(shè)計(jì), 2015, 32(2): 105-110.

XIE Wei, XIN Xiang-yang, HU Wei-feng. Research Status on User Implicit Measurement Method in Product Design[J]. Journal of Machine Design, 2015, 32(2): 105-110.

[11] 蘇建寧, 邱凱, 張書濤, 等. 基于眼動(dòng)數(shù)據(jù)的產(chǎn)品造型設(shè)計(jì)要素評(píng)價(jià)方法研究[J]. 機(jī)械設(shè)計(jì), 2017, 34(10): 124-128.

SU Jian-ning, QIU Kai, ZHANG Shu-tao, et al. Evaluation Method Study of Product Modeling Design Elements Based on Eye Movement Data[J]. Journal of Machine Design, 2017, 34(10): 124-128.

[12] 楊程, 陳辰, 唐智川. 基于腦電的產(chǎn)品意象推理模型研究[J]. 機(jī)械工程學(xué)報(bào), 2018, 54(23): 126-136.

YANG Cheng, CHEN Chen, TANG Zhi-chuan. Study of Electroencephalography Cognitive Model of Product Image[J]. Journal of Mechanical Engineering, 2018, 54(23): 126-136.

[13] GUO Fu, LI Ming-ming, HU Ming-cai, et al. Distinguishing and Quantifying the Visual Aesthetics of a Product: An Integrated Approach of Eye-Tracking and EEG[J]. International Journal of Industrial Ergonomics, 2019, 71: 47-56.

[14] 唐幫備, 郭鋼, 王凱, 等. 聯(lián)合眼動(dòng)和腦電的汽車工業(yè)設(shè)計(jì)用戶體驗(yàn)評(píng)選[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2015, 21(6): 1449-1459.

TANG Bang-bei, GUO Gang, WANG Kai, et al. User Experience Evaluation and Selection of Automobile Industry Design with Eye Movement and Electroencephalogram[J]. Computer Integrated Manufacturing Systems, 2015, 21(6): 1449-1459.

[15] 郭主恩, 林麗, 陽明慶, 等. 基于無意識(shí)多模態(tài)內(nèi)隱測(cè)量的產(chǎn)品意象提取模型構(gòu)建[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2022, 28(4): 1150-1163.

GUO Zhu-en, LIN Li, YANG Ming-qing, et al. Product Image Extraction Model Construction Based on Multi- Modal Implicit Measurement of Unconsciousness[J]. Computer Integrated Manufacturing Systems, 2022, 28(4): 1150-1163.

[16] MICHAEL S, RICHARD B, GEORGE R. 認(rèn)知神經(jīng)科學(xué)[M]. 中國(guó)輕工業(yè)出版社, 2011.

MICHAEL S, RICHARD B, GEORGE R. Cognitive neuroscience[M]. China Light Industry Publishing, 2011.

[17] MAJHI S K, KHANDELWAL K, SHRIVASTAVA M K. Tinnitus and Cognition: Linked?[J]. Indian Journal of Otolaryngology and Head & Neck Surgery, 2019, 71(S2): 1426-1430.

[18] ZOU H. Comment: Ridge Regression-still Inspiring after 50 Years[J]. Technometrics. 2020, 62(4): 456-458.

KE Model of Product form Based on Eye-tracking Weighting and Image Cognition by EEG

LIN Li, YIN Xin, GUO Zhu-en, DENG Ya-qian, YANG Pu-yu

(School of Mechanical Engineering, Guizhou University, Guiyang 550025, China)

This paper aims to solve the problem that the traditional cognitive measurement has strong subjectivity, which leads to the low reliability and weak objectivity of the subsequent Kansei Engineering (KE) model, thereby proposing a construction method that KE model of product form based on eye-tracking weighting and image cognition by electroencephalogram (EEG)..First, the target perceptual image word and product object were identified. Going forward, based on morphological analysis to deconstruct the product to acquire morphological features, the product experimental sample was reconstructed by orthogonal test methods. Next, the image cognition experiment of image evaluation and eye- tracking combined with EEG was performed, the key image was clear by analyzing testee behavioral data, the coefficient of variation method was used to calculate the cognitive weight of morphological features based on eye movement data, and EEG metrics that correlate closely with imagery were identified by time-frequency analysis of EEG data and P300 component extraction of event-related potential (ERP). Finally, ridge regression was introduced to establish the KE models of product form. The charging piles (wall-mounted) were taken as an example, after verification and analysis, the prediction results of the model are highly consistent with the image evaluation results. In conclusion, the model can objectively and accurately predict the image of product forms to assist designers more effectively in perceptual innovative design.

Kansei Engineering; product form; eye-tracking; electroencephalogram; KE model; ridge regression

TB472

A

1001-3563(2022)14-0037-08

10.19554/j.cnki.1001-3563.2022.14.004

2022–02–28

國(guó)家自然科學(xué)基金資助項(xiàng)目（51865003）；貴州省科技計(jì)劃項(xiàng)目（黔科合平臺(tái)人才[2018]5781）；貴州省科技計(jì)劃項(xiàng)目（黔科合基礎(chǔ)-ZK[2021]重點(diǎn)055）；貴州大學(xué)培育項(xiàng)目（貴大培育[2019]06）

林麗（1973—），女，博士，教授，主要研究方向?yàn)楫a(chǎn)品設(shè)計(jì)、感性工學(xué)、民間藝術(shù)創(chuàng)意設(shè)計(jì)等。

尹鑫（1995—），女，碩士生，主攻感性工學(xué)、產(chǎn)品創(chuàng)新設(shè)計(jì)。

責(zé)任編輯：馬夢(mèng)遙