眼動數據與FAHP相結合的產品感性認知測量方法

孫 元， 林 子 瑜， 王 德 倫， 鄭 雅 琪， 鮑 永 巖

( 1.大連理工大學 建筑與藝術學院， 遼寧 大連 116024；2.大連理工大學 機械工程學院， 遼寧 大連 116024 )

0 引 言

現代產品造型不再停留在形式追隨功能的階段，對于用戶視覺審美感受的研究與討論越來越受到重視.感性工學不僅用來測量用戶感知，同時還輔助設計者創造更符合用戶意向偏好的產品[1].其中，感性是指用戶從視覺接收產品的造型信號后所反饋出的心理、生理上的變化，綜合來說就是產品對用戶心理、生理所引起的變化.

針對造型風格評價，近年來涌現出許多不同的度量體系.如使用熵理論[2]、美度評價[3]等對產品形態或可用性進行評估.

隨著現代科技中眼動、腦電等生理測量技術的推進，學術領域對于感覺的測量與量化方法也日益精準.生理數據因具有更高的直觀性和精確性，被大量應用于感性工學的研究.蘇建寧等[4]、Hsu等[5]使用眼動數據來輔助構建意象與造型的映射關系.

層次分析(AHP)法最初是一種顧客滿意度評價的理論模型，它更偏向于一種決策分析技術[6].層次分析法能夠將復雜的設計評價問題分解，將分析過程數學化和系統化，因此，越來越多的學者將層次分析法應用到產品設計評價和可用性研究中.黃河等[7]以老年人智能手表為例，通過層次分析和感性評價相結合的方法來構建產品可用性評估體系.傳統的層次分析法偏向于定性分析，目標層和準則層大多采用專家集體評價法，目前研究對于層次分析法的應用主要為兩類，一類如Chen等[8]將層次分析法與其他模型結合使用達到研究目的；一類致力于提高層次分析法模型的精確性，如Neira-Rodado等[9]、Ecer[10]、okalo等[11]通過修正定性分析的模糊性與歧義，從而減少誤差.Kang等[12]、Cho等[13]、Sabaghi等[14]通過使用模糊層次分析(FAHP)進一步提高了求解的準確性.

本文基于FAHP理論，結合生理測量數據計算相應的評價指標權重，進行感性認知對產品美學風格偏好的權重計算，以眼動數據計算出的權重來替代判斷矩陣所計算出的權重，進而得出感性認知對于產品偏好的權重.本文以列車頭部形態美學風格測量為例，并與感性意象的調研結果進行對比，對該方法的科學合理性進行檢驗.

1 研究概述

本研究構建的模型如圖1所示，整體的研究框架如圖2所示.

圖1 產品外觀形態設計偏好評價FAHP模型

圖2 研究框架

2 結合眼動數據構建產品造型美學要素評價模型

2.1 美學意象詞匯挖掘

在日常生活中，視覺的認知是具有多個維度的[15].視覺信息的完整獲取可劃分為視覺接收和視覺認知兩大部分，人們通過視覺接收物體信息，又通過大腦皮層對信息進行認知[15].在進行視覺信息獲取時，根據大腦皮層的信息處理反饋，會產生生理指標的變化.

人們對產品的造型意象感知數據難以直接獲取，除了生理數據的測量，還需要用戶對產品采用感性詞匯描述，從而間接獲取用戶的主觀感受.在此基礎上建立感性詞匯與產品造型元素的對應關系，進而界定用戶對產品的主觀認知.

通過收集產品相關的語料信息獲取具有大眾認同性的感性詞匯.通過專家問卷、主成分分析等篩選處理方法，獲得能夠最大反映用戶感受、引起大多數被測者感性認知變化的感性意象語匯集U={u1，u2，…，uf}，f為所篩選出的感性語匯數量.

2.2 樣本選擇及造型元素的分解

廣泛收集樣本，進行聚類分析篩選精煉，得到樣本容量為m的樣本.運用形態分析法對經過篩選的樣本進行造型分析，得到產品造型特征集合.

2.3 視覺追蹤實驗

視覺追蹤實驗產生的生理指標中，伴隨認知變化的生理指標有凝視、眼跳、注視順序、瞳孔尺寸等.其中首次注視時間、凝視時間、凝視次數、注視次序、回視時間以及回視次數等指標在一定程度上能夠反映用戶認知差異[16-17].

由于感性認知本身是一個非常復雜的過程，用單個眼動指標來解釋這個過程，產生誤差的可能性很大，進而影響評價體系的構建，因此選取多個眼動指標來進行分析.本文將選取以下眼動指標進行感性認知的衡量：

①持續注視時間：持續注視時間是眼動數據的一項重要指標，它可以反映被測者對某些視覺興趣區域的關注程度.

②注視次序：注視的先后順序不同，在一定程度上說明被測者對各個視覺興趣區域的注重程度不同，先注視的比后注視的視覺興趣區域對產品偏好的貢獻程度大.

③回視次數：回視說明被測者對某個視覺興趣區域進行了再次關注，回視次數越多，說明這個視覺興趣區域對產品偏好的貢獻越大[18].

根據意象語匯集U構建視覺追蹤實驗，處理實驗結果.之前的研究[4]應用了注視次序這一數據，而基于目前研究[8，19]，注視次數與用戶認知是耦合的，因此單純地使用注視次序所計算的權重是存在一定誤差的.為減小這種誤差，在原來的基礎上，引入注視次數權重.

根據文獻[4，18]定義被測者對造型特征g首次注視的時間為T；定義v1為區別注視次序的注視次序因子，取值為[1，2]，注視次序因子隨注視次序的增加遞減，每次減少j/p，p為當前測試樣本所有有效注視點的數量，得到注視次序因子為(2-j/p)/2.則所得注視次序相關權重O的定義如下式所示：

(1)

將造型特征g的第j次注視時間定義為T′；定義v2為注視次數因子，取值為[1，2].隨注視次數的增加，其值逐步增加1/30，得到注視次數因子為(1+(q-1)/30)/2，其中q為注視造型特征g的次數.則所得的注視時間相關權重R的定義如下式所示：

(2)

當造型特征g有回視時間T″時，定義被測者的回視次數為h，定義v3為回視因子，取值為[1，2]，首次回視因子取值為1，回視因子隨回視次數的增加遞增，每次增加1/20，每個造型特征g可能存在多次回視，則每個造型特征g的回視時間應包含多次回視時間的總和，即按照注視先后順序將造型特征g的注視指標處理為T″(1+(h-1)/20).則所得回視相關權重S的定義如式(3)所示.最終造型特征g的權重值如式(4)所示.

(3)

(4)

式中：w為造型特征g的權重；i為研究樣本，i=1，2，…，m；k為被測者，k=1，2，…，n；j為注視次序；Tl為完成樣本i實驗的所有有效注視時間之和.

2.4 模糊算法修正判斷矩陣

發放專家調查問卷，使用所篩選出的感性語匯建立專家模糊評價判斷矩陣，準則層數量為感性語匯數量f.要求專家以三角模糊數的形式表達對準則層之間相對重要性的評估值，給出1～9的分數來作為判別重要性的分級，即1為同等重要，9為特別重要，反之為倒數.專家需要給出一組三角模糊數(b，x，c)，γ位專家的三角模糊數組成模糊集{A1，A2，…，Aγ}來表征自己的感性感受，其中b表示重要性評估的感性值下限，c表示重要性評估的感性值上限，x表示隸屬度為1的感性評分值，其隸屬函數如圖3所示.

圖3 隸屬函數示意圖

(5)

(6)

計算出判斷矩陣V的特征向量w，經過歸一化處理并使其滿足式(7)，即可得方案層元素的權重.

(7)

求出判斷矩陣V的最大特征值λmax，對權重進行一致性檢驗.通過式(8)計算一致性指標(Ic)，并對比隨機一致性指標(Ir)的值[21]，當隨機一致性比例Rc=Ic/Ir<0.1時，認為判斷矩陣V具有滿意的一致性，否則需要重新調整判斷矩陣.

(8)

2.5 代入FAHP模型得出權重

將上文眼動數據處理所得到的各要素權重進行歸一化處理后，代入圖1模型中目標層與準則層的權重計算，同時，將與準則層所對應的方案層的判斷矩陣V代入模型中，基于FAHP的運算法則進行權重的計算，得到最終權重結果.

3 基于軌道車輛頭部造型的實例研究

目前我國軌道車輛處于高速發展階段[21]，集成設計以及模塊化設計等技術推動軌道車輛的設計向更嚴謹的方向發展[22-23].這種發展趨勢不僅體現在內部技術的革新上，也體現在對列車外部造型的美學評價及設計研究上.本文以軌道車輛頭部造型為例進行美學認知評價研究.

3.1 美學認知空間構建

從相關軌道車輛的報道中選取了大量的感性詞匯，進行了整理與編碼.邀請具有多年軌道車輛設計經驗與軌道車輛造型決策經驗的人員組成專家小組，對收集到的感性詞匯進行篩選，之后對40位工業設計專業相關的學生或從業人員發放問卷，對初步篩選的形容詞再次篩選，選取22組形容詞.對問卷進行主成分分析，檢驗統計量(KMO)的值為0.773，大于0.7，適合進行主成分分析.選出生成的3個主成分中代表性詞匯，構成感性意象語匯集U={流動的，理性的，簡潔的}.

再次發放問卷，將收集到的72張列車頭部圖片進行分組，對問卷數據進行處理生成距離矩陣，進行聚類分析，將其分成6組，選取每一組距離中心最近的3張圖片作為該聚類下的代表性圖片，總共篩選出18張代表性車輛圖片，結合上文中所篩選出的形容詞，建立李克特七級量表，并將問卷發放給從事軌道車輛工業設計的相關人員，發出問卷86份，回收問卷80份，其中有效問卷76份.獲得樣本集B={b1，b2，…，b18}，如圖4所示.

圖4 樣本集合

3.2 視覺追蹤實驗及FAHP模型計算

使用Tobii眼動儀進行視覺追蹤實驗.將樣本導入眼動軟件ErgoLAB中，實驗流程如下：

(1)實驗主導人員向被測者介紹實驗內容.

(2)校準：根據被測者調整儀器.

(3)預實驗：讓被測者感受每張實驗圖片的觀看時長.

(4)正式實驗：每張實驗圖片前，增加一張黑色底色、中央白色圓點的圖片，以防止視線誤差.

(5)介紹主觀評分：在觀看完每張圖片后，會提醒被測者根據所觀看的實驗圖片進行相關評價.

整體實驗流程示意如圖5所示.

圖5 實驗流程設計

邀請40位工業設計專業人員作為被測者進行實驗，在每次實驗前均進行數據矯正，以確保實驗準確性.實驗結束后，進行數據處理，篩選掉無效點，可得到樣本的熱點圖，如圖6所示為樣本b1的熱點圖.根據眼動數據生成視覺興趣區域(AOI)，結合專家討論與形態分析法[24]，獲得列車頭部造型要素如表1所示.

圖6 樣本b1的熱點圖

對ErgoLAB軟件中眼動數據進行導出與統計整合，經式(4)計算，得出意象語匯集U影響下的樣本設計要素權重，得到的權重集W={0.604 4，0.065 5，0.215 3，0.114 8}.

邀請4位具有豐富設計經驗的人員構建專家評價組.專家反復觀看18個樣本，并結合日常設計經驗，得出對應造型要素的模糊評價矩陣：

車燈與涂裝分隔線的關系(g1)：

表1 列車頭部造型設計要素及其分類

裙板分割形式(g2)：

擋風玻璃分隔(g3)：

圍繞擋風玻璃的涂裝分割形狀(g4)：

經過式(6)一系列計算，生成最終判斷矩陣.將權重集W與判斷矩陣代入圖1所示模型進行FAHP的優先級權重計算，獲得計算結果如表2所示.

表2 FAHP模型運算得出的權重

4 討 論

將以上所有實驗樣本結合語匯集U制作感性意象評價量表并進行問卷測試，量表增加了形容詞對“厭惡的—喜歡的”參與評價模型的建立.選取20位具有5年以上列車造型設計經驗的人員進行量表測試.將結果數據檢驗后利用數量化Ⅰ類理論進行數據分析，進而獲得評價指標的權重.數據處理結果顯著性為0.001<0.05，說明在本次數據分析中因變量和自變量之間存在顯著的線性關系.為了方便直觀感受二者的相關性，對結果進行歸一化處理(表3).

表3 數量化Ⅰ類處理后得到的權重

由此，本文所討論的通過模糊層次分析與生理測量數據分析相結合的方式來改進衡量產品感性認知的研究方法是具有合理性的.以往結合AHP模型的研究中，大多通過對準則層和方案層子集的精確性進行模型改良[11，25-27]，從而達到減小誤差的目的.本文則是通過眼動數據權重替換AHP方案層到準則層的運算方式，從而提高運算精度，減少系統誤差.

5 結 論

(1)運用生理測量數據與FAHP模型相結合的方法可支持構建產品美學偏好評價模型，并有效地輔助美學風格預測分析.

(2)美學評價過程中的生理測量數據與常規美學評價測量的分析結果具有相關性，說明人的視覺生理行為與主觀感性認知是耦合的.

(3)對于軌道車輛頭部造型而言，車燈與涂裝分隔線的關系(g1)這一設計要素對用戶審美偏好的影響較大，因此設計中應加強對于該設計要素的意象風格把握.

在工業設計研究領域采用生理測量方法，除了眼動追蹤實驗之外，還有諸如腦電、肌電等生理指標測量方法，在后續的研究中，將深入進行多類型心理和生理測量實驗，探究不同生理指標之間反映用戶感知的能力權重，從而提升感性測量的精確度.通過對用戶感知偏好度的研究，結合機器學習等方法，更加精確地輔助構建產品美學評價與設計系統.