基于眼動賦權及腦電意象認知的產品形態感性工學模型研究

林麗，尹鑫，郭主恩，鄧雅倩，楊濮瑜

基于眼動賦權及腦電意象認知的產品形態感性工學模型研究

林麗，尹鑫，郭主恩，鄧雅倩，楊濮瑜

（貴州大學 機械工程學院，貴陽 550025）

為解決傳統認知測量主觀性強，造成后續構建的感性工學模型可靠性低、客觀性弱的問題，提出一種基于眼動賦權及腦電意象認知的產品形態感性工學模型構建方法。確定目標感性意象詞及產品對象；基于形態分析法解構產品獲取形態特征，通過正交試驗法重構產品實驗樣本；實施意象評價及眼-腦聯合的意象認知實驗，通過被試者的行為數據分析明確關鍵意象，根據眼動數據通過變異系數法計算形態特征認知權重，并基于腦電數據的時頻分析及ERP的P300成分提取，確定出與意象緊密關聯的腦電指標；引入嶺回歸建立產品形態的感性工學模型。以壁掛式充電樁機身形態進行實例研究，經驗證分析，該模型預測結果與意象評估結果一致性高。該模型可客觀準確地預測產品形態意象，從而更有效地協助設計師進行感性創新設計。

感性工學；產品形態；眼動追蹤；腦電；感性工學模型；嶺回歸

隨著科學技術水平的不斷提高，產品設計在滿足基本使用功能的同時，也越來越重視滿足用戶的情感體驗及審美感受等需要[1]。產品的設計匹配用戶感性需求是提升產品用戶滿意度及商業競爭力的關鍵步驟[2]。感性工學（Kansei Engineering，KE）作為一種幫助用戶和設計者分析新產品開發需求和情感的方法，在產品設計領域的應用范圍越發廣泛[3]。目前，國內外眾多學者研究了產品色彩[4-5]、形態[6-7]以及材質[8-9]等設計要素與人的感性認知的關系，建立了感性工學模型，基于模型分析幫助設計者定量化探討了用戶的情感訴求，明確了產品創新設計的關鍵設計要素，使具有高度主觀的產品設計過程趨向理性化和可控化。然而，在傳統的感性工學流程中，多采用問卷調查法、語義差異法及口語分析法等主觀的測量方法來獲取用戶的感性認知數據，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，由于生理認知測量技術具有精度高、容易捕捉用戶情感變化等特性，能更準確地收集用戶的感性反饋和隱性知識[10]，所以它已成為認知研究的重要手段。目前在產品設計領域多采用腦電技術與眼動技術等方法來測量用戶的生理數據，更客觀精準地探查用戶的情感狀態。蘇建寧等[11]通過被試者的首次注視時間、回視時間、回視次數等眼動數據，建立了設計要素評價模型；楊程等[12]通過被試者的行為數據、腦電信號和事件相關電位，構建了產品意象推理模型；Guo等[13]結合腦電數據和眼動數據，通過區分和量化產品的視覺美感，建立了一種基于機器學習分類器的量化方法；唐幫備等[14]通過聯合用戶體驗的眼動與腦電數據，對汽車工業設計方案進行了評選；郭主恩等[15]聯合眼動與腦電多模態內隱測量數據，建立了產品意象提取模型。綜上可知，眼動追蹤技術與腦電技術已逐漸在產品設計研究領域得到了認可和關注。

為此，面向產品創新設計，本文在眼動聯合腦電意象認知數據的支持下，基于嶺回歸構建更可靠客觀的感性工學模型，以提高KE模型的實際應用價值。

1 模型研究方法

首先，搜集篩選用戶感性意象詞匯，構建感性意象空間；其次，搜集樣本圖片，提取樣本形態特征，并重構實驗樣本；隨后，實施主觀語義評價及基于眼動聯合腦電的意象認知實驗；再者，通過分析行為數據與腦電數據確定關鍵指標，并通過眼動數據計算各形態特征影響用戶視覺認知的權重值，為產品形態特征參數賦權；最后，基于嶺回歸建立產品形態的感性工學模型。具體研究流程見圖1。

1.1 確定感性意象詞

通過文獻資料獲取感性意象詞，對收集到的感性評價詞通過多維尺度法進行分析，再聚類分析精簡意象詞并配對，記為，其中表示感性詞對的數目。

圖1 研究流程

1.2 形態特征解構與實驗樣本獲取

應用聚類分析和形態分析法解構產品形態特征單元圖，構建形態特征單元集，確立形態特征項目及其類目，采用正交試驗法重組形態特征，獲取實驗的代表性樣本。將產品形態特征單元集記為：

(1)

1.3 基于SD法的意象認知

基于語義差異法（Semantic Differential，SD）法的7點量表對代表性樣本進行意象評分，并統計意象評價值。

所有被試者對每個樣本的感性意象綜合評價值為：

(2)

1.4 眼動聯合腦電產品形態意象認知

通過眼動聯合腦電產品形態意象認知實驗，獲取被試者對樣本意象判別的眼動與腦電數據。通過眼動數據分析出產品形態認知相關的各眼動指標，記為，其中為眼動指標類別，各樣本下眼動指標綜合數據記為：

(3)

(4)

為了消除不同指標量綱差別的影響，需要對各指標數據進行標準化處理，將所有數據映射到[0，1]，計算公式為：

(5)

1.5 基于眼動賦權的產品形態特征參數化

在傳統KE模型中產品形態特征參數化將各形態特征的重要性同等看待，事實上，不同的產品形態特征對用戶認知的影響程度是不同的。由于眼動指標數據可以直接獲取用戶對產品不同形態特征區域的關注程度，所以本文采用眼動數據對產品形態特征進行參數賦權。首先通過變異系數法，基于眼動數據計算出各形態特征對視覺認知影響的權重值，各項形態特征的權重為：

(6)

(7)

(8)

1.6 模型構建

在模型構建中，以意象值為因變量，以基于眼動賦權的形態特征參數以及腦電指標為自變量，根據嶺回歸建立感性意象與形態特征及腦電指標的加權關系模型：

(9)

2 實例驗證

以壁掛式充電樁樣本為例，應用該方法構建KE模型。

2.1 確定感性意象詞對

初步收集了100個描述壁掛式充電樁的感性意象詞匯。邀請20名被試者對感性意象詞匯進行人工分群，對構建的相似性矩陣進行層次聚類分析后，將詞匯分為8個群，并進一步通過判斷矩陣分析出最能體現充電樁感性的3組感性意象詞對，即“獨特的-大眾的”“輕便的-笨重的”“前衛的-復古的”，它們共同構成一個意象空間。

2.2 實驗樣本形態特征提取與樣本重構

壁掛式充電樁產品形態特征繁多，為保證在后續實驗中用戶眼腦數據的準確性，不宜設置過多的實驗量，因此本文以壁掛式充電樁機身造型為例進行研究。針對60張壁掛式充電樁圖片，運用多維尺度法、聚類分析和形態分析法對機身造型進行解構，提取出機身造型的關鍵形態特征，確立形態特征項目及其類目，見表1。

表1 解構出的形態特征

Tab.1 Deconstructed morphological features

采用正交試驗法重構具有代表性的產品外觀原型，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體模型，并賦予統一的材質及色彩渲染，最終獲得16個壁掛式充電樁模型。16個壁掛式充電樁模型的位置與展示方式相同，包含正視圖、側視圖、透視圖，見圖2。

圖2 重構的代表性壁掛式充電樁樣本

2.3 基于SD法的產品意象語義評價

基于SD法，得到66位被試者對16個樣本的感性意象語義評價值，見表2。

表2 16個代表樣本的感性意象評價值

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

2.4 眼-腦意象認知實驗

在實驗中，被試者判斷實驗樣本與意象符合或不符合的情況。采集被試者在不同形態和不同意象匹配情況下的行為數據、腦電數據及眼動數據。基于腦電數據分析腦電成分的波幅及腦區分布情況。基于眼動數據計算各形態特征項目的認知權重值排序。

2.4.1 實驗材料

將16張代表性樣本圖片作為啟動材料，采用“啟動-目標”實驗范式。每張樣本圖片的大小、分辨率及背景均保持一致。

2.4.2 實驗被試者

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

2.4.3 實驗設備與流程

實驗采用無線多通道EEG系統EPOC Flex Gel Sensor Kit腦電儀采集腦電數據，并采用德國SMI公司的RED桌面型眼動儀采集眼動數據。

在實驗時，首先出現1 000 ms的注視點“+”光標，接著呈現5 000 ms的刺激圖片，最后顯示意象詞。由被試者判斷產品形態是否符合意象，然后重復該步驟，直至完成所有樣本關于所有意象詞的判斷。

2.5 實驗數據分析

2.5.1 行為數據分析

1）被試者反應時分析。反應時表示在意象刺激下，被試者判斷匹配結果所花的時間，代表了被試者認知決策所需的時間。統計意象匹配判別的平均反應時數據，通過對比主觀評價值可知，當意象值越高或越低時，用戶反應時較短，當意象值越接近0時，被試者反應時較長。被試者反應時與意象值具有顯著相關性。

2）被試者選擇分析。以意象選擇率作為組內因素，意象值作為組間因素，進行單因素方差分析，發現意象選擇率和樣本意象值有顯著的主效應。

通過意象選擇率的方差分析，發現“獨特的-大眾的”之間方差最大，樣本意象差異也更大，因此選擇“獨特的-大眾的”意象用于后續研究，以獲取差異性較大的眼動和腦電數據，有利于KE模型的構建。

2.5.2 腦電數據分析

截取樣本出現前1 000 ms到意象詞出現后2 000 ms，共7 500 ms的腦電數據進行分析。基于32個腦電通道的數據繪制頻譜圖，每條彩色曲線代表每個通道的腦電數據頻率，見圖3。由該頻譜圖可知，左右腦額葉區域的腦電信號最強，其次是枕葉區域，根據腦區思維決策分部可知[16]，額葉區域與思維功能相關。因此，選擇前額區的腦電電極數據用于后續研究。

圖3 EEG32通道頻譜圖

對前額各電極進行時頻分析，見圖4。該時頻分析圖由事件相關光譜攝動（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圖發現，與波段的腦電波在樣本出現200 ms后有明顯的能量上升，當樣本出現400 ms后，高頻波段能量顯著下降，意象詞出現后，高頻波段能量又出現顯著提高。在樣本及意象詞出現0～500 ms后，出現了明顯的ITC變化，說明實驗相位鎖定較好，能夠得到明顯的ERP波形。

圖4 時頻分析圖（Fp1）

對目標階段所有被試者的腦電數據進行疊加，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，額區在樣本及意象詞出現300 ms后，出現了明顯的P300成分。P300是ERP中一種內源性的、與認知功能相關的特殊誘發電位，可用于識別與人腦認知過程相關的活動[17]。

圖5 ERP總平均波形圖（Fp1）

通過ERPlab導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下的P300數據，進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個電極通道在“獨特的-大眾的”下的P300平均波幅，以P300數據為自變量，樣本感性評價值為因變量，進行回歸分析，電極F7、FC1、FT10、FC6及FC2的P300平均波幅與意象值具有顯著相關性，因此，選用F7、FC1、FT10、FC6及FC2這5個電極通道P300數據進行后續研究。

2.5.3 眼動數據分析

截取樣本呈現過程中的眼動數據，通過樣本的形態特征進行AOI劃分，獲取各形態特征關鍵運行指標（Key Performance Indicators，KPI）值，見表3。KPI數據呈現了各形態特征興趣區內的分析數據指標，如Sequence注視順序、Dwell time注視時間、Revisits平均回視次數等，興趣區的注視點越多、時間越長，代表該要素越能吸引被試者的注意力，該形態設計特征在認知中的影響程度越大。

表3 各形態特征的平均KPI值（以樣本1為例）

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

根據式（6）—（7）通過眼動數據計算各形態特征對視覺認知影響的權重值（見表4），最終計算出正面輪廓線、分割線、圓角弧度及側面輪廓的影響權重值分別為0.292、0.220、0.238、0.250。

表4 各形態特征的視覺認知權重值

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

2.6 產品形態特征參數化處理

根據上述產品的形態特征參數賦權處理過程，結合各形態特征的視覺認知權重，得到賦權后的各樣本形態特征參數，見表5。

2.7 感性工學模型構建

2.7.1 確定自變量與因變量

以樣本的平均感性意象評價值為模型構建的因變量，以基于眼動賦權的形態特征參數、被試者行為數據及腦電P300平均波幅為自變量，進行相關性分析，結果顯示指標之間存在多重共線性，且因變量指標多于樣本量，因此引入嶺回歸[18]構建感性工學模型，提高模型的數值穩定性及計算精度。

表5 基于眼動賦權的產品形態特征參數

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

2.7.2 基于嶺回歸的模型構建

以“獨特的-大眾的”意象均值為因變量，以眼動賦權后的產品形態特征參數值、標準化后的腦電各項指標、反應時及選擇率為自變量，通過嶺回歸計算回歸系數、常數等數據，整理后可得標準化的各類目系數，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自變量類目得分及常數項值，以各產品形態特征、腦電指標以及行為數據為自變量，感性意象值為因變量，建立的回歸模型如式（10）：

(10)

3 模型性能評估

另選形態特征重構的4個樣本進行驗證。首先，邀請31名被試者對“獨特的-大眾的”意象下SD法的7點量表進行評分，并招募10名被試者按照文中實驗范式再次實施眼動聯合腦電意象認知實驗。將各數據代入上述模型，計算意象預測值。具體數值見表7。

表7 評價意象值與模型計算值

Tab.7 Evaluation of image value and model calculation value

對4個樣本的評價意象值與模型預測值進行配對樣本t檢驗，見表8。結果表明，配對樣本t檢驗平均值差值接近0，且>0.05，數據間沒有呈現出差異性，即感性詞對的評價意象值與模型計算值之間沒有顯著差異，證明了模型有效。

表8 配對樣本t檢驗分析結果

Tab.8 Paired sample t test analysis results

4 結語

針對傳統認知測量易受主觀影響，造成感性工學模型的客觀性較差問題，提出了一種聯合眼動與腦電技術的感性工學模型構建方法。首先，在確定實驗產品和意象詞之后，對市場已有產品進行形態特征提取并重構，產生新的實驗樣本。其次，從眼動聯合腦電意象認知實驗中獲取認知生理數據并分析，通過眼動數據計算各形態特征認知權重，同時結合主觀意象評價，明確與意象認知關聯的各項指標。再次，基于嶺回歸建立形態特征、意象關聯指標與意象之間的關系模型。最后，以壁掛式充電樁機身形態為例驗證該方法的可行性。該模型能在產品感性設計中提供有效指導，為產品創新設計及感性意象評價提供支持。

[1] 陳金亮, 趙鋒. 產品感性意象設計研究進展[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. 面向產品感性意象的造型優化設計研究現狀及趨勢[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. 基于色彩調和理論的文化創意產品色彩設計與評價方法研究[J]. 西北工業大學學報, 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. 基于感性意象的產品造型優化設計[J]. 工程設計學報, 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. 基于感性工學的女包材質觸覺認知研究[J]. 皮革科學與工程, 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. 產品設計中用戶的內隱測量方法研究現狀[J]. 機械設計, 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. 基于眼動數據的產品造型設計要素評價方法研究[J]. 機械設計, 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. 基于腦電的產品意象推理模型研究[J]. 機械工程學報, 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. 聯合眼動和腦電的汽車工業設計用戶體驗評選[J]. 計算機集成制造系統, 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. 基于無意識多模態內隱測量的產品意象提取模型構建[J]. 計算機集成制造系統, 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. 認知神經科學[M]. 中國輕工業出版社, 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

國家自然科學基金資助項目（51865003）；貴州省科技計劃項目（黔科合平臺人才[2018]5781）；貴州省科技計劃項目（黔科合基礎-ZK[2021]重點055）；貴州大學培育項目（貴大培育[2019]06）

林麗（1973—），女，博士，教授，主要研究方向為產品設計、感性工學、民間藝術創意設計等。

尹鑫（1995—），女，碩士生，主攻感性工學、產品創新設計。

責任編輯：馬夢遙