傳統(tǒng)產(chǎn)品設(shè)計(jì)評(píng)價(jià)多采用問卷、專家打分、Kano模型、QFD等方式，僅能獲取用戶顯性偏好，難以捕捉潛意識(shí)里的隱性喜好，主觀偏差突出。文本挖掘、自然語言處理等技術(shù)也無法核驗(yàn)用戶真實(shí)心理狀態(tài)。

腦電技術(shù)（EEG）具備毫秒級(jí)超高時(shí)間分辨率，可實(shí)時(shí)捕捉用戶觀看產(chǎn)品時(shí)的大腦本能情緒反應(yīng)，有效彌補(bǔ)傳統(tǒng)評(píng)價(jià)手段短板。浙江工業(yè)大學(xué)研究團(tuán)隊(duì)將EEG作為核心數(shù)據(jù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)構(gòu)建偏好預(yù)測(cè)模型，以叉車為實(shí)驗(yàn)載體完成全流程驗(yàn)證，為產(chǎn)品概念評(píng)價(jià)提供了全新技術(shù)思路。

浙江工業(yè)大學(xué)機(jī)械工程學(xué)院與工業(yè)設(shè)計(jì)研究院聯(lián)合在《Advanced Engineering Informatics》發(fā)表“Data-driven implicit design preference prediction model for product concept evaluation via BP neural network and EEG”。研究依托EEG腦電信號(hào)量化用戶隱性設(shè)計(jì)偏好，搭配BP神經(jīng)網(wǎng)絡(luò)搭建預(yù)測(cè)模型，完成多款叉車產(chǎn)品的概念評(píng)估與偏好預(yù)測(cè)。

文章信息

本研究整體分為三大核心階段，完整研究框架見下圖。

圖1  隱性偏好預(yù)測(cè)的產(chǎn)品概念評(píng)價(jià)框架

第yi階段：方案與特征預(yù)處理

收集叉車設(shè)計(jì)方案，通過聚類分析、多維尺度分析篩選代表性方案；結(jié)合問卷與主成分分析篩選設(shè)計(jì)偏好詞對(duì)；采用最劣法（BWM）計(jì)算產(chǎn)品設(shè)計(jì)特征權(quán)重，規(guī)避人工賦值帶來的主觀誤差。

第二階段：EEG實(shí)驗(yàn)與隱性偏好量化

1. 實(shí)驗(yàn)配置

采用64通道腦電設(shè)備與E-prime 2.0實(shí)驗(yàn)軟件，選取29款叉車作為視覺刺激素材，15名具備專業(yè)背景的受試者參與測(cè)試。每套方案重復(fù)測(cè)試5次，單人全程實(shí)驗(yàn)時(shí)長(zhǎng)約30分鐘。

圖2 目標(biāo)刺激下的腦電數(shù)據(jù)采集實(shí)驗(yàn)

2. 信號(hào)預(yù)處理

對(duì)原始腦電信號(hào)依次完成基線校正、疊加平均、0.5-40Hz帶通濾波、獨(dú)立成分分析（ICA），全面剔除環(huán)境、眼動(dòng)等干擾噪聲。

3. 腦電特征與偏好劃分

重點(diǎn)分析350-550ms時(shí)間窗內(nèi)的N400腦電成分，提取多項(xiàng)時(shí)域特征。經(jīng)方差檢驗(yàn)證實(shí)，大腦zhong央-顳區(qū)、頂枕區(qū)、枕區(qū)的腦電活動(dòng)與用戶偏好顯著相關(guān)。利用K-means算法將用戶態(tài)度劃分為正面、中性、負(fù)面三類，不同偏好對(duì)應(yīng)的腦電活動(dòng)差異可在腦地形圖中直觀體現(xiàn)。

圖3 不同腦區(qū)下設(shè)計(jì)偏好誘發(fā)的腦地形圖

第三階段：BP神經(jīng)網(wǎng)絡(luò)建模

將融合權(quán)重的設(shè)計(jì)方案編碼設(shè)為模型輸入，結(jié)合主觀評(píng)分與EEG聚類得到的情感標(biāo)簽作為輸出；網(wǎng)絡(luò)設(shè)置5個(gè)隱藏單元，采用L-M優(yōu)化算法，迭代5000次開展模型訓(xùn)練，誤差閾值設(shè)定為0.0001。

案例研究

本次研究以叉車為實(shí)際案例，從31款設(shè)計(jì)方案中篩選出6款代表方案，完成偏好詞篩選、特征賦權(quán)與EEG全實(shí)驗(yàn)，通過對(duì)照測(cè)試、樣本檢驗(yàn)、產(chǎn)業(yè)核驗(yàn)多重方式驗(yàn)證模型效果。

圖4 基于不同 DC（直流 / 設(shè)計(jì)參數(shù)）的叉車設(shè)計(jì)方案庫(kù)

1. EEG數(shù)據(jù)對(duì)照實(shí)驗(yàn)

保留EEG情感數(shù)據(jù)時(shí)，模型均方誤差 MSE=0.13115；

移除EEG數(shù)據(jù)、僅使用傳統(tǒng)主觀評(píng)分后，模型均方誤差 MSE=0.6757。

剔除腦電數(shù)據(jù)后模型誤差擴(kuò)大5倍以上，充分證明EEG是保障預(yù)測(cè)精度的核心數(shù)據(jù)，并非輔助手段。

圖5 各BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程曲線

圖6 移除腦電數(shù)據(jù)后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程曲線

2. 內(nèi)部樣本測(cè)試

選取未參與訓(xùn)練的叉車方案CS31作為測(cè)試樣本，模型預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)的均方誤差僅為0.011，各評(píng)價(jià)維度預(yù)測(cè)值與實(shí)際值高度吻合，精度滿足工業(yè)落地要求。

圖7 基于訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的方案偏好預(yù)測(cè)與對(duì)比

一、研究結(jié)論

1. 利用EEG的N400腦電成分，可客觀、精準(zhǔn)量化用戶隱性設(shè)計(jì)偏好，突破傳統(tǒng)調(diào)研方式主觀性強(qiáng)的弊端，將抽象的心理活動(dòng)轉(zhuǎn)化為可計(jì)算的量化數(shù)據(jù)；

2. 對(duì)照實(shí)驗(yàn)數(shù)據(jù)證明，EEG數(shù)據(jù)能夠有效過濾主觀評(píng)價(jià)中的噪聲，是預(yù)測(cè)模型的核心組成部分；

3. BP神經(jīng)網(wǎng)絡(luò)可有效擬合產(chǎn)品設(shè)計(jì)特征與用戶隱性偏好的非線性關(guān)系，模型誤差低、泛化能力強(qiáng)，能夠在產(chǎn)品概念階段快速完成方案篩選，降低企業(yè)研發(fā)試錯(cuò)成本；

4. 本研究形成一套標(biāo)準(zhǔn)化實(shí)驗(yàn)與建mofan式，可遷移應(yīng)用到各類工業(yè)、消費(fèi)產(chǎn)品的設(shè)計(jì)評(píng)價(jià)工作中。

二、研究不足與未來方向

1. 本次實(shí)驗(yàn)統(tǒng)一使用單色產(chǎn)品素材，未探究色彩對(duì)用戶偏好的影響；實(shí)驗(yàn)受試者群體較為單一，后續(xù)可擴(kuò)大樣本范圍提升模型通用性；

2. 目前僅采用N400單一腦電指標(biāo)，未來可融合P300、眼動(dòng)等多模態(tài)生理信號(hào)，豐富評(píng)價(jià)維度；

3. 可嘗試LSTM、Transformer等深度學(xué)習(xí)算法，進(jìn)一步優(yōu)化模型預(yù)測(cè)性能。

原文信息鏈接

Jing L, Tian C, He S, et al. Data-driven implicit design preference prediction model for product concept evaluation via BP neural network and EEG[J]. Advanced Engineering Informatics, 2023, 58: 102213.

作者及團(tuán)隊(duì)介紹

di一作者Liting Jing來自浙江工業(yè)大學(xué)機(jī)械工程學(xué)院，主要研究智能設(shè)計(jì)、腦機(jī)接口與用戶體驗(yàn)交叉領(lǐng)域。其余成員分別任職于浙江工業(yè)大學(xué)機(jī)械工程學(xué)院、工業(yè)設(shè)計(jì)研究院，通訊作者為ShaoFei Jiang教授、ChunFu LU教授。該團(tuán)隊(duì)長(zhǎng)期致力于將神經(jīng)科學(xué)技術(shù)融入產(chǎn)品設(shè)計(jì)，推動(dòng)前沿技術(shù)落地應(yīng)用。

關(guān)于維拓啟創(chuàng)

相關(guān)產(chǎn)品