眼动数据与FAHP相结合的产品感性认知测量方法

孙 元， 林 子 瑜， 王 德 伦， 郑 雅 琪， 鲍 永 岩

( 1.大连理工大学 建筑与艺术学院， 辽宁 大连 116024；2.大连理工大学 机械工程学院， 辽宁 大连 116024 )

0 引 言

现代产品造型不再停留在形式追随功能的阶段，对于用户视觉审美感受的研究与讨论越来越受到重视.感性工学不仅用来测量用户感知，同时还辅助设计者创造更符合用户意向偏好的产品[1].其中，感性是指用户从视觉接收产品的造型信号后所反馈出的心理、生理上的变化，综合来说就是产品对用户心理、生理所引起的变化.

针对造型风格评价，近年来涌现出许多不同的度量体系.如使用熵理论[2]、美度评价[3]等对产品形态或可用性进行评估.

随着现代科技中眼动、脑电等生理测量技术的推进，学术领域对于感觉的测量与量化方法也日益精准.生理数据因具有更高的直观性和精确性，被大量应用于感性工学的研究.苏建宁等[4]、Hsu等[5]使用眼动数据来辅助构建意象与造型的映射关系.

层次分析(AHP)法最初是一种顾客满意度评价的理论模型，它更偏向于一种决策分析技术[6].层次分析法能够将复杂的设计评价问题分解，将分析过程数学化和系统化，因此，越来越多的学者将层次分析法应用到产品设计评价和可用性研究中.黄河等[7]以老年人智能手表为例，通过层次分析和感性评价相结合的方法来构建产品可用性评估体系.传统的层次分析法偏向于定性分析，目标层和准则层大多采用专家集体评价法，目前研究对于层次分析法的应用主要为两类，一类如Chen等[8]将层次分析法与其他模型结合使用达到研究目的；一类致力于提高层次分析法模型的精确性，如Neira-Rodado等[9]、Ecer[10]、okalo等[11]通过修正定性分析的模糊性与歧义，从而减少误差.Kang等[12]、Cho等[13]、Sabaghi等[14]通过使用模糊层次分析(FAHP)进一步提高了求解的准确性.

本文基于FAHP理论，结合生理测量数据计算相应的评价指标权重，进行感性认知对产品美学风格偏好的权重计算，以眼动数据计算出的权重来替代判断矩阵所计算出的权重，进而得出感性认知对于产品偏好的权重.本文以列车头部形态美学风格测量为例，并与感性意象的调研结果进行对比，对该方法的科学合理性进行检验.

1 研究概述

本研究构建的模型如图1所示，整体的研究框架如图2所示.

图1 产品外观形态设计偏好评价FAHP模型

图2 研究框架

2 结合眼动数据构建产品造型美学要素评价模型

2.1 美学意象词汇挖掘

在日常生活中，视觉的认知是具有多个维度的[15].视觉信息的完整获取可划分为视觉接收和视觉认知两大部分，人们通过视觉接收物体信息，又通过大脑皮层对信息进行认知[15].在进行视觉信息获取时，根据大脑皮层的信息处理反馈，会产生生理指标的变化.

人们对产品的造型意象感知数据难以直接获取，除了生理数据的测量，还需要用户对产品采用感性词汇描述，从而间接获取用户的主观感受.在此基础上建立感性词汇与产品造型元素的对应关系，进而界定用户对产品的主观认知.

通过收集产品相关的语料信息获取具有大众认同性的感性词汇.通过专家问卷、主成分分析等筛选处理方法，获得能够最大反映用户感受、引起大多数被测者感性认知变化的感性意象语汇集U={u1，u2，…，uf}，f为所筛选出的感性语汇数量.

2.2 样本选择及造型元素的分解

广泛收集样本，进行聚类分析筛选精炼，得到样本容量为m的样本.运用形态分析法对经过筛选的样本进行造型分析，得到产品造型特征集合.

2.3 视觉追踪实验

视觉追踪实验产生的生理指标中，伴随认知变化的生理指标有凝视、眼跳、注视顺序、瞳孔尺寸等.其中首次注视时间、凝视时间、凝视次数、注视次序、回视时间以及回视次数等指标在一定程度上能够反映用户认知差异[16-17].

由于感性认知本身是一个非常复杂的过程，用单个眼动指标来解释这个过程，产生误差的可能性很大，进而影响评价体系的构建，因此选取多个眼动指标来进行分析.本文将选取以下眼动指标进行感性认知的衡量：

①持续注视时间：持续注视时间是眼动数据的一项重要指标，它可以反映被测者对某些视觉兴趣区域的关注程度.

②注视次序：注视的先后顺序不同，在一定程度上说明被测者对各个视觉兴趣区域的注重程度不同，先注视的比后注视的视觉兴趣区域对产品偏好的贡献程度大.

③回视次数：回视说明被测者对某个视觉兴趣区域进行了再次关注，回视次数越多，说明这个视觉兴趣区域对产品偏好的贡献越大[18].

根据意象语汇集U构建视觉追踪实验，处理实验结果.之前的研究[4]应用了注视次序这一数据，而基于目前研究[8，19]，注视次数与用户认知是耦合的，因此单纯地使用注视次序所计算的权重是存在一定误差的.为减小这种误差，在原来的基础上，引入注视次数权重.

根据文献[4，18]定义被测者对造型特征g首次注视的时间为T；定义v1为区别注视次序的注视次序因子，取值为[1，2]，注视次序因子随注视次序的增加递减，每次减少j/p，p为当前测试样本所有有效注视点的数量，得到注视次序因子为(2-j/p)/2.则所得注视次序相关权重O的定义如下式所示：

(1)

将造型特征g的第j次注视时间定义为T′；定义v2为注视次数因子，取值为[1，2].随注视次数的增加，其值逐步增加1/30，得到注视次数因子为(1+(q-1)/30)/2，其中q为注视造型特征g的次数.则所得的注视时间相关权重R的定义如下式所示：

(2)

当造型特征g有回视时间T″时，定义被测者的回视次数为h，定义v3为回视因子，取值为[1，2]，首次回视因子取值为1，回视因子随回视次数的增加递增，每次增加1/20，每个造型特征g可能存在多次回视，则每个造型特征g的回视时间应包含多次回视时间的总和，即按照注视先后顺序将造型特征g的注视指标处理为T″(1+(h-1)/20).则所得回视相关权重S的定义如式(3)所示.最终造型特征g的权重值如式(4)所示.

(3)

(4)

式中：w为造型特征g的权重；i为研究样本，i=1，2，…，m；k为被测者，k=1，2，…，n；j为注视次序；Tl为完成样本i实验的所有有效注视时间之和.

2.4 模糊算法修正判断矩阵

发放专家调查问卷，使用所筛选出的感性语汇建立专家模糊评价判断矩阵，准则层数量为感性语汇数量f.要求专家以三角模糊数的形式表达对准则层之间相对重要性的评估值，给出1～9的分数来作为判别重要性的分级，即1为同等重要，9为特别重要，反之为倒数.专家需要给出一组三角模糊数(b，x，c)，γ位专家的三角模糊数组成模糊集{A1，A2，…，Aγ}来表征自己的感性感受，其中b表示重要性评估的感性值下限，c表示重要性评估的感性值上限，x表示隶属度为1的感性评分值，其隶属函数如图3所示.

图3 隶属函数示意图

(5)

(6)

计算出判断矩阵V的特征向量w，经过归一化处理并使其满足式(7)，即可得方案层元素的权重.

(7)

求出判断矩阵V的最大特征值λmax，对权重进行一致性检验.通过式(8)计算一致性指标(Ic)，并对比随机一致性指标(Ir)的值[21]，当随机一致性比例Rc=Ic/Ir<0.1时，认为判断矩阵V具有满意的一致性，否则需要重新调整判断矩阵.

(8)

2.5 代入FAHP模型得出权重

将上文眼动数据处理所得到的各要素权重进行归一化处理后，代入图1模型中目标层与准则层的权重计算，同时，将与准则层所对应的方案层的判断矩阵V代入模型中，基于FAHP的运算法则进行权重的计算，得到最终权重结果.

3 基于轨道车辆头部造型的实例研究

目前我国轨道车辆处于高速发展阶段[21]，集成设计以及模块化设计等技术推动轨道车辆的设计向更严谨的方向发展[22-23].这种发展趋势不仅体现在内部技术的革新上，也体现在对列车外部造型的美学评价及设计研究上.本文以轨道车辆头部造型为例进行美学认知评价研究.

3.1 美学认知空间构建

从相关轨道车辆的报道中选取了大量的感性词汇，进行了整理与编码.邀请具有多年轨道车辆设计经验与轨道车辆造型决策经验的人员组成专家小组，对收集到的感性词汇进行筛选，之后对40位工业设计专业相关的学生或从业人员发放问卷，对初步筛选的形容词再次筛选，选取22组形容词.对问卷进行主成分分析，检验统计量(KMO)的值为0.773，大于0.7，适合进行主成分分析.选出生成的3个主成分中代表性词汇，构成感性意象语汇集U={流动的，理性的，简洁的}.

再次发放问卷，将收集到的72张列车头部图片进行分组，对问卷数据进行处理生成距离矩阵，进行聚类分析，将其分成6组，选取每一组距离中心最近的3张图片作为该聚类下的代表性图片，总共筛选出18张代表性车辆图片，结合上文中所筛选出的形容词，建立李克特七级量表，并将问卷发放给从事轨道车辆工业设计的相关人员，发出问卷86份，回收问卷80份，其中有效问卷76份.获得样本集B={b1，b2，…，b18}，如图4所示.

图4 样本集合

3.2 视觉追踪实验及FAHP模型计算

使用Tobii眼动仪进行视觉追踪实验.将样本导入眼动软件ErgoLAB中，实验流程如下：

(1)实验主导人员向被测者介绍实验内容.

(2)校准：根据被测者调整仪器.

(3)预实验：让被测者感受每张实验图片的观看时长.

(4)正式实验：每张实验图片前，增加一张黑色底色、中央白色圆点的图片，以防止视线误差.

(5)介绍主观评分：在观看完每张图片后，会提醒被测者根据所观看的实验图片进行相关评价.

整体实验流程示意如图5所示.

图5 实验流程设计

邀请40位工业设计专业人员作为被测者进行实验，在每次实验前均进行数据矫正，以确保实验准确性.实验结束后，进行数据处理，筛选掉无效点，可得到样本的热点图，如图6所示为样本b1的热点图.根据眼动数据生成视觉兴趣区域(AOI)，结合专家讨论与形态分析法[24]，获得列车头部造型要素如表1所示.

图6 样本b1的热点图

对ErgoLAB软件中眼动数据进行导出与统计整合，经式(4)计算，得出意象语汇集U影响下的样本设计要素权重，得到的权重集W={0.604 4，0.065 5，0.215 3，0.114 8}.

邀请4位具有丰富设计经验的人员构建专家评价组.专家反复观看18个样本，并结合日常设计经验，得出对应造型要素的模糊评价矩阵：

车灯与涂装分隔线的关系(g1)：

表1 列车头部造型设计要素及其分类

裙板分割形式(g2)：

挡风玻璃分隔(g3)：

围绕挡风玻璃的涂装分割形状(g4)：

经过式(6)一系列计算，生成最终判断矩阵.将权重集W与判断矩阵代入图1所示模型进行FAHP的优先级权重计算，获得计算结果如表2所示.

表2 FAHP模型运算得出的权重

4 讨 论

将以上所有实验样本结合语汇集U制作感性意象评价量表并进行问卷测试，量表增加了形容词对“厌恶的—喜欢的”参与评价模型的建立.选取20位具有5年以上列车造型设计经验的人员进行量表测试.将结果数据检验后利用数量化Ⅰ类理论进行数据分析，进而获得评价指标的权重.数据处理结果显著性为0.001<0.05，说明在本次数据分析中因变量和自变量之间存在显著的线性关系.为了方便直观感受二者的相关性，对结果进行归一化处理(表3).

表3 数量化Ⅰ类处理后得到的权重

由此，本文所讨论的通过模糊层次分析与生理测量数据分析相结合的方式来改进衡量产品感性认知的研究方法是具有合理性的.以往结合AHP模型的研究中，大多通过对准则层和方案层子集的精确性进行模型改良[11，25-27]，从而达到减小误差的目的.本文则是通过眼动数据权重替换AHP方案层到准则层的运算方式，从而提高运算精度，减少系统误差.

5 结 论

(1)运用生理测量数据与FAHP模型相结合的方法可支持构建产品美学偏好评价模型，并有效地辅助美学风格预测分析.

(2)美学评价过程中的生理测量数据与常规美学评价测量的分析结果具有相关性，说明人的视觉生理行为与主观感性认知是耦合的.

(3)对于轨道车辆头部造型而言，车灯与涂装分隔线的关系(g1)这一设计要素对用户审美偏好的影响较大，因此设计中应加强对于该设计要素的意象风格把握.

在工业设计研究领域采用生理测量方法，除了眼动追踪实验之外，还有诸如脑电、肌电等生理指标测量方法，在后续的研究中，将深入进行多类型心理和生理测量实验，探究不同生理指标之间反映用户感知的能力权重，从而提升感性测量的精确度.通过对用户感知偏好度的研究，结合机器学习等方法，更加精确地辅助构建产品美学评价与设计系统.