基于产品特征解构的多维感知信息模型构建

范灵秀， 潘伟杰， 刘征宏， 吕 健

(贵州大学现代制造技术教育部重点实验室，贵州 贵阳 550025)

基于产品特征解构的多维感知信息模型构建

范灵秀， 潘伟杰， 刘征宏， 吕 健

(贵州大学现代制造技术教育部重点实验室，贵州 贵阳 550025)

基于现有一维感性工学模型难以充分表达用户对产品的感知信息，提出基于产品特征解构的多维感知信息模型构建方法。首先运用产品特征解构方法构建产品多维造型特征空间和情感意象认知空间；其次结合相似度理论、多维尺度法和K-mean聚类分析量化意象词汇，提取代表性情感维度；之后运用主成分分析判定多维造型特征中的主要影响因子；最后运用多元线性回归构建出多维变量表达的KE模型。以微波炉为例，验证了该方法的可行性，结果表明该方法能有效指导产品的精准化设计。

特征解构；感性意象；设计要素；多维感知信息模型

当今社会，随着产品生命周期的缩短，个人的个性化需求更容易实现，以用户为中心的产品开发成为企业一项重要策略[1]。个人的情感需求成为设计师的设计依据，而设计师所需要达到的就是满足顾客的这种需求，设计出更加符合消费者感性需求的产品。感性工学(kansei engineering)技术的出现，为人的情感需求融入商品设计提供了有力的支持，成为工业设计中指导以用户为中心的产品设计的一种有效方法[2]。

关于如何量化产品的情感，国内外众多研究者从案例分析入手建立了产品的形状、色彩、材质等某一类造型特征的感性工学模型。Doré等[3]通过回归分析建立设计变量与感官变量的映射关系来探讨用户感官变量的识别方法。Su和Yang[4]通过人体工程学实验获取学生对于宿舍公寓床的体验数据。王莹和陈雁[5]运用形态分析法的基本原理，对冬季女外套的款式设计要素进行分析，建立设计要素空间及意象语意空间，并完成了数学回归模型。李永锋和朱丽萍[6]应用对应分析法探讨感性意象和产品属性的关系，应用结合分析法建立两者之间的数学模型。Qi和Yu[7]利用眼动实验来衡量用户对于燃料运送卡车的感官体验重点，其将用户对产品细节和产品整体的不同感性体会进行量化。惠英超[8]将汽车主体造型分成相对独立的因素，然后提取因素重新组合，提升设计方案。对多维感知模型的研究中，刘玲玲和薛澄岐[9]融入认知科学和形态学观点提出一种多感官通道的多维度的产品特征解构方法。刘征宏等[10]通过判定并量化多维造型空间的主特征，构建了产品的形、色、音、质和相关关系元件的多维KE模型。林丽等[11]论证了多感官通道下的多维模型性能优于一维模型，并用实例论证了解构方法适用于感性研究领域。这些传统的感性意象认知获取方法在信息处理过程中会丢失过多的信息，而使客户感性意象认知的获取不可靠。

以上研究运用形态分析学对产品进行解构，将产品形态解构为“项目”和“类别”[12]，解构前提为已存在的造型。形态学图表法使用前提是各个属性要素独立而无关联[13]，多数研究者都沿袭产品构件分解的实验方法，获取单一独立的设计特征，而对产品特征间的整体性相关关系欠缺考虑，因此所构建的一维变量表达感知模型并不能全面表达用户情感，应用价值微弱[14]，造成感知信息的丢失。综上所述，在感性研究领域，迫切需要提出一种更合理精准的产品特征解构方式以确保KE模型高性能。因此，本文从用户对产品的实际认知模式出发，首先通过解构产品形态特征构建多维造型特征空间，除了形状，还考虑了产品色彩、尺寸、纹理、交互和文化象征等因素，然后在其基础上构建基于多元线性回归的多维感知信息模型，实现了多维变量表达用户满意度与设计特征间的关系。

1 产品形态特征解构

1.1 产品形态特征解构框架

产品激发情感是产品的形、色、质等多维造型要素共同作用的结果，即其意象由产品的所有设计要素构成[15]。根据设计心理学家Norman提出的本能(visceral)、行为(behavioral)和反思(reflective)三层次理论，相对应地从产品外观层面、使用层面和精神层面提出产品特征解析“形色质肌”、“使用交互”、“文化象征” 3个层面。产品形态特征解构框架如下图1所示。

图1 产品形态特征解构框架

1.2 产品特征解构的HIEs

Han等[16-17]将产品形态分解为各个独立的人机界面元件(human interface elements, HIEs)，除了形状，还考虑了产品色彩、尺寸及纹理等因素，实现了多维变量表达用户满意度与设计特征间的关系。HIEs为用户所见、所触摸或使用的设计特征集合，是产品与人的多种感官发生信息交互的最小单位。

2 多维感知信息模型构建

在产品特征解构的基础上，构建多维变量表达的感知意象模型，其构建流程如图2所示。

图2 基于产品特征解构的感性模型构建流程

2.1 选取感性意象词汇

选取描述目标产品风格的意象形容词作为实验变量，以求尽量准确地构建关于研究对象特征的多维认知空间。考虑到不同用户在评价感性意象时会主观选择不同词汇，所以在最初的词汇选取上以包括生活中绝大部分适合于描述此类感性意象的词汇为目的。首先通过专业杂志收集产品外形的评价形容词及向相关设计专家咨询获得大量感性词汇，然后对初收集的感性词汇进行专家组讨论、筛选、分类，然后得到大量原始感性词汇。对原始词汇进行问卷调查，依据词汇被勾选的频率，筛选出被多数人采用的词汇。

2.2 提取情感意象维度

结合上述意象词汇实验数据对其进行量化处理。首先通过词汇相似度计算对象间的空间距离，再运用多维尺度法将“距离”转化为空间词汇相似度数值即为具体坐标，最后通过聚类分析选出每组代表性词汇。

2.2.1 基于词汇相似度的空间距离计算

研究中的意象词汇属于主观的心理学概念，即不能直接地对各个词汇之间进行量化计算[18]，本文使用Dekang Lin提出的词汇相似度求解。矩阵Δ用来描述感性意向词汇，表示为其中，s为空间的点；m为描述词汇的特征数；n为词汇代号。

相似度计算方法采用pearson相关系数，设X和Y为矩阵A中的两个对象ix、iy对应的特征值向量，相似度表达式为

其中， sim( ix, iy)为词汇对象ix、iy之间的相似度。根据对象ix、iy在几何模型中的两个空间向量夹角的余弦数据来定义对象之间相似度的大小。

2.2.2 基于MDS具体坐标分析

多维尺度法(multidimensional scaling, MDS)通过相似性矩阵 Cij= (ix)来构建对象间的距离矩阵Dij= (dij)，数据转化式为

为了进行k维拟合，将通过构建n*k的点阵X，并尽量使X所对应的距离矩阵具备如实反映 Dij= (dij)中的信息。首先选取 Dij= (dij)非对角线元素，按照从小到大的顺序进行排列，再令

在操作过程中，将对di*j进行调整使得达到极小值，现假设，在k固定的情况下存在一个使得

2.2.3 基于CA的意象词汇分群

经过如上过程，每个对象都以坐标定位的方式体现在其产生的坐标系中，各个坐标定位之间的“距离”即反映了原始对象的相似程度。用聚类分析(cluster analysis, CA)对上述相似度结果进行分析，使用 k-均值聚类法构建同质群组。分别计算每组意象词汇对到其所在聚类组几何中心的距离并排序，选择每个聚类中最接近中心位置的意象词汇对作为具有代表性的情感意象维度，具有代表性的意象词汇对数量等于聚类数量。

2.3 构建多维造型特征空间

运用全局HIEs解构方法[17]对案例产品进行形态解构：①区分该产品的硬界面与软界面，由于某些产品不具有软界面，在进行解构时只考虑硬界面部分；②区分出硬界面的非功能性和功能性部件，如实体和装饰物为非功能性部件；③列出输入功能部件(如各类按键)和输出功能部件(如显示屏、听觉传示、标识和按键)，并对非功能性及功能性部件逐一从视觉、听觉、触觉和嗅觉角度进行HIEs的细分；④以产品所具备的功能为依据，选择对实用功能和其他相对重要的功能具有影响力的相关元件。

2.4 基于PCA的主要HIEs定量化处理

由全局 HIEs解构方法获取的高维造型特征中，有些造型特征对情感意象没有影响或影响不大可忽略不计，因此，需先对造型特征进行分群，然后通过主成分分析(principal component analysis, PCA)评判出对每组情感影响作用较大的主要HIEs。

假设有n个感性维度，每个维度观测p个指标：X1,X2,··,Xp，得到原始数据资料矩阵，表示为

数据矩阵X的p个纵向量X1,X2,··,Xp作为线性组合，得综合指标向量，表示为满足需求的综合指标向量F1,F2,··,Fp则为主成分。

2.5 构建情感意象认知空间

情感意象认知空间的构建是基于用户调查实验完成的，首先基于统计学方法有目的地选择代表样本，然后针对前面获取的感性词汇构成感性设计空间，运用语意差异法在 7点等级量表上，记录每一个HIEs针对给定情感的心理感受，形成意象认知实验问卷，完成所有样本的评价后，获得情感意象的认知空间。

每一个测试者针对每一个情感意向词汇对每一个HIEs的评价值，构成了一个复杂高维的情感意象认知空间。第m个测试者在第n个感性词汇下对所有样本的情感认知评价矩阵，表示为

第r个HIEs的情感意向评价平均值为

2.6 基于多维造型特征解构的多维感知信息模型构建

多维感知信息模型的构建是多维造型特征到感性设计空间的映射，即以情感意象认知空间的意象认知数值为基础，经模型构建推论机制形成多维造型空间与感性设计要素空间的映射函数关系。多元线性回归技术被用于情感意象与多维造型特征的关联模型上[19]，形成一个自变量(多维造型特征)和因变量(情感意象)间的函数关系的表达式为

其中，yi为样本的感性评价值；xi为主要 HIEs量化值；s为样本总数；εi为随机误差。

通过将每一类感性词汇的主要HIEs的量化数值 Fi和每类感性词汇每个样本的情感意象评价均值输入SPSS软件，应用多元线性回归计算，得到每类感性词汇与造型特征之间映射关系，分别构建多维感性模型。

3 应用实例

3.1 选择代表性样品

本文以某类微波炉造型设计为例，对上述方法进行阐述。首先收集100多个微波炉样品，通过初步评估删除造型上相似的和不适合的样品，选出40个设计样品将其分成6组。分别计算其对应的应力系数，结果表明当维数=6时，应力系数=0.03675为最小，因此将维数设定为6。对结果进行K-means聚类分析，计算每个样品到其所在聚类中心距离并排序，最终选取以下6个样本，如表1所示。

表1 代表性产品样本

3.2 搜集和筛选意象词汇

对普通用户、设计专业的学生和老师、以及相关专家进行访谈，同时对相关文献、产品目录和媒体文章进行阅读，经过后续整理和初步筛选得到150个感性词汇。选用随机产品样本，对这150个词汇进行问卷调查，135位被访谈者在问卷中对给出的 150个词汇表中勾选认为适合于描述产品样本语意的词汇。意象词汇筛选界面如图3所示。

图3 意象词汇筛选界面

对 150个词汇在问卷调查中被勾选的频数进行降序排列(图4)，分析数据之后将65个被勾选频率小于等于 5%的词汇从整体 150个词汇中筛选掉，保留85个词汇。

图4 150个意象词汇的勾选频率

3.3 提取情感维度

研究中选择32位具有微波炉设计经验的专业人士作为被试，要求其把85个词汇中描述效果相近的词汇归类为一组。每一组所能分得的词汇个数和其总共的分类组数不设限制。

调查中，85个词汇大致被试分为 14～17组不等，通过Matlab编程运算，计算每2个词汇被分到同一组的次数，可得到85×85的数据矩阵。通过SPSS的相似性分析模块，对85个词汇的相似性进行初步分析，得到pearson距离相似性矩阵，挑选出相互间相似度大于 95%的词汇进行明显相似词汇合并，21个明显相似词汇和5个代表性词汇被合并(表2)。

表2 词汇合并过程

进行意向词汇相似度实验，定义词汇的相似程度等级为0到10，邀请25位具有工业设计背景的同学、15为汉语语言文学专业同学，基于相似程度等级对64个词汇相互评分，每个人的评分数据形成一个下三角矩阵，即

对64个矩阵进行二到六维的相似度计算，如表3所示，64个词汇在六维空间中有效地表达了意象词汇之间的相似度关系。

表3 词汇相似度多维尺度分析结果

运用SPSS软件对64个微波炉感性意象词汇进行K-means聚类分析，可得出6个意象词汇分群(图5)。

图5 意象词汇聚类树状图

依据的聚类结果，距离中心最近的视为该组的代表性词汇，各组的代表性词汇为：稳重的、简洁的、独特的、精致的、安全的、科技的。

3.4 多维造型特征解构

运用全局HIEs解构方法对该微波炉形态进行解构，得到82个HIEs，构建形成多维造型特征空间，解构结果如表4～6所示。

表4 非功能性部件HIEs解构编码

3.5 获取主要HIEs量值

对82个HIEs聚类分析，将造型特征划分为11组。以第1组造型特征为例，利用SPSS软件计算变量功能计算该组的特征向量矩阵，设变量HIEs 2、5、7、16、24、41和68依次为X2、X5、X7、X16、X24、X41和X68，得到主成分表达式为

表5 功能性部件HIEs解构编码

表6 软界面和相关关系部件HIEs解构编码

可得元件41载荷较高，为主要影响HIEs。

由此得到每一组的主要影响HIEs，如表7所示，下一步对主要影响HIEs进行建模，并得到每个主要元件的影响权重。

表7 11组造型特征的主要影响HIEs

3.6 构建意象认知空间

在多维造型特征空间构建基础上，针对上述6个微波炉样本，15名具有设计背景的研究生及20名本科生共 35名测试者运用语义差异法(semantic differential, SD)在7点等级量表上记录每一个HIEs针对给定的6类情感的心理感受，完成所有样本的评价后，成6类意象的认知空间。

3.7 多维造型特征到感性意象的映射

将每类意向认知空间下的主要HIEs量值和每个代表样本的情感意向平均值输入SPSS软件，可得感性意象与多维造型特征之间的映射关系。以“简洁的”为例，KE模型为

分析表明元件7、30、36、41、55、60、82对“简洁”有正面影响，元件11、23、39、69对“简洁”有负面影响。

另外通过分析KE模型可知，模型中同时具备形状、色彩、材质、肌理、软界面及相关关系变量，是典型的多维变量表达模式，说明在感性意象研究中，产品形态解构方式直接对变量维度造成影响。

4 结 论

针对传统的单一维度感知模型不能完全反映用户对目标产品情感意象认知且应用价值不大等问题，本文提出了多维感知信息模型并对其构建方法进行了详细描述。然后以微波炉为例，对其应用流程进行验证，首先运用全局HIEs解构方法对其形态进行解构，解构出形、色、质、肌、声音等多种感官通道 HIEs，更加准确地反映了用户的心理情感；之后在此基础上分别运用相似度理论和统计学方法构建了微波炉每组意象词汇下的多维感知信息模型，确保产品特征与意象词汇之间的关系能够被更可靠地模型化。该模型在感性创新设计阶段具有应用价值，能够有效指导于创新设计实践。后续主要研究内容是对比一维KE模型和多维KE模型的效用，以及拓宽该模型的应用领域。

[1] Demirtas E A, Anagun A S, Koksal G. Determination of optimal product styles by orinal logistic regression versus conjoint analysis for kitchen faucets [J]. International Journal of Industrial Ergonomics, 2009, 39(5): 866-875.

[2] Lee J, Gu N, Williams A. Parametric design strategies for the generation of creative designs [J]. International Journal of Architectural Computing, 2014, 12(3): 263-282.

[3] Doré R, Paihes J, Fischer X, et al. Identification of sensory variables towards the integration of user requirements into preliminary design [J]. Internation Journal of Industrial Ergonomics, 2007, 37(1): 1-11.

[4] Su M Y, Yang G H. A new design of student apartment bed based on kansei engineering and ergonomics [J]. Computer Aided Drafting Design and Manufacturing(CADDM), 2014, 24(3): 70-74.

[5] 王 莹, 陈 雁. 冬季女外套款式感性研究和应用[J].纺织学报, 2007, 28(11): 97-100.

[6] 李永锋, 朱丽萍. 基于结合分析的产品意象造型设计研究[J]. 图学学报, 2012, 33(4): 121-128.

[7] Qi B, Yu S H. Product cognitive style based on kansei engineering and visual track experiments [J]. Journal of Applied Sciences, 2013, 13(12): 2341-2345.

[8] 惠英超. 基于案例的产品造型创新设计方法与 CAD实现技术[D]. 西安: 长安大学, 2010.

[9] 刘玲玲, 薛澄岐. 面向多维 KE模型构建的产品特征解构方法[J]. 工程设计学报, 2014, 21(4): 323-328.

[10] 刘征宏, 谢庆生, 黄海松, 等. 多维变量感性工学模型构建及其评估[J]. 四川大学学报: 工程科学版, 2016, 48(2): 198-206.

[11] 林 丽, 薛澄岐, 王海燕, 等. 优化KE模型的产品形态解构方法[J]. 东南大学学报: 自然科学版, 2010, 40(6): 1353-1357.

[12] Lin Y C, Lai H H, Yeh C H. Consumer-oriented product form design based on fuzzy logic: a case study of mobile phones [J]. International Journal of Industrial Ergonomics, 2007, 37(6): 531-543.

[13] 孙守迁. 设计信息学[M]. 北京: 机械工业出版社, 2008: 14.

[14] Chen H Y, Chang Y M. Extraction of product forms features critical to determining consumers’ perceptions of product image using a numerical definition-based systematic approach [J]. International Journal of Industrial Ergonomics, 2009, 39(1): 133-145.

[15] Chang C C, Wu J C. The underlying factors dominating categorical perception of product from of mobile phones [J]. International Journal of Industrial Ergonomics, 2009, 39(5): 667-680.

[16] Han S H, Hong S W. A systematic approach for coupling user satisfaction with product design [J]. Ergonomics, 2003, 46(13-14): 1441-1461.

[17] Han S H, Kim K J, Yun M H, et al. Identifying mobile phone design features critical to user satisfaction [J]. Human Factors and Ergonomics In Manufacturing, 2004, 14(1): 15-29.

[18] 陈璐伟, 塑料材质质感要素语意量化及优化方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2014.

[19] Zhai L Y, Khoo L P, Zhong Z W. A rough set based decision support approach to improving consumer affective satisfaction in product design [J]. International Journal of Industrial Ergonomics, 2009, 39(2): 295-302.

Model Construction of Multi-Dimensional Perception Information Based on Product Feature Deconstruction

Fan Lingxiu, Pan Weijie, Liu Zhenghong, Lü Jian
(Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China)

Because plenty of the existing one-dimensional KE models cannot express the users’perception information of products comprehensively. The method of structuring multi-dimensional perception information based on product feature deconstruction was proposed. Structured Multi-dimensional feature space and emotional perceiving space by using the method of product shape deconstruction; combined the theory of similarity, MDS and the K-mean CA to quantify the image vocabularies and extract the typical emotional dimension; determined the main influence factors with PCA. Finally structured the KE model of multi-dimensional variables by multiple linear regression analysis method. Based on an example of the microwaves, proved the feasibility of this method, and the result indicated that this method was more effective to lead product design.

morphological characteristics deconstruction; kansei image; design elements; multi-dimensional perception information model

TB 472

10.11996/JG.j.2095-302X.2016060771

A

2095-302X(2016)06-0771-07

2016-05-17；定稿日期：2016-06-21

国家科技支撑计划项目(2014BAH05F01，2014BAH05F02，2014BAH05F03)；贵州省科技计划项目(黔科合J字[2013]2108，Z字[2013]4005)；黔发改投资项目([2012]2747，[2012]2484)

范灵秀(1992-)，女，陕西西安人，硕士研究生。主要研究方向为计算机辅助设计与产品设计研究、产品创意设计。E-mail：523521986@qq.com

潘伟杰(1983-)，男，河南漯河人，副教授，博士。主要研究方向为非物质文化遗产数字化保护与制造业信息化。E-mail：290008933@qq.com