傳統產品設計評價多采用問卷、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也無法核驗用戶真實心理狀態。

腦電技術（EEG）具備毫秒級超高時間分辨率，可實時捕捉用戶觀看產品時的大腦本能情緒反應，有效彌補傳統評價手段短板。浙江工業大學研究團隊將EEG作為核心數據，結合BP神經網絡構建偏好預測模型，以叉車為實驗載體完成全流程驗證，為產品概念評價提供了全新技術思路。

浙江工業大學機械工程學院與工業設計研究院聯合在《Advanced Engineering Informatics》發表“Data-driven implicit design preference prediction model for product concept evaluation via BP neural network and EEG”。研究依托EEG腦電信號量化用戶隱性設計偏好，搭配BP神經網絡搭建預測模型，完成多款叉車產品的概念評估與偏好預測。

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  隱性偏好預測的產品概念評價框架

第yi階段：方案與特征預處理

收集叉車設計方案，通過聚類分析、多維尺度分析篩選代表性方案；結合問卷與主成分分析篩選設計偏好詞對；采用最劣法（BWM）計算產品設計特征權重，規避人工賦值帶來的主觀誤差。

第二階段：EEG實驗與隱性偏好量化

1. 實驗配置

采用64通道腦電設備與E-prime 2.0實驗軟件，選取29款叉車作為視覺刺激素材，15名具備專業背景的受試者參與測試。每套方案重復測試5次，單人全程實驗時長約30分鐘。

圖2 目標刺激下的腦電數據采集實驗

2. 信號預處理

對原始腦電信號依次完成基線校正、疊加平均、0.5-40Hz帶通濾波、獨立成分分析（ICA），全面剔除環境、眼動等干擾噪聲。

3. 腦電特征與偏好劃分

重點分析350-550ms時間窗內的N400腦電成分，提取多項時域特征。經方差檢驗證實，大腦zhong央-顳區、頂枕區、枕區的腦電活動與用戶偏好顯著相關。利用K-means算法將用戶態度劃分為正面、中性、負面三類，不同偏好對應的腦電活動差異可在腦地形圖中直觀體現。

圖3 不同腦區下設計偏好誘發的腦地形圖

第三階段：BP神經網絡建模

將融合權重的設計方案編碼設為模型輸入，結合主觀評分與EEG聚類得到的情感標簽作為輸出；網絡設置5個隱藏單元，采用L-M優化算法，迭代5000次開展模型訓練，誤差閾值設定為0.0001。

案例研究

本次研究以叉車為實際案例，從31款設計方案中篩選出6款代表方案，完成偏好詞篩選、特征賦權與EEG全實驗，通過對照測試、樣本檢驗、產業核驗多重方式驗證模型效果。

圖4 基于不同 DC（直流 / 設計參數）的叉車設計方案庫

1. EEG數據對照實驗

保留EEG情感數據時，模型均方誤差 MSE=0.13115；

移除EEG數據、僅使用傳統主觀評分后，模型均方誤差 MSE=0.6757。

剔除腦電數據后模型誤差擴大5倍以上，充分證明EEG是保障預測精度的核心數據，并非輔助手段。

圖5 各BP神經網絡的訓練過程曲線

圖6 移除腦電數據后的BP神經網絡訓練過程曲線

2. 內部樣本測試

選取未參與訓練的叉車方案CS31作為測試樣本，模型預測結果與真實數據的均方誤差僅為0.011，各評價維度預測值與實際值高度吻合，精度滿足工業落地要求。

圖7 基于訓練好的BP神經網絡的方案偏好預測與對比

一、研究結論

1. 利用EEG的N400腦電成分，可客觀、精準量化用戶隱性設計偏好，突破傳統調研方式主觀性強的弊端，將抽象的心理活動轉化為可計算的量化數據；

2. 對照實驗數據證明，EEG數據能夠有效過濾主觀評價中的噪聲，是預測模型的核心組成部分；

3. BP神經網絡可有效擬合產品設計特征與用戶隱性偏好的非線性關系，模型誤差低、泛化能力強，能夠在產品概念階段快速完成方案篩選，降低企業研發試錯成本；

4. 本研究形成一套標準化實驗與建mofan式，可遷移應用到各類工業、消費產品的設計評價工作中。

二、研究不足與未來方向

1. 本次實驗統一使用單色產品素材，未探究色彩對用戶偏好的影響；實驗受試者群體較為單一，后續可擴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，未來可融合P300、眼動等多模態生理信號，豐富評價維度；

3. 可嘗試LSTM、Transformer等深度學習算法，進一步優化模型預測性能。

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.

作者及團隊介紹

di一作者Liting Jing來自浙江工業大學機械工程學院，主要研究智能設計、腦機接口與用戶體驗交叉領域。其余成員分別任職于浙江工業大學機械工程學院、工業設計研究院，通訊作者為ShaoFei Jiang教授、ChunFu LU教授。該團隊長期致力于將神經科學技術融入產品設計，推動前沿技術落地應用。

關于維拓啟創

相關產品