CN113509190A - 一种产品设计评价方法及*** - Google Patents
一种产品设计评价方法及*** Download PDFInfo
- Publication number
- CN113509190A CN113509190A CN202110292257.9A CN202110292257A CN113509190A CN 113509190 A CN113509190 A CN 113509190A CN 202110292257 A CN202110292257 A CN 202110292257A CN 113509190 A CN113509190 A CN 113509190A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- electroencephalogram signal
- electroencephalogram
- product
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 256
- 238000013461 design Methods 0.000 title claims abstract description 115
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000013135 deep learning Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012163 sequencing technique Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000000638 stimulation Effects 0.000 claims abstract description 23
- 210000004556 brain Anatomy 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 15
- CNYFJCCVJNARLE-UHFFFAOYSA-L calcium;2-sulfanylacetic acid;2-sulfidoacetate Chemical compound [Ca+2].[O-]C(=O)CS.[O-]C(=O)CS CNYFJCCVJNARLE-UHFFFAOYSA-L 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims description 57
- 230000037007 arousal Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 23
- 230000003321 amplification Effects 0.000 claims description 19
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 206010062519 Poor quality sleep Diseases 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000755266 Kathetostoma giganteum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000000692 anti-sense effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种产品设计评价***及方法,包括:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理;对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;利用脑电信号片段和用户的刺激反馈对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
Description
技术领域
本发明涉及脑电信号分类和产品设计评价方法的交叉技术领域,具体地,涉及一种产品设计评价方法及***;更为具体地,涉及基于脑电信号与语义差分问卷的产品设计评价方法,一种基于深度学习的脑电信号情感分类方法。
背景技术
产品设计评价是设计科学领域的重要课题,一直以来受到相关领域研究者的高度重视。研究表明,在设计初期尤其是概念设计阶段,多个概念设计方案的排序和选择对整个设计制造流程有极大影响,极大地决定了后续详细设计阶段、生产工艺规划及制造环节的成本和效率。由于当前产品设计评价的主观性和模糊性,许多基于数学、心理学等的研究致力于降低这一环节的主观性和模糊性的影响。近年来,多准则决策方法发展较为成熟,在产品设计评价方面应用广泛,如VIKOR方法、TOPSIS方法等已成功应用在各个领域。产品设计的评价指标一般较为复杂,且具有领域特殊性,如对汽车产品的评价指标有外观上的美感度、创新性,人体工学上的舒适性,性能上的若干参数等。通常需要若干名有经验的专家从各个评价指标的维度上进行评定打分,进而通过多准则决策方法融合为综合评价。
基于脑电信号、眼动信号等生理信号的产品评价方法由于其客观性的优势,获得了蓬勃发展,在产品设计评价方面得到较多应用。生理信号能够在一定程度上反应人的心理活动,因此通过对被试的生理信号进行测量和分析获取产品评价,无需传统的问卷调查、讨论和主观表达过程,具有更强的客观性。脑电信号是应用最为广泛的一种,脑电信号中特定频段的特征与心理愉悦度、注意力集中程度具有关联,可以作为人对客观事物评价的一种反映。而脑电信号的采集、处理与分析方法也发展较为成熟,其实验采集的成本较低、具有较强可行性。数字信号的特征提取与分析方法在传统的功率谱分析等的基础上,还可利用近年来快速发展的深度学习方法,建立基于脑电信号的偏好分类模型,用于预测产品评价。
语义差分问卷方法常用于问卷实验中,是一种较为有效的排除个体主观差异的问卷方法。通过语言描述对心理感受进行量化,将被试的心理感知反映在语义量表中。语义量表一般为7-11级,包括一对互为反义词的评价词汇位于量表的两端,多级的程度修饰词将量表分为对称的两部分,被试主观选择某个语义进行量化打分。语义差分问卷方法能够排除个体对打分尺度敏感性的差异,因此在问卷实验中应用十分广泛。在脑电信号分类中,数据集的收集包括脑电信号采集与一定数量的分类标签,其中分类标签的确定一般可采用语义差分问卷法获取。
近年来,运用深度学习方法进行基于脑电信号的情感分类在产品评价领域十分具有应用前景。基于脑电信号和语义差分问卷能够实现较为准确的用户偏好预测。结合传统的多准则决策方法如VIKOR法,用户偏好预测与专家评价能够有效融合,从而实现准确、客观、科学的综合评价。
专利文献CN111105127A(申请号:201911074159.7)公开了一种基于数据驱动的模块化产品设计评价方法,包括根据产品特征以及客户的个性化需求,建立模块化产品多阶段的评价体系;针对建立的评价体系,设计对应数据的获取方法;针对设计的多阶段评价体系,建立两阶段神经网络,包括输入层、第一阶段隐含层、第一阶段输出层、第二阶段输入层、第二阶段隐含层、输出层;将获取的数据不断输入神经网络进行训练,调整神经网络的参数;利用该神经网络实现产品的设计评价。该方法利用机器学习的方式实现了模块化产品设计参数与客户评价结果的动态映射,通过不断的采集数据,动态的调整评价结果,帮助设计者快速的估计新产品的市场评价,缩短产品设计周期。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种产品设计评价***及方法。
根据本发明提供的一种产品设计评价***,包括:
脑电信号采集与放大模块:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析模块:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷模块:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型模块:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价模块:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
优选地,所述脑电信号处理分析模块包括:
脑电信号处理分析模块M1:对脑电信号采集与放大模块输出的原始脑电信号进行基于小波的去噪处理;
脑电信号处理分析模块M2:对去噪后的脑电信号进行低通滤波;
脑电信号处理分析模块M3:对低通滤波后的脑电信号采用高通滤波,得到高通滤波后的脑电信号;
脑电信号处理分析模块M4:对高通滤波后的脑电信号进行截窗划分获得脑电信号片段,脑电信号片段的标签为原脑电信号的对应刺激源方案标签。
优选地,所述产品涉及方案呈现与用户语义差分问卷模块包括:
产品涉及方案呈现与用户语义差分问卷模块M1:利用满足预设要求的方案呈现单元设备呈现刺激产品源设计方案;
产品涉及方案呈现与用户语义差分问卷模块M2:语义差分问卷的评价指标包括愉悦度和唤醒度;按照预设要求划分评价量级以及对应的分值;
产品涉及方案呈现与用户语义差分问卷模块M3:语义差分问卷反馈单元接收被试的评价指标分值,将分值与被试观察的产品图像对应,记录于文本文档中。
优选地,所述用户偏好分类模型模块包括:
用户偏好分类模型模块M1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型模块M2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型模块M3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型模块M4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型模块M5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型模块M6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型模块M7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
优选地,所述深度学习分类网络模型包括:卷积神经网络模块、长短时记忆网络模块和输出层;
所述卷积神经网络模块包括输入层、Reshape层、预设数量的卷积层、Dropout层、批量归一化层和Reshape层;
所述长短时记忆网络模块包括:预设层长短时记忆网络层,每层的隐藏层神经元数目为预设个;
所述输出层包括Flatten层和全连接层。
优选地,所述损失函数包括最小化交叉熵损失函数。
优选地,所述综合评价模块包括:
综合评价模块M1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价模块M3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价模块M4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价模块M5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
根据本发明提供的一种产品设计评价方法,包括:
脑电信号采集与放大步骤:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析步骤:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷步骤:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型步骤:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价步骤:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
优选地,所述用户偏好分类模型步骤包括:
用户偏好分类模型步骤S1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型步骤S2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型步骤S3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型步骤S4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型步骤S5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型步骤S6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型步骤S7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
优选地,所述综合评价步骤包括:
综合评价步骤S1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价步骤S3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价步骤S4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价步骤S5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
与现有技术相比,本发明具有如下的有益效果:
1、本发明基于脑电信号与语义差分,能实现准确、客观的用户偏好预测,同时通过基于多准则决策算法将用户偏好与专家评价融合,能实现依据综合评价的排序,为解决产品评价问题提供了具有很大普适性的方案;
2、脑电信号与心理状态和偏好高度相关,且具有客观准确的特点,因此基于脑电信号的用户偏好预测相比传统的问卷调查法更加可靠;
3、用于用户偏好预测的深度学习网络融合了神经网络的优点和脑电信号的特点,能够实现脑电信号与用户刺激反馈之间的复杂且非线性的关联映射,相比于支持向量机、随机森林等传统机器学习方法有性能上的提升;
4、用户偏好与专家评价的融合能够充分发挥两种模式的优势和实现互补。单一的用户偏好预测容易产生误差,单一的专家评价容易引入主观性,两者的结果经过多准则决策算法进行融合后,相比于现有的单一模式的产品评价方法更加可靠。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一种基于脑电信号与语义差分问卷的产品设计评价方法的结构流程图;
图2为本发明中采用深度学习的用户偏好预测模型网络结构示意图;
图3为电极位置示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种产品设计评价***,包括:如图1所示,
脑电信号采集与放大模块:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析模块:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷模块:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型模块:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价模块:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
具体地,所述脑电信号处理分析模块包括:
脑电信号处理分析模块M1:对脑电信号采集与放大模块输出的原始脑电信号进行基于小波的去噪处理;
脑电信号处理分析模块M2:对去噪后的脑电信号进行低通滤波;
脑电信号处理分析模块M3:对低通滤波后的脑电信号采用高通滤波,得到高通滤波后的脑电信号;
脑电信号处理分析模块M4:对高通滤波后的脑电信号进行截窗划分获得脑电信号片段,脑电信号片段的标签为原脑电信号的对应刺激源方案标签。
具体地,所述产品涉及方案呈现与用户语义差分问卷模块包括:
产品涉及方案呈现与用户语义差分问卷模块M1:利用满足预设要求的方案呈现单元设备呈现刺激产品源设计方案;
产品涉及方案呈现与用户语义差分问卷模块M2:语义差分问卷的评价指标包括愉悦度和唤醒度;按照预设要求划分评价量级以及对应的分值;
产品涉及方案呈现与用户语义差分问卷模块M3:语义差分问卷反馈单元接收被试的评价指标分值,将分值与被试观察的产品图像对应,记录于文本文档中。
具体地,所述用户偏好分类模型模块包括:
用户偏好分类模型模块M1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型模块M2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型模块M3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型模块M4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型模块M5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型模块M6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型模块M7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
具体地,所述深度学习分类网络模型包括:卷积神经网络模块、长短时记忆网络模块和输出层;
所述卷积神经网络模块包括输入层、Reshape层、预设数量的卷积层、Dropout层、批量归一化层和Reshape层;
所述长短时记忆网络模块包括:预设层长短时记忆网络层,每层的隐藏层神经元数目为预设个;
所述输出层包括Flatten层和全连接层。
具体地,所述损失函数包括最小化交叉熵损失函数。
具体地,所述综合评价模块包括:
综合评价模块M1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价模块M3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价模块M4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价模块M5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
根据本发明提供的一种产品设计评价方法,包括:
脑电信号采集与放大步骤:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析步骤:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷步骤:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型步骤:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价步骤:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
具体地,所述脑电信号处理分析步骤包括:
脑电信号处理分析步骤S1:对脑电信号采集与放大模块输出的原始脑电信号进行基于小波的去噪处理;
脑电信号处理分析步骤S2:对去噪后的脑电信号进行低通滤波;
脑电信号处理分析步骤S3:对低通滤波后的脑电信号采用高通滤波,得到高通滤波后的脑电信号;
脑电信号处理分析步骤S4:对高通滤波后的脑电信号进行截窗划分获得脑电信号片段,脑电信号片段的标签为原脑电信号的对应刺激源方案标签。
具体地,所述产品涉及方案呈现与用户语义差分问卷步骤包括:
产品涉及方案呈现与用户语义差分问卷步骤S1:利用满足预设要求的方案呈现单元设备呈现刺激产品源设计方案;
产品涉及方案呈现与用户语义差分问卷步骤S2:语义差分问卷的评价指标包括愉悦度和唤醒度;按照预设要求划分评价量级以及对应的分值;
产品涉及方案呈现与用户语义差分问卷步骤S3:语义差分问卷反馈单元接收被试的评价指标分值,将分值与被试观察的产品图像对应,记录于文本文档中。
具体地,所述用户偏好分类模型步骤包括:
用户偏好分类模型步骤S1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型步骤S2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型步骤S3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型步骤S4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型步骤S5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型步骤S6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型步骤S7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
具体地,所述深度学习分类网络模型包括:卷积神经网络模块、长短时记忆网络模块和输出层;
所述卷积神经网络模块包括输入层、Reshape层、预设数量的卷积层、Dropout层、批量归一化层和Reshape层;
所述长短时记忆网络模块包括:预设层长短时记忆网络层,每层的隐藏层神经元数目为预设个;
所述输出层包括Flatten层和全连接层。
具体地,所述损失函数包括最小化交叉熵损失函数。
具体地,所述综合评价步骤包括:
综合评价步骤S1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价步骤S3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价步骤S4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价步骤S5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
实施例2
实施例2是实施例1的变化例
鉴于上述现有技术的不足,以及基于脑电信号的产品设计评价的巨大应用潜力,本发明采用深度学习方法实现基于脑电信号和语义差分方法的用户偏好分类,以及多准则决策方法VIKOR实现产品综合评价排序,使这种产品设计评价方法具有更高的客观性和可靠性。
本发明提供的一种基于脑电信号与语义差分问卷的产品设计评价方法,包括脑电信号采集与放大模块、脑电信号处理分析模块、产品设计方案呈现与用户语义差分问卷模块、用户偏好分类模型模块、综合评价模块。所述的脑电信号采集与放大模块从被试的大脑表面采集脑电信号,其经过脑电信号处理分析模块后,与产品设计方案呈现与用户语义差分问卷模块输出的用户激励反馈结合,通过用户偏好分类模型模块实现用户偏好预测,最后在综合评价模块中实现用户偏好与专家评价的融合,获得产品综合排序。
所述的脑电信号采集与放大模块,包括用于采集脑电信号的脑电极帽,用于脑电信号收集、放大与转换的集成放大单元,脑电极帽与集成放大单元的并口接线,控制脑电信号采集与传输过程的控制单元,控制单元与脑电信号处理分析模块的USB通信电路,为控制单元和脑电信号处理分析模块供电的供电单元。
所述的脑电信号采集与放大模块用于采集、放大和转换脑电信号,具体包括以下步骤:
步骤1:被试的脑电信号是采集自对应脑电极帽上AF3,AF4,F7,F8,T7,T8,P7,P8,FC5,FC6,F3,F4,O1,O2共14个电极的大脑表面区域,电极位置示意图见附图3。脑电极帽上的电极分布符合10-20国际标准导联。
步骤2:被试观察6种不同的汽车内饰设计方案图片,每一被试的方案呈现顺序随机。
步骤3:被试观察方案时,脑电信号采集与放大模块收集被试的脑电信号,以及时序脑电信号对应的刺激源设计方案编号
所述的脑电信号处理分析模块,具体包括以下步骤:
步骤1:对脑电信号采集与放大模块输出的原始脑电信号进行基于小波的去噪处理;
步骤2:对去噪后的脑电信号进行低通滤波
步骤3:对低通滤波后的脑电信号采用高通滤波
步骤4:对高通滤波后的脑电信号进行截窗划分获得脑电信号片段,脑电信号片段的标签为原脑电信号的对应刺激源方案标签。脑电信号片段及其对应方案标签为用户偏好分类模型模块的部分输入。
产品设计方案呈现与用户语义差分问卷模块(3)包括方案呈现单元与语义差分问卷反馈单元。其中,
所述的方案呈现单元的设备分辨率不低于1920*1080像素,显示的图像尺寸不小于260mm*310mm。
语义差分问卷的评价指标为愉悦度(valence)和唤醒度(arousal),评价量级包括:非常差,较差,中等,较好,非常好,依次对应分值1,3,5,7,9,以及介于两个量级之间的评价,分值2,4,6,8。
语义差分问卷反馈单元通过键盘接收被试的评价指标分值,将分值与被试观察的产品图像对应,记录于文本文档。每位被试的愉悦度语义差分反馈评价分值记为Vi={vi1,vi2…vin},其中i为被试编号,n为产品方案数目。唤醒度评价分值记为Ai={ai1,ai2…ain},
用户偏好分类模型模块将脑电信号处理分析模块输出的脑电信号和产品设计方案呈现与用户语义差分问卷模块输出的语义差分反馈评价作为数据集,训练基于深度学习的分类网络,实现测试集上的准确预测语义差分反馈,具体包括如下步骤:
脑电信号以时长1s的无重叠窗截为若干分段,脑电信号分段的对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价。
每位被试的语义差分反馈评价值通过归一化,使其取值范围为[-1,1]。
脑电信号处理分析模块输出脑电信号片段,每个脑电信号片段为c*l维矩阵,其中c为大脑表面采集电极数目,l为该片段采样帧数。l=T*fs,其中T为片段时长,fs为采样频率。将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达,转化后,某一帧的脑电信号矩阵形式为:
其中,AF3等符号表示该电极在某一帧的信号值。
脑电信号处理分析模块输出脑电信号片段的对应愉悦度标签,其片段对应的归一化愉悦度值大于0记为1,小于等于0记为0。对应唤醒度标签的计算同理。
采用深度学习的分类网络模型的输入为脑电信号片段和用户的刺激反馈中的数据集,模型结构依次为卷积神经网络模块,长短时记忆网络模块和输出层。如图2所示,所述的卷积神经网络模块包括依次连接的:
输入层,输入维度为b*l*6*6*1,其中b为bacth_size大小。
Reshape层,输出维度为(b*l)*6*6*1
第一个卷积层,卷积核大小为4*4,步长为1,卷积核数量为32,激活函数为ReLU函数
第二个卷积层,卷积核大小为4*4,步长为1,卷积核数量为64,激活函数为ReLU
第三个卷积层,卷积核大小为4*4,步长为1,卷积核数量为128,激活函数为ReLU
第四个卷积层,卷积核大小为1*1,步长为1,卷积核数量为13,激活函数为ReLUDropout层,p=0.1
批量归一化层
Reshape层,输出维度为b*13*l*36
所述的长短时记忆网络模块包括2层长短时记忆网络层,每层的隐藏层神经元数目为32。所述的输出层包括依次连接的:
Flatten层,将b*13*l*32维的输入转化为b*(13*l*32)维
全连接层,输出分类结果,标签数为2,分别对应愉悦度和唤醒度,激活函数为Softmax。
分类网络模型的损失函数为最小化交叉熵损失函数。将步骤(c)中的数据集按0.2的比例随机划分为训练集和测试集。
所述的综合评价模块通过多准则群决策方法VIKOR实现上述用户评价与专家评价的融合。用户评价为用户偏好分类模型模块输出的评价预测结果,专家评价为若干名专家通过讨论给出的对n个待评价方案在m个评价指标下的评价值。具体包括以下步骤:
确定m个评价指标的权重,以及对各个待评价设计方案的多维评价值。
计算Sj和Rj:
其中,Sj表示,Rj表示,m表示,wi表示,xij表示,下标i表示,下标j表示,
计算Qj:
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
根据Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
实施例3
实施例3是实施例1和/或实施例2的变化例
本发明提供了一种基于脑电信号和语义差分问卷的产品设计评价方法。该方法包括:脑电信号采集与放大模块、脑电信号处理分析模块、产品设计方案呈现与用户语义差分问卷模块、用户偏好分类模型模块、综合评价模块。
一种基于脑电信号和语义差分问卷的产品设计评价方法主要包括以下步骤:
步骤1:确定待评价的产品设计方案若干,以图片形式呈现并通过调整图像饱和度、目标比例和屏蔽产品周围场景,剔除光照等因素对产品设计方案的呈现图像效果的影响。
步骤2:搭建脑电信号采集实验平台、方案呈现平台和用户语义差分问卷反馈平台。脑电信号的集成放大器、控制单元、脑电帽、供电单元和脑电信号处理分析主机设备通过电缆连接。方案呈现平台、语义差分问卷反馈平台与脑电信号采集实验的控制单元通过电缆连接。
步骤3:打开供电单元,通过脑电信号处理分析软件控制脑电信号采集实验中的控制单元。在脑电信号处理分析软件中,打开控制单元连接,设置采集电极分布的位置和编号。设置完成后,开始检查电极阻抗。
步骤4:提前用棉签和酒精将电极帽擦洗干净后晾干,为被试戴好脑电帽,使CZ置于枕骨后凸和鼻梁最凹处连线正中间。在AF3,AF4,F7,F8,T7,T8,P7,P8,FC5,FC6,F3,F4,O1,O2共14个电极处注入导电膏,使其电极与被试头皮紧密接触。检查电极阻抗,使上述14个处的阻抗降低至5千欧以下。
步骤5:被试开始实验,首先出现刺激提示,然后产品设计方案图像将被呈现,被试观察图像并被记录脑电信号,在图像呈现完毕后给出语义差分问卷反馈结果。反馈完成后,被试经过一段时间休息,即进入下一实验循环。
步骤6:对采集到的原始脑电信号,在脑电信号处理分析模块中分别经过去噪、带通滤波和截窗划分。将一维的脑电信号分段通过时间帧转换为矩阵形式。对语义差分问卷反馈,将反馈分值归一化后,计算与矩阵形式的脑电信号分段数据对应的标签值。
步骤7:采用深度学习的分类网络模型,构建用户偏好预测模型,实现测试集上较为准确的用户偏好预测。
步骤8:通过专家讨论确定多个评价指标,指标权重,和各个待评价方案的多维评价值。采用多准则决策方法VIKOR确定产品设计方案的综合排序结果。
具体地,步骤2所述的脑电采集实验平台的控制单元与脑电信号处理分析主机设备连接后,安装相应的控制单元驱动程序,实现硬件控制与软件的同步。各个硬件设备包括主机设备均由供电单元供电,防止外部环境电压不稳的影响。方案呈现平台的设备分辨率不低于1920*1080像素,显示的图像尺寸不小于260mm*310mm。
具体地,步骤4所述的阻抗检查过程中,参考电极采用耳后电极,将两个参考电极用医用胶带固定于耳后,并注入适量导电膏,电极导线另一端接入脑电信号集成放大器。相应的在脑电信号处理分析软件中,选择两耳后电压均值作为参考。用平头针管向每个所用的电极内部注入不超过1ml的导电膏,防止电极之间导电膏的溢出。
具体地,步骤5所述的被试实验过程中,刺激提示为屏幕中央出现的某标识,持续时间为2-3s。产品设计方案图像作为刺激源,其呈现时间应小于60s。被试通过按键返回选择的语义量级,反馈平台将语义差分问卷的反馈结果以数字信号形式传入脑电信号处理分析软件***。各个设计方案的刺激源按随机次序呈现。
具体地,原始脑电信号首先采用基于独立成分分析ICA算法的去噪处理,先后经过0.5Hz的高通滤波和40Hz的低通滤波,以1s长度的截窗划分为脑电信号片段。对于刺激呈现时间低于10s的情况,可适当缩短片段划分所用的截窗长度。
具体地,构建用户偏好预测模型所用的深度学习网络的模型结构依次为卷积神经网络模块,长短时记忆网络模块和输出层。将步骤6获得的脑电信号与用户偏好数据集以0.2的比例随机划分为训练集和测试集。训练采用Adam优化器,对模型中的可训练参数进行优化。采用自适应学习率,默认为0.0001,当验证集上准确率低于85%时,仍取默认学习率;当验证集上准确率为85%~90%时,学习率为0.00005;当验证集上准确率高于90%时,学习率为0.00002。
具体地,专家评价中,评价指标包括效益性指标和成本性指标。效益性指标的评价值越高,方案的优越性越强;成本性指标的评价值越高,则方案的优越性越低。多准则决策方法VIKOR中,Qj的意义为方案j能产生的利益比率,v为决策机制系数,在综合评价模块中v取0.5。
具体地,通过上述步骤及要求,可通过被试的脑电信号采集、语义差分反馈实验和专家评价,获得待评价设计方案的综合排序以及综合条件最为理想的设计方案,可有效降低设计评价活动的主观性、模糊性,使评价结果和方案选择决策更科学、更可靠。
实施例4
实施例4是实施例1、实施例2和/或实施例3的变化例
下面结合具体实施例对本发明做进一步说明。以下实施例将有助于阐述和其他人员理解本发明,并非用于限定本发明的范围。应当指出的是,在不脱离本发明构思框架的前提下所做的一些变化和改进,均属于本发明的保护范围。
对于6款汽车内饰仪表盘设计方案的图像,统一调整图像饱和度、屏蔽仪表盘显示器内容、车窗外环境等干扰后,作为脑电信号采集与语义差分实验的刺激源。
将洗净、消毒并晾干后的脑电帽通过并口电缆与脑电信号集成放大单元连接,集成放大单元与配套的脑电帽为64导配置,脑电帽上相应位置电极根据国际10-20标准标注有电极名称。
脑电帽佩戴于被试头部,使CZ置于枕骨后凸和鼻梁最凹处连线正中间。以两耳耳后电位作为参考,并在14个对应电极处注入适量导电膏,使电极与被试头皮紧密接触。
将脑电帽、集成放大模块、控制单元、供电单元与脑电信号处理分析主机等硬件连接后,在脑电信号处理分析软件中打开控制单元连接,实现硬件与软件的同步控制。用户语义差分问卷反馈平台采用刺激呈现软件,以随机顺序呈现6种设计方案,通过键盘记录每次刺激呈现后的用户语义差分问卷反馈,将反馈值以数字信号形式通过25针并口传入脑电信号处理分析软件。
检查14个相应电极的阻抗,使其降低至5千欧以下,设置脑电信号采用频率为128Hz。
被试实验开始,每个设计方案的刺激呈现时间为40s,被试给出反馈评价后的休息时间为15s。语义差分问卷包括对设计方案的愉悦性和唤醒度的评价,采用7级量表。
将原始脑电信号经过基于ICA的去噪、0.5Hz-40Hz的带通滤波后,以长度1s截窗划分为脑电信号片段,并转换为二维矩阵形式。脑电信号数据的维度为128*6*6*1。将语义差分反馈通过归一化处理为值为0、1的二分类标签,用户偏好数据的标签为2。
搭建基于深度学习的用户偏好预测模型,batch_size值为40,采用的自适应学习率默认值为0.0001。使用tensorflow框架实现深度学习模型的搭建。以0.2的比例将数据集随机划分为训练集和测试集。损失函数为最小交叉熵损失函数,使用Adam优化器进行训练。
专家评价采用的指标包括便利性、空间利用率、风格一致性和安全性。结合用户偏好预测输出的愉悦度和唤醒度两个指标,对上述共6个指标确定权重系数。专家讨论后给出多维评价结果为6*6矩阵,采用多准则决策方法VIKOR,根据计算的Qj值进行方案排序。
通过上述步骤及要求,用户偏好预测模型经过40个epoch训练后的被试语义差分问卷反馈的测试准确率达到94.69%。结合专家评价,得到待评价设计方案的综合排序及最优的设计方案。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种产品设计评价***,其特征在于,包括:
脑电信号采集与放大模块:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析模块:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷模块:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型模块:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价模块:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
2.根据权利要求1所述的产品设计评价***,其特征在于,所述脑电信号处理分析模块包括:
脑电信号处理分析模块M1:对脑电信号采集与放大模块输出的原始脑电信号进行基于小波的去噪处理;
脑电信号处理分析模块M2:对去噪后的脑电信号进行低通滤波;
脑电信号处理分析模块M3:对低通滤波后的脑电信号采用高通滤波,得到高通滤波后的脑电信号;
脑电信号处理分析模块M4:对高通滤波后的脑电信号进行截窗划分获得脑电信号片段,脑电信号片段的标签为原脑电信号的对应刺激源方案标签。
3.根据权利要求1所述的产品设计评价***,其特征在于,所述产品涉及方案呈现与用户语义差分问卷模块包括:
产品涉及方案呈现与用户语义差分问卷模块M1:利用满足预设要求的方案呈现单元设备呈现刺激产品源设计方案;
产品涉及方案呈现与用户语义差分问卷模块M2:语义差分问卷的评价指标包括愉悦度和唤醒度;按照预设要求划分评价量级以及对应的分值;
产品涉及方案呈现与用户语义差分问卷模块M3:语义差分问卷反馈单元接收被试的评价指标分值,将分值与被试观察的产品图像对应,记录于文本文档中。
4.根据权利要求1所述的产品设计评价***,其特征在于,所述用户偏好分类模型模块包括:
用户偏好分类模型模块M1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型模块M2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型模块M3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型模块M4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型模块M5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型模块M6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型模块M7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
5.根据权利要求4所述的产品设计评价***,其特征在于,所述深度学习分类网络模型包括:卷积神经网络模块、长短时记忆网络模块和输出层;
所述卷积神经网络模块包括输入层、Reshape层、预设数量的卷积层、Dropout层、批量归一化层和Reshape层;
所述长短时记忆网络模块包括:预设层长短时记忆网络层,每层的隐藏层神经元数目为预设个;
所述输出层包括Flatten层和全连接层。
6.根据权利要求4所述的产品设计评价***,其特征在于,所述损失函数包括最小化交叉熵损失函数。
7.根据权利要求1所述的产品设计评价***,其特征在于,所述综合评价模块包括:
综合评价模块M1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价模块M3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价模块M4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价模块M5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
8.一种产品设计评价方法,其特征在于,包括:
脑电信号采集与放大步骤:观察刺激产品源设计方案时,从被试者的大脑表面采集EEG信号,对采集到的EEG信号进行信号放大处理,并将采集到的脑电信号与刺激源设计方案编号进行对应;
脑电信号处理分析步骤:对放大后的脑电信号进行去噪声和特征提取处理,得到脑电信号片段;
产品涉及方案呈现与用户语义差分问卷步骤:按照预设流程和规范依次呈现产品设计方案,并根据语义差分法统计用户的刺激反馈;
用户偏好分类模型步骤:基于脑电信号片段和用户的刺激反馈生成标签数据集,利用标签数据集对深度学习网络进行训练,得到训练后的深度学习网络,通过训练后的深度学习网络将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测;
综合评价步骤:基于脑电信号与语义差分的用户偏好预测和专家多指标评价,通过多准则决策算法VIKOR获得各产品设计方案的综合评价排序。
9.根据权利要求8所述的产品设计评价方法,其特征在于,所述用户偏好分类模型步骤包括:
用户偏好分类模型步骤S1:将脑电信号片段基于预设时长的无重叠窗截为若干分段,脑电信号分段对应的语义差分反馈评价取为分段前脑电信号的语义差分反馈评价;
用户偏好分类模型步骤S2:每位被试者的语义差分反馈评价值进行归一化处理;
用户偏好分类模型步骤S3:每个脑电信号片段为c*l维矩阵,其中,c表示大脑表面采集电极数目;l表示当前片段采样帧数;l=T*fs,其中,T表示片段时长;fs表示采样频率;将一维的脑电信号片段按采集电极的空间分布转化为矩阵形式表达;
用户偏好分类模型步骤S4:脑电信号处理分析模块输出的脑电信号片段对应的是愉悦度标签,当当前脑电信号片段对应的归一化愉悦度值大于0时,则记为1,表示高愉悦度;当前脑电信号片段对应的归一化愉悦度值小于等于0时,则记为0,表示低愉悦度;
用户偏好分类模型步骤S5:脑电信号处理分析模块输出的脑电信号片段对应的是唤醒度标签,当当前脑电信号片段对应的归一化唤醒度值大于0时,则记为1,表示高唤醒度;当前脑电信号片段对应的归一化唤醒度值小于等于0时,则记为0,表示低唤醒度;
用户偏好分类模型步骤S6:将转化为矩阵形式的脑电信号片段和脑电信号对应的唤醒度和愉悦度标签输入深度学习分类网络模型进行训练,直至损失函数收敛,训练结束,得到训练后的深度学习分类网络模型;
用户偏好分类模型步骤S7:利用训练后的深度学习分类网络模型将脑电信号片段与用户的刺激反馈进行关联映射,实现基于脑电信号与语义差分的用户偏好预测。
10.根据权利要求8所述的产品设计评价方法,其特征在于,所述综合评价步骤包括:
综合评价步骤S1:预设m个评价指标的权重,以及对各个待评价涉及方案的多维评价值;
综合评价步骤S3:基于评价指标的数量、评价指标的权重以及每个评价指标的正理想解和负理想解,计算Sj和Rj;
综合评价步骤S4:基于Sj和Rj,计算产品设计方案的综合评价Qj;
Qj=v(Sj-S*)(S--S*)+(1-v)(Rj-R*)(R--R*)
综合评价步骤S5:根据产品设计方案的综合评价Qj对各待评价方案进行从小至大的排序,作为综合排序结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292257.9A CN113509190A (zh) | 2021-03-18 | 2021-03-18 | 一种产品设计评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292257.9A CN113509190A (zh) | 2021-03-18 | 2021-03-18 | 一种产品设计评价方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113509190A true CN113509190A (zh) | 2021-10-19 |
Family
ID=78061776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292257.9A Pending CN113509190A (zh) | 2021-03-18 | 2021-03-18 | 一种产品设计评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113509190A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740984A (zh) * | 2016-02-01 | 2016-07-06 | 北京理工大学 | 一种基于性能预测的产品概念性能评价方法 |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析*** |
CN109009096A (zh) * | 2018-07-17 | 2018-12-18 | 泉州装备制造研究所 | 一种对影视作品在线客观评价的***及方法 |
CN109271894A (zh) * | 2018-08-31 | 2019-01-25 | 浙江大学城市学院 | 一种基于脑电信号和模糊推理的产品意象识别方法 |
US20200085369A1 (en) * | 2016-08-05 | 2020-03-19 | The Regents Of The University Of Colordo, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
CN111134692A (zh) * | 2019-11-15 | 2020-05-12 | 北方工业大学 | 一种脑电信号多维度特征图片序列的生成方法 |
CN111563652A (zh) * | 2020-03-31 | 2020-08-21 | 国网山东省电力公司经济技术研究院 | 一种评价电网企业综合计划执行情况的方法 |
CN111616721A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于深度学习和脑机接口的情绪识别***及应用 |
CN111616681A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于便携式脑电采集设备和深度学习的麻醉状态监测*** |
CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 |
CN112353404A (zh) * | 2020-09-30 | 2021-02-12 | 宁波大学 | 一种汽车造型设计创新度脑电评测方法 |
CN112353391A (zh) * | 2020-10-22 | 2021-02-12 | 武汉理工大学 | 一种基于脑电信号的汽车车内声音品质识别方法及装置 |
-
2021
- 2021-03-18 CN CN202110292257.9A patent/CN113509190A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740984A (zh) * | 2016-02-01 | 2016-07-06 | 北京理工大学 | 一种基于性能预测的产品概念性能评价方法 |
US20200085369A1 (en) * | 2016-08-05 | 2020-03-19 | The Regents Of The University Of Colordo, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析*** |
CN109009096A (zh) * | 2018-07-17 | 2018-12-18 | 泉州装备制造研究所 | 一种对影视作品在线客观评价的***及方法 |
CN109271894A (zh) * | 2018-08-31 | 2019-01-25 | 浙江大学城市学院 | 一种基于脑电信号和模糊推理的产品意象识别方法 |
CN111134692A (zh) * | 2019-11-15 | 2020-05-12 | 北方工业大学 | 一种脑电信号多维度特征图片序列的生成方法 |
CN111563652A (zh) * | 2020-03-31 | 2020-08-21 | 国网山东省电力公司经济技术研究院 | 一种评价电网企业综合计划执行情况的方法 |
CN111616721A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于深度学习和脑机接口的情绪识别***及应用 |
CN111616681A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于便携式脑电采集设备和深度学习的麻醉状态监测*** |
CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 |
CN112353404A (zh) * | 2020-09-30 | 2021-02-12 | 宁波大学 | 一种汽车造型设计创新度脑电评测方法 |
CN112353391A (zh) * | 2020-10-22 | 2021-02-12 | 武汉理工大学 | 一种基于脑电信号的汽车车内声音品质识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446635B (zh) | 一种利用脑电信号辅助偏好获取协同过滤推荐***及方法 | |
CN112932502B (zh) | 结合互信息通道选择与混合神经网络的脑电情感识别方法 | |
CN114224342B (zh) | 一种基于时空融合特征网络的多通道脑电信号情绪识别方法 | |
RU2708807C2 (ru) | Алгоритм комплексного дистанционного бесконтактного мультиканального анализа психоэмоционального и физиологического состояния объекта по аудио- и видеоконтенту | |
KR102105002B1 (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
CN106073706A (zh) | 一种面向简易精神状态量表的个性化信息和音频数据分析方法及*** | |
Li et al. | A novel method for the evaluation of fashion product design based on data mining | |
An et al. | Electroencephalogram emotion recognition based on 3D feature fusion and convolutional autoencoder | |
CN116072265B (zh) | 基于时间自注意力与动态图卷积的睡眠分期分析***及方法 | |
Wang et al. | Maximum weight multi-modal information fusion algorithm of electroencephalographs and face images for emotion recognition | |
CN112932501B (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
CN114004253A (zh) | 一种基于脑间互动性的信息流估计方法及*** | |
Tian et al. | ResNet-50 based technique for EEG image characterization due to varying environmental stimuli | |
Yang et al. | Research on the construction method of kansei image prediction model based on cognition of EEG and ET | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
CN117612710A (zh) | 一种基于脑电信号和人工智能分类的医疗诊断辅助*** | |
CN117883082A (zh) | 一种异常情绪识别方法、***、设备及介质 | |
CN114145744A (zh) | 基于跨设备前额脑电情绪识别的方法和*** | |
CN113576498A (zh) | 基于脑电信号的视听觉美学评价方法及*** | |
Wu et al. | Research on removal algorithm of EOG artifacts in single-channel EEG signals based on CEEMDAN-BD | |
CN113128353A (zh) | 面向自然人机交互的情绪感知方法及其*** | |
CN117407748A (zh) | 基于图卷积和融合注意力的脑电情绪识别方法 | |
CN110675953A (zh) | 利用人工智能和大数据筛查识别精神病患者的方法 | |
CN115022617B (zh) | 基于脑电信号和时空多尺度联合网络的视频质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |
|
RJ01 | Rejection of invention patent application after publication |