EEG + 神经网络：产品隐性设计偏好预测研究

传统产品设计评价多采用问卷、专家打分、Kano模型、QFD等方式，仅能获取用户显性偏好，难以捕捉潜意识里的隐性喜好，主观偏差突出。文本挖掘、自然语言处理等技术也无法核验用户真实心理状态。

脑电技术（EEG）具备毫秒级超高时间分辨率，可实时捕捉用户观看产品时的大脑本能情绪反应，有效弥补传统评价手段短板。浙江工业大学研究团队将EEG作为核心数据，结合BP神经网络构建偏好预测模型，以叉车为实验载体完成全流程验证，为产品概念评价提供了技术思路。

浙江工业大学机械工程学院与工业设计研究院联合在《Advanced Engineering Inｆormatics》发表“Data-driven implicit design preference prediction model for product concept evaluation via BP neural network and EEG”。研究依托EEG脑电信号量化用户隐性设计偏好，搭配BP神经网络搭建预测模型，完成多款叉车产品的概念评估与偏好预测。

文章信息

本研究整体分为三大核心阶段，完整研究框架见下图。

图1 隐性偏好预测的产品概念评价框架

阶段：方案与特征预处理

收集叉车设计方案，通过聚类分析、多维尺度分析筛选代表性方案；结合问卷与主成分分析筛选设计偏好词对；采用最劣法（BWM）计算产品设计特征权重，规避人工赋值带来的主观误差。

第二阶段：EEG实验与隐性偏好量化

1. 实验配置

采用64通道脑电设备与E-prime 2.0实验软件，选取29款叉车作为视觉刺激素材，15名具备专业背景的受试者参与测试。每套方案重复测试5次，单人全程实验时长约30分钟。

图2 目标刺激下的脑电数据采集实验

2. 信号预处理

对原始脑电信号依次完成基线校正、叠加平均、0.5-40Hz带通滤波、独立成分分析（ICA），剔除环境、眼动等干扰噪声。

3. 脑电特征与偏好划分

重点分析350-550ms时间窗内的N400脑电成分，提取多项时域特征。经方差检验证实，大脑中央-颞区、顶枕区、枕区的脑电活动与用户偏好显著相关。利用K-means算法将用户态度划分为正面、中性、负面三类，不同偏好对应的脑电活动差异可在脑地形图中直观体现。

图3 不同脑区下设计偏好诱发的脑地形图

第三阶段：BP神经网络建模

将融合权重的设计方案编码设为模型输入，结合主观评分与EEG聚类得到的情感标签作为输出；网络设置5个隐藏单元，采用L-M优化算法，迭代5000次开展模型训练，误差阈值设定为0.0001。

案例研究

本次研究以叉车为实际案例，从31款设计方案中筛选出6款代表方案，完成偏好词筛选、特征赋权与EEG全实验，通过对照测试、样本检验、产业核验多重方式验证模型效果。

图4 基于不同 DC（直流 / 设计参数）的叉车设计方案库

1. EEG数据对照实验

保留EEG情感数据时，模型均方误差 MSE=0.13115；

移除EEG数据、仅使用传统主观评分后，模型均方误差 MSE=0.6757。

剔除脑电数据后模型误差扩大5倍以上，充分证明EEG是保障预测精度的核心数据，并非辅助手段。

图5 各BP神经网络的训练过程曲线

图6 移除脑电数据后的BP神经网络训练过程曲线

2. 内部样本测试

选取未参与训练的叉车方案CS31作为测试样本，模型预测结果与真实数据的均方误差仅为0.011，各评价维度预测值与实际值高度吻合，精度满足工业落地要求。

图7 基于训练好的BP神经网络的方案偏好预测与对比

一、研究结论

1. 利用EEG的N400脑电成分，可客观、量化用户隐性设计偏好，突破传统调研方式主观性强的弊端，将抽象的心理活动转化为可计算的量化数据；

2. 对照实验数据证明，EEG数据能够有效过滤主观评价中的噪声，是预测模型不可或缺的核心组成部分；

3. BP神经网络可有效拟合产品设计特征与用户隐性偏好的非线性关系，模型误差低、泛化能力强，能够在产品概念阶段快速完成方案筛选，降低企业研发试错成本；

4. 本研究形成一套标准化实验与建模范式，可迁移应用到各类工业、消费产品的设计评价工作中。

二、研究不足与未来方向

1. 本次实验统一使用单色产品素材，未探究色彩对用户偏好的影响；实验受试者群体较为单一，后续可扩大样本范围提升模型通用性；

2. 目前仅采用N400单一脑电指标，未来可融合P300、眼动等多模态生理信号，丰富评价维度；

3. 可尝试LSTM、Transｆormer等深度学习算法，进一步优化模型预测性能。

原文信息链接

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.

https://doi.org/10.1016/j.aei.2023.102213

作者及团队介绍

作者Liting Jing来自浙江工业大学机械工程学院，主要研究智能设计、脑机接口与用户体验交叉领域。其余成员分别任职于浙江工业大学机械工程学院、工业设计研究院，通讯作者为ShaoFei Jiang教授、ChunFu LU教授。该团队长期于将神经科学技术融入产品设计，推动前沿技术落地应用。

关于维拓启创

相关产品