[發(fā)明專利]一種應用于產(chǎn)品概念設(shè)計的需求模型構(gòu)建方法

在審

• 申請?zhí)枺?/td>: 201710135799.9
• 申請日: 2017-03-08
• 公開（公告）號: CN107016345A
• 公開（公告）日: 2017-08-04
• 發(fā)明（設(shè)計）人: 馮毅雄;婁山河;高一聰;李塘
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;A61B5/0476;A61B5/048
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 林超

技術(shù)領(lǐng)域

本發(fā)明涉及了一種應用于產(chǎn)品概念設(shè)計的需求模型構(gòu)建方法，尤其是涉及了利用腦電信號進行產(chǎn)品概念設(shè)計領(lǐng)域，通過該方法建立的需求模型，將用戶的情緒狀態(tài)和腦電信號關(guān)聯(lián)起來，從而可以利用需求模型檢測腦電信號所對應的情緒狀態(tài)。

背景技術(shù)

產(chǎn)品概念設(shè)計在現(xiàn)代化生產(chǎn)中扮演著相當重要的角色，傳統(tǒng)的產(chǎn)品概念設(shè)計方法已經(jīng)不能滿足商業(yè)需求，在人工智能，大數(shù)據(jù)等技術(shù)的推動下，產(chǎn)品概念設(shè)計將朝著智能化的方向發(fā)展。

針對產(chǎn)品概念設(shè)計過程中的用戶情緒狀態(tài)檢測等問題，目前使用問卷調(diào)查的方式任然很普遍，但是這種根據(jù)客戶滿意度或不滿意度的問卷進行分類的方法仍然過于主觀，并且沒有考慮心理和情緒的不確定性。在用戶情緒狀態(tài)的檢測中引入卡諾模型是近幾年來興起的方法，但是這實質(zhì)上任然是一種問卷形式，沒有實現(xiàn)產(chǎn)品概念設(shè)計的智能化。而腦電信號該領(lǐng)域中應用廣泛，各種智能分類與聚類算法也發(fā)展迅速。另外，傳統(tǒng)的卡諾模型在設(shè)計時，要求被調(diào)查者在備選項里給出確定性答案，忽略了由顧客心理復雜多變而造成的不確定性。

發(fā)明內(nèi)容

為了解決產(chǎn)品概念設(shè)計過程中的用戶情緒狀態(tài)檢測的問題，本發(fā)明提供一種應用于產(chǎn)品概念設(shè)計的需求模型構(gòu)建方法，利用該方法可以構(gòu)建腦電信號、用戶情緒狀態(tài)之間的需求模型，從而實現(xiàn)情緒狀態(tài)的檢測。

本發(fā)明采用以下技術(shù)方案，包括以下步驟：

步驟1：受試者佩戴電極帽后，在受試者面前呈現(xiàn)具有質(zhì)量特性的聽視覺刺激，在刺激呈現(xiàn)期間連續(xù)記錄腦電圖，獲得EEG數(shù)據(jù)；

EEG數(shù)據(jù)指的是腦電信號數(shù)據(jù)，質(zhì)量特性為刺激呈現(xiàn)對象的性能和屬性。

步驟2：數(shù)據(jù)預處理：根據(jù)刺激中的質(zhì)量特性對EEG數(shù)據(jù)進行分割，用數(shù)字濾波器對EEG數(shù)據(jù)進行濾波；

步驟3：特征提?。河嬎忝總€EEG段的功率的數(shù)值；

步驟4：利用模糊卡諾模型對質(zhì)量特性進行分類，并根據(jù)質(zhì)量特性的分類結(jié)果對所有EEG段劃分目錄；

步驟5：采用K-近鄰(KNN)算法，以各個不同目錄的功率作為算法輸入進行訓練得到模型，完成腦電信號的需求模型構(gòu)建，得到產(chǎn)品概念設(shè)計過程中腦電信號對應的不同情感狀態(tài)。

所述步驟2中根據(jù)刺激中的質(zhì)量特性對EEG數(shù)據(jù)進行分割具體是指根據(jù)質(zhì)量特性對應的刺激所呈現(xiàn)的時間段對EEG數(shù)據(jù)進行時間上的分割，分為各個不同時間段的EEG段。

所述步驟3具體是采用以下公式計算功率的數(shù)值：

其中，P_X(n)即為腦電信號片段的功率數(shù)值，N表示所獲得的EEG片段的采樣點總數(shù)，n為采樣點的序數(shù)，X(n)為所獲得的信號片段在序號為n的采樣點處的信號的數(shù)值大小，|X(n)|表示該采樣點處信號的絕對值。

所述步驟4具體為：利用卡諾模型對每一質(zhì)量特性進行分類分為魅力質(zhì)量要素A、一維質(zhì)量要素O、必備質(zhì)量要素M、漠然質(zhì)量要素I和逆向質(zhì)量要素R五類，將同一質(zhì)量特性且同一種類別的EEG段歸為同一目錄中，由此將所有EEG段分為不同的目錄。同一目錄的功率為該目錄中的所有EEG段的功率的平均值。

同一目錄的功率為該目錄中的所有EEG段的功率的平均值。EEG段的功率表示受試者的客戶情感狀態(tài)，不同的功率與不同目錄對應。

所述的數(shù)字濾波器采用30Hz的低通數(shù)字濾波器。

所述步驟5中采用訓練的K-近鄰(KNN)算法對各種質(zhì)量特性進行分類的過程如下：

1)初始化距離為最大值，以腦電信號的EEG段作為樣本，

2)計算待測樣本的腦電信號EEG段和每個訓練樣本腦電信號EEG段之間的距離dist。

3)得到目前K個最近鄰樣本中的最大距離maxdist。

4)如果dist小于預設(shè)值maxdist，則將該樣本腦電信號EEG段作為K-最近鄰樣本。

5)重復步驟2～步驟4，直到待測樣本的腦電信號EEG段和所有訓練樣本腦電信號EEG段的距離都進行計算。

6)統(tǒng)計K個最近鄰的訓練樣本腦電信號EEG段中每個質(zhì)量特性各個類別出現(xiàn)的次數(shù)，選擇出現(xiàn)頻率最大的質(zhì)量特性的類別作為待測樣本的腦電信號EEG段的分類。

本發(fā)明將腦電信號結(jié)合模糊卡諾模型運用于產(chǎn)品概念設(shè)計中的情緒狀態(tài)檢測，從而建立腦電信號及情緒狀態(tài)之間的需求模型，將用戶的情緒狀態(tài)和腦電信號關(guān)聯(lián)起來，從而可以利用構(gòu)建的需求模型檢測腦電信號對應的情緒狀態(tài)。

本發(fā)明的有益效果是：