一種應用於產品概念設計的需求模型構建方法與流程
2023-10-28 13:52:53
本發明涉及了一種應用於產品概念設計的需求模型構建方法，尤其是涉及了利用腦電信號進行產品概念設計領域，通過該方法建立的需求模型，將用戶的情緒狀態和腦電信號關聯起來，從而可以利用需求模型檢測腦電信號所對應的情緒狀態。
背景技術：
：產品概念設計在現代化生產中扮演著相當重要的角色，傳統的產品概念設計方法已經不能滿足商業需求，在人工智慧，大數據等技術的推動下，產品概念設計將朝著智能化的方向發展。針對產品概念設計過程中的用戶情緒狀態檢測等問題，目前使用問卷調查的方式任然很普遍，但是這種根據客戶滿意度或不滿意度的問卷進行分類的方法仍然過於主觀，並且沒有考慮心理和情緒的不確定性。在用戶情緒狀態的檢測中引入卡諾模型是近幾年來興起的方法，但是這實質上任然是一種問卷形式，沒有實現產品概念設計的智能化。而腦電信號該領域中應用廣泛，各種智能分類與聚類算法也發展迅速。另外，傳統的卡諾模型在設計時，要求被調查者在備選項裡給出確定性答案，忽略了由顧客心理複雜多變而造成的不確定性。技術實現要素：為了解決產品概念設計過程中的用戶情緒狀態檢測的問題，本發明提供一種應用於產品概念設計的需求模型構建方法，利用該方法可以構建腦電信號、用戶情緒狀態之間的需求模型，從而實現情緒狀態的檢測。本發明採用以下技術方案，包括以下步驟：步驟1：受試者佩戴電極帽後，在受試者面前呈現具有質量特性的聽視覺刺激，在刺激呈現期間連續記錄腦電圖，獲得eeg數據；eeg數據指的是腦電信號數據，質量特性為刺激呈現對象的性能和屬性。步驟2：數據預處理：根據刺激中的質量特性對eeg數據進行分割，用數字濾波器對eeg數據進行濾波；步驟3：特徵提取：計算每個eeg段的功率的數值；步驟4：利用模糊卡諾模型對質量特性進行分類，並根據質量特性的分類結果對所有eeg段劃分目錄；步驟5：採用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建，得到產品概念設計過程中腦電信號對應的不同情感狀態。所述步驟2中根據刺激中的質量特性對eeg數據進行分割具體是指根據質量特性對應的刺激所呈現的時間段對eeg數據進行時間上的分割，分為各個不同時間段的eeg段。所述步驟3具體是採用以下公式計算功率的數值：其中，px(n)即為腦電信號片段的功率數值，n表示所獲得的eeg片段的採樣點總數，n為採樣點的序數，x(n)為所獲得的信號片段在序號為n的採樣點處的信號的數值大小，|x(n)|表示該採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量特性進行分類分為魅力質量要素a、一維質量要素o、必備質量要素m、漠然質量要素i和逆向質量要素r五類，將同一質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，不同的功率與不同目錄對應。所述的數字濾波器採用30hz的低通數字濾波器。所述步驟5中採用訓練的k-近鄰(knn)算法對各種質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小於預設值maxdist，則將該樣本腦電信號eeg段作為k-最近鄰樣本。5)重複步驟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)統計k個最近鄰的訓練樣本腦電信號eeg段中每個質量特性各個類別出現的次數，選擇出現頻率最大的質量特性的類別作為待測樣本的腦電信號eeg段的分類。本發明將腦電信號結合模糊卡諾模型運用於產品概念設計中的情緒狀態檢測，從而建立腦電信號及情緒狀態之間的需求模型，將用戶的情緒狀態和腦電信號關聯起來，從而可以利用構建的需求模型檢測腦電信號對應的情緒狀態。本發明的有益效果是：本發明將腦電信號結合模糊卡諾模型運用於產品概念設計的情緒狀態檢測中，可以建立問卷與腦電信號相對應的需求模型，之後可以通過內源性神經指示器有效解決了產品概念設計中的情緒狀態檢測的問題。附圖說明圖1為本方法的流程圖。圖2為實施例的必備質量要素對應的腦電信號。圖3為實施例的液壓機承載能力的分類結果具體實施方式下面結合附圖和實施例對本發明作進一步說明。本發明的實施例及其實施工作過程是：實施例將壓力機的承載能力需求分析作為案例，來說明本發明，僅僅考慮較為重要的魅力質量要素、一維質量要素和必備質量要素。步驟1：將實驗介紹給每個受試者，提示受試者關注刺激，並且儘可能少地移動。幫助受試者佩戴電極帽，並且眼睛睜開休息三分鐘後開始實驗。在每個受試者面前呈現具有不同質量特性類別的圖片，在刺激呈現期間連續記錄腦電圖，獲得eeg數據。壓力機的質量特性如下，有些圖片是呈現的具有良好的承載能力的壓力機，有些圖片是呈現的不具有良好的承載能力的壓力機。表1液壓機的質量特性振動性能可維護性加速性能故障率安全性能報警裝置能源消耗價格產品生命周期承載能力步驟2：數據預處理：實施例先在刺激存在之前200ms和之後800ms處分段。根據質量特性對應的刺激所呈現的時間段對eeg數據進行時間上的分割，分為各個不同時間段的eeg段，並且用30hz的低通數字濾波器對eeg數據進行濾波；必備質量要素對應的腦電信號如圖2所示。步驟3：特徵提取：計算每個eeg段的功率的數值；步驟4：利用模糊卡諾模型對質量特性進行分類，並根據質量特性的分類結果對所有eeg段劃分目錄；步驟4具體為：利用卡諾模型對每一質量特性進行分類分為魅力質量要素a、一維質量要素o、必備質量要素m、漠然質量要素i和逆向質量要素r五類，將同一質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，不同的功率與不同目錄對應。步驟5：採用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，完成腦電信號的信息物理模型構建。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小於預設值maxdist，則將該樣本腦電信號eeg段作為k-最近鄰樣本。5)重複步驟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)統計k個最近鄰的訓練樣本腦電信號eeg段中每個質量特性各個類別出現的次數，選擇出現頻率最大的質量特性的類別作為待測樣本的腦電信號eeg段的分類。在本例中，來自20名受試者(10名男性和10名女性，平均年齡23)參與了本研究。實驗後，他們被要求完成模糊卡諾的測試，目的是將質量特徵分類到不同的類別。魅力質量要素、一維質量要素和必備質量要素被證明是有吸引力的質量特性。因此本研究僅集中在這三個主要類別的eeg段。採用本發明的方法構建的需求模型進行情緒狀態檢測後，得到的平均分類準確率為75％。因為eeg信號由不同類別的質量特性所誘發，所以實現了對質量特性類別的有效分類。由此可見，將腦電信號結合模糊卡諾模型運用於產品概念設計的情緒狀態檢測中，可以建立問卷與腦電信號相對應的需求模型，之後可以通過內源性神經指示器而不是問捲來顯示後來的客戶對特定質量特性的情緒狀態，有效解決了產品概念設計中的情緒狀態自動檢測的問題。當前第1頁12