基于感性意象和BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品CMF決策模型研究

孫利，張碩，覃忠志，吳儉濤，李江南，李滿坡

基于感性意象和BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品CMF決策模型研究

孫利，張碩，覃忠志，吳儉濤，李江南，李滿坡

（燕山大學(xué)，河北 秦皇島 066004）

為實現(xiàn)特定感性意象下的產(chǎn)品CMF精準(zhǔn)選定與量化，結(jié)合BP神經(jīng)網(wǎng)絡(luò)和線性回歸提出一種產(chǎn)品CMF決策模型。通過文本挖掘形式確定用戶感性意象，根據(jù)HSV色彩模型與選定的康復(fù)輔具的材質(zhì)與工藝構(gòu)建CMF要素空間，并基于設(shè)計要素空間形成海量CMF方案，同時根據(jù)選定感性意象對方案加以評價，獲得感性意象與CMF單一設(shè)計要素的定性映射關(guān)系。將CMF方案編碼后與感性意象評價值結(jié)合，并通過BP神經(jīng)網(wǎng)絡(luò)以定量方式構(gòu)建CMF決策模型，篩選出最優(yōu)色彩區(qū)間、材質(zhì)及工藝。對選中色彩區(qū)間再次細(xì)分出設(shè)計方案并進(jìn)行評價，通過線性回歸得到色彩回歸方程，從而構(gòu)建產(chǎn)品CMF的綜合決策模型。以膝關(guān)節(jié)支具為例進(jìn)行實例研究，通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的一階CMF決策模型預(yù)測值與期望值的均方誤差為0.038 13，且預(yù)測結(jié)果與定性映射關(guān)系基本一致，表明該階模型可信度較高且精度良好。利用線性回歸構(gòu)建的二階決策模型值小于0.01，表明、、的數(shù)值與感性意象評價值具有顯著相關(guān)性，證明了該CMF決策模型的可行性。構(gòu)建的CMF決策模型在產(chǎn)品設(shè)計領(lǐng)域具有一定的通用性，能夠有效實現(xiàn)康復(fù)產(chǎn)品CMF的精準(zhǔn)選擇與量化，在定性和定量層面指導(dǎo)康復(fù)產(chǎn)品CMF決策的優(yōu)選和創(chuàng)新。

產(chǎn)品設(shè)計；康復(fù)輔具；感性意象；CMF決策模型；BP神經(jīng)網(wǎng)絡(luò)

隨著我國對康復(fù)類醫(yī)療體系的建設(shè)和管理不斷加強，康復(fù)輔具產(chǎn)品已逐步擴(kuò)展到普通疾病及亞健康狀態(tài)的康復(fù)進(jìn)程中，越來越多的用戶成為康復(fù)輔具的受眾群體。然而，目前用戶對康復(fù)產(chǎn)品的需求與供給之間存在結(jié)構(gòu)性差異[1]，逐漸從剛性需求升級到感性需求[2]，特別是使用頻率較高的穿戴式康復(fù)輔具，除功能需求外，產(chǎn)品呈現(xiàn)的感性意象也逐漸成為用戶購買決策的重點。目前大多研究著眼于康復(fù)輔具的產(chǎn)品形態(tài)與感性意象的關(guān)系架構(gòu)，而CMF作為用戶對產(chǎn)品感性意象形成的直觀要素，對用戶的購買決策同樣起著關(guān)鍵作用。因此，聚焦康復(fù)輔具的CMF感性意象設(shè)計，實現(xiàn)特定感性意象下的產(chǎn)品CMF精準(zhǔn)選擇與量化，是康復(fù)類產(chǎn)品亟待研究的設(shè)計方向。

目前，從感性意象角度對康復(fù)輔具類產(chǎn)品展開CMF分析的研究較少，為了充分探尋感性意象與CMF設(shè)計要素的關(guān)系，充分分析了以二者為研究對象的文獻(xiàn)報道。汪穎等[3]以地板樣本為例，通過構(gòu)建基因表達(dá)式編程的材料質(zhì)感偏好意象進(jìn)化認(rèn)知算法，旨在從產(chǎn)品材質(zhì)設(shè)計角度提升產(chǎn)品差異性和用戶滿意度。王園園等[4]為提升機械產(chǎn)品涂裝設(shè)計效率，建立了“視覺意象–質(zhì)感參數(shù)”模型，對涂裝質(zhì)感粗糙度、折射指數(shù)和厚度與感性意象的關(guān)系進(jìn)行了量化。蘇建寧等[5]以汽車車身為例，對色彩、材料、工藝之間的耦合設(shè)計特性及其認(rèn)知肌理進(jìn)行了研究，用以提高用戶滿意度。楊冬梅等[6]以產(chǎn)品色彩、材質(zhì)和環(huán)境光等變量對老年人的認(rèn)知影響為研究對象，采用熵值法、CRITIC等方法構(gòu)建了產(chǎn)品設(shè)計變量與感性意象映射模型，并采用Java開發(fā)了康復(fù)輔助產(chǎn)品設(shè)計評價系統(tǒng)。孫新竹[7]利用卡諾模型對消費電子產(chǎn)品CMF進(jìn)行了研究，建立了基于感性工學(xué)的電視機產(chǎn)品CMF基礎(chǔ)樣本庫，為后續(xù)同類產(chǎn)品CMF設(shè)計提供了參考。

上述研究從感性意象角度對產(chǎn)品CMF進(jìn)行了模型構(gòu)建與設(shè)計應(yīng)用，對后續(xù)從感性意象角度分析CMF設(shè)計具有借鑒和指導(dǎo)意義，但仍存一定局限：第一，部分研究雖以定量分析的方式對CMF三要素即色彩、材質(zhì)和工藝進(jìn)行分析，但研究結(jié)果大多為定性類型，如色彩方面只能得到紅色、棕色、銀色的模糊色彩，無法獲取如RGB、CMYK等具體的色彩數(shù)值。而部分研究雖能夠得到定量的設(shè)計參數(shù)，但大多以材質(zhì)質(zhì)感這一要素進(jìn)行研究，無法得到色彩、材質(zhì)和工藝等完整CMF要素的綜合設(shè)計指導(dǎo)。第二，在感性意象收集階段，現(xiàn)有研究大多采用問卷調(diào)研或文獻(xiàn)查閱等形式，存在樣本量小、數(shù)據(jù)更新不及時等問題，而感性意象收集的不精確將直接影響后續(xù)研究的嚴(yán)謹(jǐn)度，因此，感性意象調(diào)研的精準(zhǔn)度問題也亟待解決。

本研究以康復(fù)產(chǎn)品膝關(guān)節(jié)支具為例，采用文本挖掘方法調(diào)研用戶對產(chǎn)品的真實評價，從而精準(zhǔn)構(gòu)建感性意象空間。在此基礎(chǔ)上，結(jié)合感性意象詞匯對設(shè)計方案進(jìn)行分析，獲取感性意象與CMF設(shè)計要素之間的定性關(guān)系，并通過BP神經(jīng)網(wǎng)絡(luò)和線性回歸方程構(gòu)建產(chǎn)品CMF設(shè)計要素與感性意象評價間的決策模型，從而實現(xiàn)特性感性意象下的產(chǎn)品CMF設(shè)計要素精準(zhǔn)選擇與量化，為后續(xù)康復(fù)輔具的CMF決策提供參考。

1 理論基礎(chǔ)

1.1 文本挖掘

文本挖掘又稱為文本數(shù)據(jù)挖掘，其目的在于從大量文本中提取不同意見、情感或觀點，并對提取的知識進(jìn)行組織分類，從而精準(zhǔn)獲取用戶需求[8]。在產(chǎn)品設(shè)計的感性意象研究領(lǐng)域中，以往獲取用戶感性意象的形式主要為結(jié)構(gòu)化問卷、用戶訪談等，存在樣本量小、人工干預(yù)度高、調(diào)研數(shù)據(jù)不準(zhǔn)確等問題[9]，而以文本挖掘形式對產(chǎn)品感性意象進(jìn)行挖掘能夠顯著提升感性意象獲取的精準(zhǔn)度和效率。通過爬取用戶在網(wǎng)絡(luò)端對產(chǎn)品的評價文本進(jìn)行數(shù)據(jù)分析，如對語料進(jìn)行詞性篩選，以出現(xiàn)頻次較高的形容詞語料作為產(chǎn)品感性意象集合，即可準(zhǔn)確且高效地完成對感性意象的構(gòu)建。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)模型是一種多層前饋神經(jīng)網(wǎng)絡(luò)，可通過學(xué)習(xí)海量的輸入和輸出數(shù)據(jù)，形成二者之間的映射關(guān)系模型[10]。BP神經(jīng)網(wǎng)絡(luò)對線性和非線性的數(shù)據(jù)集均適用，通過對數(shù)據(jù)集的學(xué)習(xí)實現(xiàn)未知方案數(shù)據(jù)的精準(zhǔn)預(yù)測[11]。目前BP神經(jīng)網(wǎng)絡(luò)在產(chǎn)品設(shè)計領(lǐng)域中被廣泛應(yīng)用于預(yù)測創(chuàng)新方案的評價值，且多與感性意象相結(jié)合，從而篩選出符合用戶感性意象需求的產(chǎn)品方案，幫助企業(yè)和設(shè)計師將產(chǎn)品的用戶感性評價前置到設(shè)計階段，實現(xiàn)降低市場風(fēng)險與提升產(chǎn)品競爭力的目的[12]。

1.3 HSV色彩模型分析

HSV是一種面向視覺感知的色彩空間，包括色調(diào)（Hue）、飽和度（Saturation）、明度（Value）3個元素，其模型形態(tài)為圓錐形，3個元素分別位于圓錐的3個維度。其中，色調(diào)（Hue）取值范圍為0°～360°，飽和度（Saturation）和明度（Value）取值范圍為0%～100%。與RGB色彩相比，HSV色彩模型的3個變量彼此間相關(guān)性較低，且更符合人對色彩的主觀認(rèn)知，因此在模型構(gòu)建階段使用HSV色彩模型更便于理解與操作[13]。

2 產(chǎn)品CMF決策模型構(gòu)建

整體研究流程主要分為4個模塊，分別是感性意象詞匯的獲取、CMF設(shè)計要素空間的構(gòu)建、代表性設(shè)計方案的感性評價及CMF決策模型的構(gòu)建，模型構(gòu)建流程如圖1所示。

首先通過文本挖掘方式對研究對象進(jìn)行用戶評論爬取，并通過詞性標(biāo)注等形式構(gòu)建產(chǎn)品感性意象詞集合。隨后對研究對象進(jìn)行分析，構(gòu)建CMF設(shè)計要素空間，獲取色彩、材質(zhì)和工藝的完整分類。根據(jù)構(gòu)建的CMF設(shè)計要素空間可排列組合成多種方案，采用正交設(shè)計法篩選代表性方案64個，對這64個方案進(jìn)行色彩模糊分類以及材質(zhì)和工藝的精準(zhǔn)分類，結(jié)合感性詞匯，采用控制變量法對產(chǎn)品的單一CMF設(shè)計要素進(jìn)行用戶感性評價，從而獲取各項感性詞匯與CMF設(shè)計要素關(guān)系矩陣，以此獲得二者間的定性關(guān)系。同時，對64個方案賦予完整的CMF設(shè)計要素以供用戶對整體方案進(jìn)行感性評價，評價后的分值作為BP神經(jīng)網(wǎng)絡(luò)的輸出層數(shù)據(jù)，將64個方案結(jié)合CMF設(shè)計要素空間進(jìn)行編碼并作為輸入層數(shù)據(jù)。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)映射得到初期最優(yōu)方案解，其中材料和工藝為唯一解，而色彩為區(qū)間解。為了進(jìn)一步獲取色彩的精確數(shù)值，對獲得的區(qū)間再次細(xì)分色彩區(qū)間，并通過正交設(shè)計獲取新方案集合，同時進(jìn)行感性評價。通過分析方案HSV數(shù)值與感性評價值，進(jìn)一步構(gòu)建二者的線性回歸模型，以此求得色彩的唯一最優(yōu)解，同時結(jié)合BP神經(jīng)網(wǎng)絡(luò)求得材質(zhì)和工藝的解，實現(xiàn)產(chǎn)品最優(yōu)方案的獲取。

3 實例研究

以康復(fù)輔具膝關(guān)節(jié)支具為例，對基于BP神經(jīng)網(wǎng)絡(luò)的CMF決策模型進(jìn)行驗證?，F(xiàn)某康復(fù)輔具企業(yè)一款膝關(guān)節(jié)支具造型已定，希望通過定量方式準(zhǔn)確測量用戶的感性評價，并以此來指導(dǎo)CMF設(shè)計方案。以該產(chǎn)品為研究對象，通過產(chǎn)品CMF決策模型構(gòu)建CMF與感性意象之間的映射關(guān)系，從而精準(zhǔn)計算產(chǎn)品色彩數(shù)值與材料和工藝的具體方案。為了降低產(chǎn)品造型方案對CMF的決策影響，產(chǎn)品造型方案以白模形式展示，如圖2所示。

3.1 感性意象詞匯挖掘

為準(zhǔn)確構(gòu)建膝關(guān)節(jié)支具感性意象詞匯集合，采用文本挖掘形式對同類產(chǎn)品的用戶評價進(jìn)行收集。以京東商城銷量前五的膝關(guān)節(jié)支具為例進(jìn)行用戶評價爬取，爬取工具采用八爪魚采集器，共收集評論3 873條，去除重復(fù)評論后獲得有效評論3 815條。隨后采用NLPIR-ICTCLAS漢語分詞系統(tǒng)對文本進(jìn)行詞性標(biāo)注[15]，標(biāo)注為a的詞匯詞性為形容詞，即感性意象詞所屬詞性。通過篩選文本中所有形容詞并剔除非具體感性詞匯，如“好”和“不錯”等，最終摘取詞頻最高的前六位感性意象詞并匹配其反義詞形成感性意象詞對集合，如表1所示。

通過文本挖掘收集的膝關(guān)節(jié)支具的感性意象詞匯作為后續(xù)產(chǎn)品CMF方案評價的感性意象基礎(chǔ)。

3.2 CMF要素空間建立

CMF中的色彩部分以HSV色彩模型為基準(zhǔn)，在此基礎(chǔ)上進(jìn)行色彩空間要素的劃分。圖3所示為HSV色彩模型三維度的拆解，色調(diào)（Hue）將顏色劃分為圓環(huán)形式，取值范圍為0°～360°；飽和度和明度的取值范圍為0%～100%，鑒于色彩數(shù)值可取無窮盡，故將色調(diào)、飽和度和明度進(jìn)行區(qū)間劃分。通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建CMF決策模型，能夠確定特定感性意象對應(yīng)的用戶偏好的色彩區(qū)間，再針對特性色彩區(qū)間進(jìn)一步確定具體色彩數(shù)值。其中，按照認(rèn)知中常見的色彩將色調(diào)部分等分為6個區(qū)間，每個區(qū)間對應(yīng)一種常見色。而飽和度和明度方面，考慮到區(qū)間劃分結(jié)果取整、區(qū)間數(shù)量對方案個數(shù)的影響等多重因素，二者各劃分為5個區(qū)間。

圖1 產(chǎn)品CMF決策模型構(gòu)建流程

圖2 膝關(guān)節(jié)支具白模

表1 膝關(guān)節(jié)支具評論數(shù)據(jù)感性意象詞對

Tab.1 Perceptual image vocabulary in review data of knee brace

對產(chǎn)品設(shè)計領(lǐng)域而言，材質(zhì)和工藝種類繁多，不同類型的產(chǎn)品在材質(zhì)與工藝上千差萬別。為了更有針對性地構(gòu)建膝關(guān)節(jié)支具產(chǎn)品的CMF決策模型，對膝關(guān)節(jié)支具進(jìn)行了詳細(xì)的市場調(diào)研，發(fā)現(xiàn)該類產(chǎn)品基本上包含3種材質(zhì)類型，分別是A部分—金屬或類金屬、B部分—塑料和C部分—布藝。其中，垂直支架部分采用金屬材質(zhì)，環(huán)形固定支架和調(diào)節(jié)卡盤采用塑料材質(zhì)，柔性綁帶部分采用布藝材質(zhì)。

圖3 基于HSV的色彩要素空間

通過調(diào)研收集到的膝關(guān)節(jié)支具材質(zhì)和工藝要素空間如表2所示，并按照金屬/類金屬、塑料和布藝進(jìn)行歸類劃分。每種類別對應(yīng)的材質(zhì)和工藝分別為3種類型，共包含9種材質(zhì)和9項工藝。為了排除色彩對材質(zhì)和工藝的影響，表2所示材質(zhì)和工藝均采用無彩色渲染形式。

對膝關(guān)節(jié)支具的CMF色彩、材質(zhì)和工藝建立要素空間后，需確定影響因子數(shù)目以便后續(xù)BP神經(jīng)網(wǎng)絡(luò)編碼。如表3所示，其中色彩、材質(zhì)和工藝分別按照膝關(guān)節(jié)支具結(jié)構(gòu)劃分為金屬部分、塑料部分和布藝部分，色彩空間中3個部分共對應(yīng)9項、、要素，即9項因子，材質(zhì)和工藝空間中3個部分共對應(yīng)6項因子，故CMF要素空間中共包含15項因子。

每項因子下包含多個空間要素，如色彩空間中金屬類的色調(diào)，該色調(diào)空間下對應(yīng)6個細(xì)分空間，如圖3所示，同理，色彩空間中其他類對應(yīng)的細(xì)分空間以及材質(zhì)空間和工藝空間也對應(yīng)多種細(xì)分空間，對細(xì)分空間進(jìn)行排列組合可生成上萬種方案，難以使用戶一一進(jìn)行感性意象評價，故后續(xù)采用正交設(shè)計法進(jìn)行代表性方案篩選。

表2 膝關(guān)節(jié)支具材質(zhì)和工藝要素空間

Tab.2 Material and craft element space of knee brace

表3 膝關(guān)節(jié)支具CMF要素空間對應(yīng)因子

Tab.3 Factors corresponding to the CMF element space of the knee brace

3.3 CMF方案感性評價

通過結(jié)合收集到的感性詞匯對CMF設(shè)計要素進(jìn)行評價，主要從兩個維度進(jìn)行。首先，采用控制變量法對單一的CMF設(shè)計要素進(jìn)行評價，獲得單一的設(shè)計要素與感性意象的匹配程度，如金屬材質(zhì)領(lǐng)域何種材質(zhì)與“輕盈的”感性意象詞匯關(guān)系緊密度最高，從而獲得CMF設(shè)計要素與感性意象詞匯之間的關(guān)系矩陣，為后續(xù)的CMF決策提供定性參考依據(jù)。其次，對膝關(guān)節(jié)支具的整體CMF搭配方案進(jìn)行感性評價，獲取產(chǎn)品應(yīng)用各CMF設(shè)計要素后的綜合感性評價，并以此獲得各方案的感性評價值，作為后續(xù)定量研究的基礎(chǔ)。在感性評價前首先需要確定評價對象即膝關(guān)節(jié)支具產(chǎn)品的CMF設(shè)計方案，根據(jù)前文CMF色彩空間的構(gòu)建可知，通過排列組合可產(chǎn)生上萬種組合方案，為了便于調(diào)研，此處采用正交設(shè)計法篩選代表性CMF設(shè)計方案。

3.3.1 正交設(shè)計法篩選代表性方案

鑒于CMF要素空間中因子數(shù)過多，故將色彩、材質(zhì)及工藝部分分別進(jìn)行正交設(shè)計，最終形成64個代表性方案組合，如表4所示。正交設(shè)計的兩要素分別是因子與水平，以因子1為例，該因子為色彩區(qū)間中金屬部分的色調(diào)（Hue）要素，如圖3中色相環(huán)所示，該要素共劃分為6個區(qū)間，即共包含6個水平，而各水平需要取具體數(shù)值而非區(qū)間，因此各水平數(shù)值以各區(qū)間中間值為準(zhǔn)，從而保證后續(xù)方案的具體賦值。例如，方案1對應(yīng)的因子1水平為色調(diào)中的第5區(qū)間，取值范圍為240°～300°，故取其區(qū)間中間值（即270°）。同理，將其他各方案對應(yīng)的因子根據(jù)正交方案賦值后，即可進(jìn)行各方案的CMF效果呈現(xiàn)。

表4 64個膝關(guān)節(jié)支具方案的因子及對應(yīng)水平

Tab.4 Factors and corresponding levels of 64 solutions of knee brace

3.3.2 單一CMF設(shè)計要素感性評價

為了初步探究感性意象詞匯與CMF各單一要素之間的聯(lián)系，采用控制變量法及主觀評價的形式對其進(jìn)行調(diào)研。鑒于色彩的豐富多樣性，前期采用歸類形式將上述64個方案對應(yīng)的色彩分為六大類別，分別是黃棕色、灰紫色、草綠色、深青色、深紅色、深藍(lán)色、深槍色、銀灰色，材質(zhì)和工藝對應(yīng)表2進(jìn)行分類。調(diào)研人群有16人，均為從事康養(yǎng)輔具產(chǎn)品研究的設(shè)計人員，問卷題目共設(shè)置42項圖文結(jié)合的多選題。調(diào)研問卷的設(shè)置主要分為三大模塊，設(shè)置標(biāo)準(zhǔn)是以膝關(guān)節(jié)支具各部件的材質(zhì)宏觀類別進(jìn)行劃分，分別為金屬類、塑料類、布藝類。每個模塊包含3個小模塊，分別從色彩、材質(zhì)和工藝3個維度進(jìn)行劃分。問卷各題配圖分別對產(chǎn)品進(jìn)行單一CMF設(shè)計要素賦予，即被調(diào)研的模塊賦予選定設(shè)計要素，其他部分以灰度形式展示，從而降低其他要素的干擾。CMF設(shè)計要素中色彩要素較易于辨別，而材質(zhì)和工藝要素需要被試者細(xì)致觀察，為了保障調(diào)研的精準(zhǔn)度，在問卷調(diào)研過程中要求用戶以臺式電腦進(jìn)行作答，以保證對各樣本的CMF充分感知并選擇出接近真實感受的感性詞匯。膝關(guān)節(jié)支具材質(zhì)和工藝部分的調(diào)研結(jié)果如圖4、圖5所示，框選部分為被試者進(jìn)行感性評價的產(chǎn)品區(qū)域，此處對膝關(guān)節(jié)支具進(jìn)行了截取，僅展示部分差異性區(qū)域。

圖4 膝關(guān)節(jié)支具產(chǎn)品材質(zhì)對比

圖5 膝關(guān)節(jié)支具產(chǎn)品工藝對比

通過對膝關(guān)節(jié)支具CMF單一設(shè)計要素的初步用戶調(diào)研，可以獲取用戶對各感性意象詞匯及各項CMF設(shè)計要素的關(guān)聯(lián)度，如圖6所示。其中，矩陣交叉的數(shù)字代表被試的選中數(shù)次，不同色彩代表選中次數(shù)的高低程度，顏色由淺至深分別代表20%以下、20%～40%、40%～60%、60%～80%、80%以上。

鑒于CMF設(shè)計要素與感性詞匯并非獨立的一一對應(yīng)關(guān)系，同一種設(shè)計要素可能會對應(yīng)多種感性意象，因此在調(diào)研過程中設(shè)置為多選形式，被試針對每種設(shè)計要素可選擇1～3種感性詞匯。由圖6的調(diào)研結(jié)果可知，感性詞匯“結(jié)實的”與所構(gòu)建的CMF設(shè)計要素關(guān)聯(lián)緊密度較強，其中材質(zhì)“鋼”與感性詞匯“結(jié)實的”關(guān)聯(lián)性極強，色彩“深槍色”與感性詞匯“結(jié)實的”的關(guān)聯(lián)性也較為優(yōu)異，材質(zhì)“皮革”、工藝“金屬漆”和“鐳射”也與感性詞匯“結(jié)實的”聯(lián)系性緊密。其次，在感性詞匯“輕盈的”中，ABS材質(zhì)表現(xiàn)較好；在感性詞匯“舒適的”中，材質(zhì)“硬性軟膠”較其他材質(zhì)有明顯優(yōu)勢；而在感性詞匯“透氣的”和“靈活的”中，色彩要素“深紅色”“深槍色”“深綠色”、材質(zhì)要素“金屬漆”、工藝要素“電鍍”均表現(xiàn)較差，因此，在以這兩項感性詞匯為設(shè)計核心時，應(yīng)盡量避免采用此類設(shè)計要素。

為了更好地構(gòu)建感性意象詞匯與CMF設(shè)計要素之間的關(guān)系，根據(jù)調(diào)研結(jié)果形成如表5所示的映射矩陣，該矩陣是結(jié)合圖6中的被試選擇頻次繪制得到的。通過表5形成CMF設(shè)計要素與感性意象詞匯之間的定性關(guān)系，從而指導(dǎo)后續(xù)膝關(guān)節(jié)支具產(chǎn)品基于特定感性意象的設(shè)計要素的選擇。

圖6 感性詞匯與單一CMF設(shè)計要素關(guān)聯(lián)性調(diào)研

表5 感性詞匯與單一CMF設(shè)計要素映射矩陣

Tab.5 Mapping matrix of perceptual vocabulary to single CMF design elements

至此獲取到了膝關(guān)節(jié)支具感性意象詞匯及其CMF設(shè)計要素二者間的定性關(guān)系，得到的結(jié)果能夠在該類型產(chǎn)品的CMF決策過程中起到有效指導(dǎo)作用，但CMF設(shè)計要素的精準(zhǔn)確定仍需構(gòu)建定量化的決策模型，以此獲取色彩的精準(zhǔn)數(shù)值、材質(zhì)和工藝的精準(zhǔn)選擇。如表5中感性詞匯“結(jié)實的”對應(yīng)的色彩“深槍色”其具體的RGB數(shù)值如何計算，其塑料材質(zhì)部分應(yīng)如何確定選擇ABS或是硬性軟膠。因此，為解決上述問題，需在定性分析的基礎(chǔ)上，進(jìn)一步進(jìn)行CMF設(shè)計要素的定量測量與模型構(gòu)建。

3.3.3 CMF全設(shè)計要素綜合感性評價

上述對CMF單一設(shè)計要素的感性評價已獲取了其與感性意象詞匯之間的定性關(guān)系，接下來需要對膝關(guān)節(jié)支具的CMF全設(shè)計要素進(jìn)行綜合評價，綜合評價對象即為正交設(shè)計法得到的64項膝關(guān)節(jié)支具方案。CMF全設(shè)計要素綜合評價的目的在于能夠構(gòu)建膝關(guān)節(jié)支具CMF的定量化決策模型，并結(jié)合前文的定性分析確定特定感性詞匯的最佳CMF設(shè)計要素選擇。CMF決策模型采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建，需要獲取其輸入層和輸出層數(shù)據(jù)。輸入層數(shù)據(jù)為64項方案對照表3進(jìn)行的編碼，輸出層數(shù)據(jù)則為被試對64項方案中CMF設(shè)計要素的整體感性評分。

將64個CMF設(shè)計方案進(jìn)行效果圖呈現(xiàn)，形成膝關(guān)節(jié)支具的CMF設(shè)計方案集合，如圖7所示。為正交設(shè)計篩選的代表性方案能夠保證各因子和水平充分體現(xiàn)，圖7中膝關(guān)節(jié)支具的64個CMF方案渲染圖即作為后續(xù)用戶感性意象的評價樣本。

為了完整展示64個方案，對各方案進(jìn)行了縮小處理，故此處只能觀察出各方案的色彩差異性。但在實際調(diào)研過程中，被試采用臺式電腦進(jìn)行測試，各方案的材質(zhì)和工藝差異性均能完整展現(xiàn)，如圖8所示。為了得到64個膝關(guān)節(jié)支具CMF方案的感性意象評價值，邀請20位工業(yè)設(shè)計方向的教師和學(xué)生對方案集合進(jìn)行感性評價。

以6項感性意象詞對中“輕盈的–笨重的”為例對CMF方案進(jìn)行評價，評價指標(biāo)為1～5分，其中“非常輕盈”對應(yīng)滿分5分，“非常笨重”對應(yīng)1分，中間設(shè)置3個指標(biāo)分別是“比較輕盈”“一般”“比較笨重”。為了更好地構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，對數(shù)值進(jìn)行了歸一化處理，評價結(jié)果如表6所示。

圖7 64個膝關(guān)節(jié)支具方案效果圖

圖8 膝關(guān)節(jié)支具方案效果圖放大展示

3.4 CMF決策模型構(gòu)建

3.4.1 64個方案CMF要素編碼

前文已通過正交設(shè)計法確定64個方案15個因子的各水平，根據(jù)各方案不同因子對應(yīng)的水平進(jìn)行編碼，64個方案編碼如表7所示。以色彩空間中金屬類別下的色調(diào)即因子1為例，如圖3所示，該色調(diào)因子共包含6個空間，故該色調(diào)因子共含6位編碼。因子1對應(yīng)色調(diào)為270°，即為色調(diào)6個空間中的第5空間，即第5位編碼為1，其余為0，故該因子編碼為000010。同理，其他色彩和材質(zhì)及工藝空間均可得到對應(yīng)編碼，即可得64個方案對應(yīng)完整編碼，每個方案編碼即為各細(xì)分項下的空間數(shù)之和，即66位。至此，BP神經(jīng)網(wǎng)絡(luò)的輸入層編碼和輸出層數(shù)值已收集完整，隨后即可構(gòu)建基于感性意象的產(chǎn)品CMF的BP神經(jīng)網(wǎng)絡(luò)模型。

3.4.2 CMF決策模型構(gòu)建與方案預(yù)測

膝關(guān)節(jié)支具的CMF決策模型由3級組成，分別是輸出層、輸出層和隱含層。64個方案的編碼作為輸入層數(shù)據(jù)，即輸入層節(jié)點數(shù)為64。用戶針對“輕盈的–笨重的”感性意象詞的評價值為輸出層，即輸出層節(jié)點數(shù)為1。而隱含層節(jié)點數(shù)不固定，可通過經(jīng)驗公式（6）來確定。

式中：為輸入層節(jié)點，64；為輸出層節(jié)點，1；為隱含層節(jié)點，經(jīng)計算其最大值為16，以試湊法確定最佳節(jié)點數(shù)，當(dāng)為8時，該CMF模型誤差相對較小，故隱含層節(jié)點數(shù)為8。

通過Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，以trainlm算法對模型進(jìn)行訓(xùn)練，學(xué)習(xí)次數(shù)為2 000次。為了避免因樣本數(shù)量限制而導(dǎo)致無法擬合，采用K-fold進(jìn)行對模型交叉驗證，即總樣本量為，隨機抽取–1組數(shù)據(jù)作為訓(xùn)練樣本，剩余1組作為測試樣本。輪循環(huán)訓(xùn)練后，使得64組數(shù)據(jù)均作為訓(xùn)練集和測試集，以此來提升模型的準(zhǔn)確率。通過MATLAB運行代碼，最終得到該BP神經(jīng)網(wǎng)絡(luò)模型的均方誤差為0.038 13，小于0.1，即認(rèn)為該BP神經(jīng)網(wǎng)絡(luò)模型有效，圖9為膝關(guān)節(jié)支具CMF決策模型預(yù)測值和期望值的對比。

通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，最終得到膝關(guān)節(jié)支具CMF方案及其基于“輕盈的–笨重的”這一感性詞對的評價預(yù)測值之間的映射關(guān)系，預(yù)測值最高的前15個CMF方案如表8所示。其中，評價值最高的方案所對應(yīng)的CMF要素可結(jié)合其編碼與圖3進(jìn)行逆推，得到的最優(yōu)方案對應(yīng)的CMF要素如表9所示。

表6 “輕盈的–笨重的”對應(yīng)64個膝關(guān)節(jié)支具的評價值

Tab.6 Evaluation values of 64 knee braces under the word of "light-heavy"

表7 64個膝關(guān)節(jié)支具方案編碼

Tab.7 Codes of 64 knee brace solutions

表8為通過定量分析得到的感性詞匯“輕盈的”對應(yīng)的膝關(guān)節(jié)支具最佳方案的CMF設(shè)計要素，其中金屬支架部分色彩接近深槍色，材質(zhì)為鋁合金，工藝為拉絲；塑料部分色彩同樣接近深槍色，材質(zhì)為ABS塑料，工藝為拋光；布藝部分色彩接近草綠色，材質(zhì)為皮革，工藝為編織。該結(jié)果與定性分析結(jié)果（表5）對比可知，基于“輕盈的”這一感性詞匯，其在色彩、材質(zhì)和工藝方面對應(yīng)的設(shè)計要素大致相同，說明定性分析和定量分析的研究結(jié)果均具有一定參考性。差異主要體現(xiàn)在布藝的材質(zhì)方面，通過定性分析發(fā)現(xiàn)，用戶更傾向于“透氣棉”材質(zhì)，而在定量分析階段，預(yù)測的結(jié)果為“皮革”材質(zhì)更優(yōu)。存在差異性的原因主要包括兩點：1）定性分析可提供大致方向的推斷，而非絕對的必然性。同時，預(yù)測模型的準(zhǔn)確率亦無法達(dá)到100%，且主觀的感性意象評價也無法保證100%的準(zhǔn)確率。2）單一CMF設(shè)計要素的分析和全設(shè)計要素組合后的評價也存在難以避免的誤差性，各CMF設(shè)計要素之間的耦合性也是未來研究的要點。盡管定性分析和定量分析之間存在些許差異，但二者的吻合度較高，說明該CMF決策模型具有較大的現(xiàn)實意義，能夠繼續(xù)對CMF的設(shè)計要素進(jìn)行深入挖掘。

圖9 膝關(guān)節(jié)支具CMF決策模型預(yù)測值和期望值對比

表8 膝關(guān)節(jié)支具較優(yōu)方案編碼及評價值

Tab.8 Code and evaluation value of the optimal solution for knee brace

表9 BP神經(jīng)網(wǎng)絡(luò)輸出膝關(guān)節(jié)支具最優(yōu)方案CMF要素

Tab.9 Elements of CMF in the optimal solution of knee brace output by BP neural network

為了使色彩數(shù)值更便于工程應(yīng)用，將HSV數(shù)值轉(zhuǎn)化為RGB數(shù)值。將各HSV數(shù)值根據(jù)式（1）—（5）轉(zhuǎn)化為RGB后，得到膝關(guān)節(jié)支具A、B、C三個部分分別對應(yīng)的RGB數(shù)值為：A=25，A=24，A=22；B=25，B=24，B=22；C=95，C=127，C=63。

由此可知，膝關(guān)節(jié)支具的塑料和金屬支架部分采用深灰色系、布藝部分采用綠色系時，其在感性意象“輕盈的”詞匯下表現(xiàn)最佳，但鑒于建立BP神經(jīng)網(wǎng)絡(luò)時采用色彩輸入端的數(shù)據(jù)為區(qū)間代表性數(shù)值，故根據(jù)BP神經(jīng)網(wǎng)絡(luò)只能確定產(chǎn)品的具體材質(zhì)和工藝，而色彩部分僅為區(qū)間代表性顏色，而非準(zhǔn)確數(shù)值，故需對色彩部分進(jìn)行再次篩選。

由于金屬和塑料部分的色彩HSV所處色區(qū)間均為深灰色至近黑色，兩端取極限值賦色時差異微弱，故色彩部分以綠色系的布藝部分研究為主。其色調(diào)為90°，鑒于計算時取區(qū)間中間值，對照圖3，該區(qū)間應(yīng)為60°～120°之間的數(shù)值，經(jīng)過調(diào)研可知，相差10°時肉眼對色彩的分辨已較為微弱，故以10°為間隔值，將60°～120°等分為6個區(qū)間，每個區(qū)間取其中間值再次賦色，分別為65°、75°、85°、95°、105°、115°。布藝部分的飽和度和明度數(shù)值均為50%，對照圖7，則其對應(yīng)的區(qū)間為40%～60%，通過對比可知，相差4%時肉眼對飽和度和明度的分辨較為微弱，故以4%為間隔值，將40%～60%分為5個區(qū)間，取各區(qū)間中間值，分別為42%、46%、50%、54%、58%。由此進(jìn)行排列組合，產(chǎn)生150個方案，運用正交設(shè)計法篩選出36個代表性方案進(jìn)行產(chǎn)品方案渲染，即在布 藝部分以綠色系為主色繼續(xù)渲染細(xì)分方案36個，如圖10所示。得到36個渲染方案后，繼續(xù)請受邀用戶對細(xì)分方案以感性意象詞“輕盈的–笨重的”進(jìn)行評分，評價指標(biāo)仍為1～5分，36個方案的評分如表10所示。

圖10 膝關(guān)節(jié)支具最優(yōu)色彩區(qū)間細(xì)分方案效果圖

表10 “輕盈的”對應(yīng)最優(yōu)色彩區(qū)間細(xì)分方案評價值

Tab.10 Evaluation value of optimal color interval subdivision solution under the word of "light"

通過數(shù)據(jù)分析發(fā)現(xiàn)，方案的HSV數(shù)值與用戶感性意象評價值存在線性相關(guān)關(guān)系，故將方案HSV數(shù)值和評價值進(jìn)行線性回歸分析，回歸結(jié)果如表11所示。

根據(jù)線性回歸分析結(jié)果值，分析其是否可以顯著地拒絕總體回歸系數(shù)為0的原假設(shè)（<0.01），從檢驗的結(jié)果可知，顯著性值為0.000，拒絕回歸系數(shù)為0的原假設(shè)，因此模型基本滿足要求。作為檢驗?zāi)Ｐ凸簿€性的要素，當(dāng)值小于10時，即可認(rèn)為解釋變量間存在高度相關(guān)關(guān)系，據(jù)表11可知，數(shù)值均遠(yuǎn)小于10，無多重共線性問題，故該模型構(gòu)建良好。2為曲線回歸的擬合程度，越趨近1時擬合越好，表中2數(shù)值為0.825，即曲線回歸擬合良好。綜上并結(jié)合非標(biāo)準(zhǔn)化系數(shù)，該線性回歸模型的公式為=–0.612+0.019+2.43+1.771，由得到的回歸方程可知，色調(diào)（）、飽和度（）、明度（）的系數(shù)均為正數(shù)，故其數(shù)值越高，所對應(yīng)的感性評價值也越高。因此，分別取三者區(qū)間的最高值120°、60%、60%，通過公式將其轉(zhuǎn)化為RGB數(shù)值，對應(yīng)值分別為=61、=153、=61；將此RGB數(shù)值帶入原方案中替換布藝部分的色彩并進(jìn)行效果圖繪制，對應(yīng)的方案如圖11所示。

通過運用BP神經(jīng)網(wǎng)絡(luò)對產(chǎn)品色彩區(qū)間和感性意象評價值進(jìn)行模型構(gòu)建，得到基于“輕盈的–笨重的”這一感性意象詞對應(yīng)的最佳方案，該方案確定了材料和工藝的唯一解以及色彩的區(qū)間解。由于金屬和塑料部分的色彩近乎黑色，在該區(qū)間內(nèi)色彩變化對方案的影響十分微弱，而布藝部分的色彩區(qū)間為綠色，故以布藝部分的色彩為研究主體再次構(gòu)建數(shù)學(xué)模型，以便求取色彩具體數(shù)值。通過對布藝部分的色彩進(jìn)行區(qū)間細(xì)分，同時將渲染的CMF方案進(jìn)行用戶感性意象評價，最終得到36個方案及其用戶感性意象評價值。通過數(shù)據(jù)分析，其、、數(shù)值與用戶感性意象評價值存在線性回歸關(guān)系，并以此求得線性回歸方程，最終確定了該色彩方案的具體RGB數(shù)值。

表11 最優(yōu)色彩區(qū)間細(xì)分方案線性回歸分析（=36）

Tab.11 Linear regression analysis of optimal color interval subdivision solution (n=36)

圖11 膝關(guān)節(jié)支具最優(yōu)色彩區(qū)間細(xì)分方案效果圖

5 結(jié)語

本研究以膝關(guān)節(jié)支具為例，運用文本挖掘方式構(gòu)建了產(chǎn)品感性意象集合，并以此為基礎(chǔ)建立了感性詞匯和膝關(guān)節(jié)支具CMF單一設(shè)計要素的關(guān)系矩陣，為后續(xù)CMF設(shè)計要素的選擇提供了支撐。隨后運用BP神經(jīng)網(wǎng)絡(luò)和線性回歸等方法構(gòu)建了產(chǎn)品CMF決策模型，實現(xiàn)膝關(guān)節(jié)支具產(chǎn)品特定感性詞匯對應(yīng)的CMF設(shè)計要素即色彩、材質(zhì)和工藝的精準(zhǔn)量化，最后通過對構(gòu)建的CMF決策模型的均方差值與檢驗的分析，驗證了該方法的可行性。主要結(jié)論如下：

1）通過BP神經(jīng)網(wǎng)絡(luò)和線性回歸方法的結(jié)合，能夠有效分析CMF各設(shè)計要素與感性意象之間的映射關(guān)系，并精準(zhǔn)預(yù)測最佳方案的色彩取值以及材料、工藝類別的選擇。

2）通過文本挖掘方式獲取用戶對產(chǎn)品的感性意象，相較于以往主觀問卷的形式，能夠保證感性意象的真實性、精準(zhǔn)性，將其應(yīng)用到CMF決策模型中，能夠提升研究結(jié)果的信度與效度。

3）構(gòu)建的康復(fù)產(chǎn)品CMF決策模型能夠有效預(yù)測特定感性意象對應(yīng)的用戶偏好CMF方案，為企業(yè)和設(shè)計人員定量篩選產(chǎn)品最佳CMF方案提供切實可行的方法。

[1] 史珈銘, 劉曉婷. 老年人社區(qū)康復(fù)服務(wù)需求及其影響因素[J]. 中國康復(fù)理論與實踐, 2021, 27(3): 334-340. SHI Jia-ming, LIU Xiao-ting. Rehabilitation Service Demand in Elderly Community and Its Influence Factors[J]. Chinese Journal of Rehabilitation Theory and Practice, 2021, 27(3): 334-340.

[2] 馮毅雄, 婁山河, 王緒鵬, 等. 面向性能的定制產(chǎn)品感性意象評價方法研究[J]. 機械工程學(xué)報, 2020, 56(9): 181-190. FENG Yi-xiong, LOU Shan-he, WANG Xu-peng, et al. Research on Performance-Oriented Perceptual Image Evaluation Method of Customized Products[J]. Journal of Mechanical Engineering, 2020, 56(9): 181-190.

[3] 汪穎, 張三元, 張克俊, 等. 產(chǎn)品材料質(zhì)感偏好意象進(jìn)化認(rèn)知算法與系統(tǒng)[J]. 計算機集成制造系統(tǒng), 2014, 20(4): 762-770.WANG Ying, ZHANG San-yuan, ZHANG Ke-jun, et al. Preference Learning for Evolutionary Cognition Algorithm and System of Product Material Texture[J]. Computer Integrated Manufacturing Systems, 2014, 20(4): 762-770.

[4] 王園園, 蔣超, 俞琳, 等. 基于感性工學(xué)和視覺意象的機械產(chǎn)品表面涂裝質(zhì)感設(shè)計方法[J]. 包裝工程, 2022, 43(6): 56-61. WANG Yuan-yuan, JIANG Chao, YU Lin, et al. Method of Mechanical Products Surface Coating Texture Design Based on Kansei Engineering and Visual Imagery[J]. Packaging Engineering, 2022, 43(6): 56-61.

[5] 蘇建寧, 胡晴, 張書濤, 等. 面向汽車車身色彩–材料–表面處理工藝的耦合設(shè)計特性研究[J]. 機械設(shè)計, 2020, 37(4): 119-125. SU Jian-ning, HU Qing, ZHANG Shu-tao, et al. Study on Coupling Design Characteristics of Color-Material- Surface Treatment Technology for Automobile Body[J]. Journal of Machine Design, 2020, 37(4): 119-125.

[6] 楊冬梅, 劉佳鑫, 張健楠, 等. 面向居家輔助康復(fù)產(chǎn)品的設(shè)計評價方法[J]. 機械設(shè)計, 2022, 39(1): 154-160. YANG Dong-mei, LIU Jia-xin, ZHANG Jian-nan, et al. Design Evaluation Method for Home-Based Rehabilitation Products[J]. Journal of Machine Design, 2022, 39(1): 154-160.

[7] 孫新竹. 基于感性工學(xué)的消費電子產(chǎn)品CMF設(shè)計研究——以電視機為例[D]. 無錫: 江南大學(xué), 2017. SUN Xin-zhu. Research on CMF Design of Consumer Electronics Based on Kansei Engineering: Taking TV as an Example[D]. Wuxi: Jiangnan University, 2017.

[8] RAVI K, RAVI V. A Survey on Opinion Mining and Sentiment Analysis: Tasks, Approaches and Applications[J]. Knowledge-Based Systems, 2015, 89: 14-46.

[9] 張潔, 汪俊亮, 呂佑龍, 等. 大數(shù)據(jù)驅(qū)動的智能制造[J]. 中國機械工程, 2019, 30(2): 127-133. ZHANG Jie, WANG Jun-liang, LYU You-long, et al. Big Data Driven Intelligent Manufacturing[J]. China Mechanical Engineering, 2019, 30(2): 127-133.

[10] HAYKIN S. 神經(jīng)網(wǎng)絡(luò)原理[M]. 葉世偉, 史忠植, 譯. 北京: 機械工業(yè)出版社, 2004. HAYKIN S. Neural Network Principle[M]. YE Shi-wei, SHI Zhong-zhi, Translate. Beijing: China Machine Press, 2004.

[11] 劉月林, 王習(xí)羽, 王劍. 基于三角模糊和BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品意象造型設(shè)計[J]. 包裝工程, 2021, 42(14): 185-193. LIU Yue-lin, WANG Xi-yu, WANG Jian. Product Image Modeling Design Based on Triangular Fuzzy and BP Neural Network[J]. Packaging Engineering, 2021, 42 (14): 185-193.

[12] 朱彥, 陳剛. 基于感性工學(xué)和BP神經(jīng)網(wǎng)絡(luò)的服務(wù)機器人頭部形態(tài)設(shè)計研究[J]. 包裝工程, 2016, 37(14): 63-67. ZHU Yan, CHEN Gang. Research on Head Shape Design of Service Robot Based on Kansei Engineering and BP Neural Network[J]. Packaging Engineering, 2016, 37(14): 63-67.

[13] 常巧紅, 高滿屯. 基于HSV色彩空間與數(shù)學(xué)形態(tài)學(xué)的車牌定位研究[J]. 圖學(xué)學(xué)報, 2013, 34(4): 159-162. CHANG Qiao-hong, GAO Man-tun. Research on License Plate Location Based on HSV Color Space and Mathematical Morphology[J]. Journal of Graphics, 2013, 34(4): 159-162.

[14] 秦緒佳, 程燕飛, 范穎琳, 等. 基于三邊濾波的HSV色彩空間Retinex圖像增強算法[J]. 小型微型計算機系統(tǒng), 2016, 37(1): 168-172. QIN Xu-jia, CHENG Yan-fei, FAN Ying-lin, et al. Image Enhancement Algorithm Based on Retinex of Trilateral Filter in HSV Color Space[J]. Journal of Chinese Computer Systems, 2016, 37(1): 168-172.

[15] 王煜, 鄧暉, 李曉瑤, 等. 自然語言處理技術(shù)在建筑工程中的應(yīng)用研究綜述[J]. 圖學(xué)學(xué)報, 2020, 41(4): 501-511.WANG Yu, DENG Hui, LI Xiao-yao, et al. A Review of Natural Language Processing Application in Construction Engineering[J]. Journal of Graphics, 2020, 41(4): 501-511.

Product CMF Decision Model Based on Perceptual Image and BP Neural Network

SUN Li, ZHANG Shuo, QIN Zhong-zhi, WU Jian-tao, LI Jiang-nan, LI Man-po

(Yanshan University, Hebei Qinhuangdao 066004, China)

The work aims to develop a product CMF decision model by integrating BP neural network and linear regression in order to accomplish accurate selection and quantification of product CMF under certain perceptual images. Through text mining, the user's perceptual image was identified, a CMF element space was created according to the HSV color model and the material and process of chosen rehabilitation aids, a large number of CMF solutions based on the design element space were formed, and the solutions were assessed in accordance with the chosen perceptual image to obtain a qualitative mapping relationship between the perceptual image and a single design element of CMF. The CMF solutions were coded and integrated with the perceptual image evaluation value and the CMF decision model was established by quantitative method through BP neutral network to identify the best color space, material and method. The chosen color intervals were separated into design solutions and evaluated. The color regression equation was then created by linear regression, and the CMF decision model was quantitatively built by BP neural network. With knee brace as an example, the case study was carried out, the first-order CMF decision model developed by BP neural network had anof 0.038 13 between the predicted and expected values, and the prediction results were essentially consistent with the qualitative mapping relationship, demonstrating the high accuracy and reliability of this order of the model. The values of,, andwere highly associated with the perceptual image assessment value, as shown by the second-order decision model's p-value of less than 0.01, which demonstrated the viability of the CMF decision model. The developed CMF decision model has some versatility in the area of product design and is capable of realizing correct CMF selection and quantification for rehabilitation items as well as directing preferential CMF decision and innovation at both the qualitative and quantitative levels.

product design; rehabilitation aids; perceptual image; CMF decision model; BP neural network

TB472

A

1001-3563(2023)12-0151-14

10.19554/j.cnki.1001-3563.2023.12.016

2023–01–13

國家社科基金藝術(shù)學(xué)項目（22BG125）

孫利（1973—），男，博士，教授，主要研究方向為康養(yǎng)輔具創(chuàng)新設(shè)計、智能數(shù)字化設(shè)計理論與方法。

張碩（1992—），女，博士生，主攻康復(fù)輔具產(chǎn)品設(shè)計、產(chǎn)品智能設(shè)計方法。