感性工學中的參數化設計方法關鍵技術研究現狀與展望

林 麗，張云鹍

感性工學中的參數化設計方法關鍵技術研究現狀與展望

林 麗1,2，張云鹍1

(1. 貴州大學現代制造技術教育部重點實驗室，貴州 貴陽 550025；2.貴州大學機械工程學院，貴州 貴陽 550025)

感性工學(KE)是將消費者感性體驗融入設計中的常用方法。過去十余年間，國內外學者對KE展開了研究并取得了一定成果。通過對國內外KE中的參數化設計方法關鍵技術研究成果進行梳理，首先總結了KE中常用的感性意象與產品特征參數化方法；隨后重點介紹了3種KE模型構建問題上的常用方法及其特點，并將現有研究進行了對比；最后討論了KE現存問題并對未來可能的研究趨勢進行了展望。

產品設計；KE；參數化設計；KE模型；關鍵技術；綜述

隨著生產力的提高，同類產品之間的功能差異逐漸減小，產品體驗逐漸成為影響消費者購買決策的主要因素。作為用戶體驗的重要組成部分，產品引發的感性意象日益被消費者所關注，設計師也開始嘗試將感性意象融入產品設計之中，以滿足消費者的感性需求，感性工學(kansei engineering，KE)應運而生。

KE的概念于1986年10月由NAGAMACHI[1]首次提出，屬于多學科融合的新興交叉學科，是人機工程學的一個新的分支。主要研究人對物和外在環境所產生的心理反應，使物和環境更加符合人的心理需求。

隨著KE的發展與研究的深入，一些學者對KE進行了分析總結。NAGAMACHI[2]于2002年對KE的相關研究進行了總結，介紹了KE的起源與發展，并對KE中的常用技術、KE的分類及特點、KE專家系統、KE協同設計進行了介紹；KE于上世紀末引入我國，羅仕鑒和潘云鶴[3]在2007年對KE的基本框架與類型、感性意象相關概念等進行了總結，介紹了感性意象量化分析、KE專家系統構建等常用技術與方法，并對部分學者的研究成果進行了總結；2013年蘇建寧等[4]從意象挖掘與量化、產品形態特征描述與提取、意象與設計要素關聯等方面對KE進行了介紹。

現有綜述力圖全面介紹KE及相關技術，但在方法特點與應用方式方面介紹較為籠統，對方法的選擇與優化所提供的幫助較為有限。對感性意象與產品特征參數化及不同特點的KE模型構建方法進行綜述，能夠在方法的選擇上為研究者提供參考，對初入領域的研究者提供更直接的幫助。此外，現有綜述缺乏對2007年以來國內外學者的研究成果的總結。以上幾點促使本文對KE中的參數化設計方法關鍵技術進行梳理與總結。

1 感性意象與產品特征參數化方法

KE作為“用戶體驗或意象與產品設計特征之間的翻譯技術”[1]，通過構建KE專家系統，建立用戶感性意象與產品設計特征之間的聯系，從而實現二者的轉換。KE研究框架如圖1所示。其中，感性意象與產品特征的參數化是構建映射關系的基礎與前提；KE專家系統即KE模型的構建，是KE的核心。

圖1 KE研究框架

1.1 感性意象參數化方法

“感性kansei”一詞來源于日語詞匯“カンセイ”，意指消費者對產品所產生的心理感受和意象[1]，是直覺與認知相互作用的結果，既包含了對物的情感體驗，也包含了相應的思維活動與結果。作為一種心理感受，感性意象通常使用心理學方法進行提取與分析，目前最常用的方法是通過使用基于語義量表或里克特量表的各類調查問卷進行設計調查。語義量表一般指基于語義差分法(semantic differential，SD)設計的量表，由KITTROSS[5]提出，通過分析被試者在一對具有相反含義的詞匯對上的傾向來實現；里克特量表(Likert scale)，是一種心理反應量表，由LIKERT[6]提出，通過分析被試者對某一陳述的認同程度來實現。通過使用數值來表達被試者的傾向或認同程度的強弱，從而實現態度與認同程度的參數化提取。

1.2 產品特征參數化方法

KE的研究對象十分廣泛，不僅包括具有明確形態、色彩、材質等特征的工業產品、人機交互界面，還包括無形的服務與產品的配置等，需針對研究對象選擇合適的參數化方法。按照是否由人工主觀判斷，可分為基于人工的方式與基于參數化設計的方式。

1.2.1 基于人工的方式

基于人工提取的方式適用范圍廣泛，在形態、色彩、材質、界面元素、服務與配置等方面的研究中都有應用，但是對研究人員的設計經驗要求較高，獲得的產品特征參數一般為定性變量，包含了較多的主觀因素。

形態分析法[7-8]：將產品視為組件的組合，將產品設計特征分解為若干基本組件，并對其進行編號或分析，從而獲得離散型或連續型的產品形態參數。除了針對產品形態外，也可以分析產品配置與服務等無形特征。

類目層次法：部分產品的設計特征較為復雜，需要按照隸屬關系進行多層次分類，并按照層級順序進行編號，從而得到離散型產品特征參數。

1.2.2 基于參數化設計的方式

基于參數化設計的方式適合于分析形態參數明確或形態特征相似的產品，實施過程較為繁瑣，獲得的產品特征參數大多為定量變量，包含的個人主觀因素相對較少。

參數模型法[9-10]：針對產品的三維模型，通過對產品進行參數化建模，將其中的關鍵參數作為產品特征參數，得到連續型產品特征參數。

曲線控制法[11]：在某些情況下，使用線條對造型特征進行表達更有優勢[12]，使用參數化曲線對造型進行描繪，從而得到連續型產品特征參數。

實物測量法[13-15]：針對實際場景中的待分析對象，若待分析特征較為明確，可通過對產品特征進行描繪或測試，來獲得連續型參數。

2 KE模型構建方法

KE模型實質上是產品特征與感性意象之間的關聯關系，可分為前向式、逆向式與混合式。前向式能夠實現從感性意象到設計參數的映射，逆向式與前向式相反，混合式則能夠實現設計參數與感性意象的相互轉化。

在KE模型的構建過程中，目前研究主要集中在關聯模型的可解釋性、非線性關系、非精確關系等方面。用于構建KE模型的數據通常具有以下特點：①數據類型不確定，如產品特征參數可為定量也可為定性；②數據中誤差與噪聲較多，如意象參數化結果容易受到環境、認知差異[16-17]、被試者主觀情緒等影響，產品特征參數化中個人主觀因素與系統誤差的影響。因此，KE模型構建方法需要結合研究重點與數據特點來進行選擇。

2.1 可解釋KE模型

可解釋性是指模型能夠被人類理解的程度。在KE模型構建問題上，可解釋性強的模型能夠直觀地顯示特征參數與意象參數之間的關聯關系與影響程度，提高KE模型的可信度。目前常用的可解釋性較強的KE模型構建方法有數量化理論Ⅰ、線性回歸、偏最小二乘回歸。

2.1.1 數量化理論Ⅰ

數量化理論(theory of quantification)是多元分析的一個分支，起源于20世紀50年代，目的是定量地估計定性變量對目標變量的影響，可分為數量化理論Ⅰ、Ⅱ、Ⅲ、Ⅳ，具體特點見表1。其中數量化理論Ⅰ在KE研究中的應用最為廣泛，通過將定性變量分為項目(item)，項目的不同取值分為類目(category)，在此基礎上獲得定性變量與定量變量間的關系。

使用數量化理論Ⅰ，蘇建寧和李鶴歧[18]將定性變量造型要素作為自變量，定量變量感性評價值作為因變量，得到了各感性意象與手機按鍵形態布局間的關系；SCHüTTE和EKLUND[19]建立了不同類型的翹板開關特征與感性意象之間的作用關系；LAI等[20]以手機的外形和配色為研究對象，進一步比較了外形與色彩對意象的貢獻度大??；HSIAO等[21]對咖啡機特征進行分解并計算了各個特征對感性意象的貢獻度，使用遺傳算法生成新產品為產品設計提供支持。

表1 數量化理論類型及特點

2.1.2 線性回歸

線性回歸通常是建立學習預測模型首選的技術之一。線性回歸方法研究較為完善，能夠明確反映變量間關系并量化可信度，解釋性較強，比較常用的方法主要是多元線性回歸、偏最小二乘回歸。

感性意象通常與多個變量相關，因此多元線性回歸是當前特征與意象間關系構建方法中的主流。例如，羅仕鑒等[14]使用多元線性回歸建立了被試者偏好中心與汽車側輪廓控制點間的關系并使用遺傳算法生成產品族；林麗等[22]將MP4外形解構為人機界面元件，分析了多維界面元素與感性詞匯的相關關系并構建了多維造型特征共同作用的KE模型；CHANG和CHEN[23]分析了各類感性詞匯與方向盤設計特征之間的關系；VIEIRA等[15]建立了鍵盤的物理特性與感性意象強度之間的關系；周蕾等[24]定義了界面美觀度的計算方法，并以運用神經網絡和線性回歸2種方法建立了感性因子與插箱界面布局特征間的關系；LLINARES和PAGE[25]結合卡諾模型構建了房屋特征與感性意象之間的關系，從而分析主觀屬性對消費者決策的影響；CHEN等[26]結合主成分分析，建立了表面粗糙度與情感體驗之間、不同層次情感體驗之間的線性關系。

也有部分學者嘗試使用偏最小二乘回歸作為關系構建方法，由于在關系構建過程中使用了主成分提取等變換方式，解釋性相對較低，但是能夠有效處理自變量間的相關性問題。相關的研究有：CHEN等[27]分析了客戶感受與送貨上門服務特點之間的關系；ZHOU等[28]通過用戶訪問數據分析用戶的感性意象傾向，進而計算了各個特征與感性詞匯的顯著性。

針對可解釋KE模型的相關研究總結及對比見表2。

表2 可解釋KE模型研究對比

2.2 非線性KE模型

解釋性較強的KE模型構建方法大多基于意象與特征間關系的線性假設，難以處理意象與特征間的非線性關系。針對非線性假設下的KE模型，常使用非線性回歸、神經網絡、粗糙集理論、基于樹的方法等方式進行構建。

2.2.1 非線性回歸

在KE研究中常用的非線性回歸方法主要有支持向量回歸、多項式回歸。支持向量回歸主要針對有限樣本數據和包含噪聲的樣本數據，通過將低維數據映射到高維空間、求回歸超平面并映射回低維空間，從而獲得非線性的回歸模型；多項式回歸將自變量的冪作為新的預測變量參與分析，得到非線性的回歸模型。

使用支持向量回歸，WANG[29]分析了感性詞匯與數控機床外形特征之間的關系；YANG和SHIEH[30]以類似神經網絡的結構將支持向量回歸模型組合，構建了手機外形配置多維產品特征與顧客的情感反應之間的關系和預測模型，并結合多目標遺傳算法，構建了混合KE模型[31]；SHIEH等[32]分析了花瓶輪廓曲線參數與情感反應之間的關系，并使用多目標進化算法(multi-objective evolutionary algorithm，MOEA)生成新設計方案，構建了混合KE模型。在多項式回歸方面，文獻[33]將紅酒杯的主要特征參數化，結合響應面法(response surface methodology，RSM)與二階多項式回歸，構建了設計參數與感性詞匯間的關系。

2.2.2 神經網絡

神經網絡能夠通過學習算法來獲得“知識”，通過神經元之間的連接強度儲存“知識”，使機器能夠學習“抽象概念”[34]，并自動逼近任何非線性數學函數[35]。

神經網絡廣泛的適用性，使其在KE模型的構建中得到大量應用。例如蘇建寧等[36]使用三層BP神經網絡，建立了能夠預測酒杯外形的感性意象的神經網絡模型，構建了汽車側面造型感性評價系統[13]；GUO等[37]使用BP神經網絡建立了迷你數碼相機中的多維關鍵特征與感性意象之間的映射模型；OZSOYDAN等[38]建立了24個不同配置的神經網絡模型以進行模型優化并建立感性詞匯與水龍頭外形整體偏好得分之間的關系；GUO等[39]通過眼動追蹤提取關鍵特征，使用BP神經網絡建立了關鍵設計要素和感性意象之間的定量關系；李少波等[40]使用BP神經網絡建立了感性意象與手機配置特征之間的對應關系。

2.2.3 粗糙集理論

粗糙集理論由PAWLAK[41]于1982年10月提出，能有效地分析具有不精確、不一致、不完整等特點的不完備信息，是一種簡單易用的潛在關系提取方法，主要用于分析定性變量。

粗糙集在KE模型構建中常用于定性參數的分析，如：ZHAI等[42]結合優勢原則(dominance principle)與粗糙集理論，建立了手機配置特征對感性詞匯的貢獻度關系，并通過比較不同特征組合產品的感性意象得分來指導產品設計，提出類別得分來描述對特征的偏好順序，提出劃分質量來描述意象分類的效果，進而實現了從不精確的設計信息中有效地提取感性知識[43]；SHIEH等[44]使用粗糙集分析了牙刷的色彩與形態要素與消費者的情感反應之間的相關性。

2.2.4 基于樹的方法

基于樹的方法通過分層與分割的方式將因變量的變量空間進行分割，通過分析自變量的所屬區域特征對因變量進行預測?；跇涞姆椒軌蛑苯犹幚矶ㄐ砸蜃兞浚瑢ψ宰兞块g的關系不敏感，常用于分類關系的KE模型構建過程中。

基于樹的方法在KE模型構建中的應用有：YEH和CHEN[45]使用決策樹算法分析感知響應的組合與使用意圖間的關系，以及送貨上門服務的特征組合對感知響應結果的影響，建立了感性詞匯和服務屬性之間的關系；文獻[46]以數碼相機外形為研究對象，使用分類樹分析產品感性意象特征，以實現對市場的劃分，并使用多準則妥協解排序法(vlsekriterijumska optimizacija I kompromisno resenje，VIKOR)對產品組合優先級進行排序。

針對非線性KE模型的相關研究總結及對比見表3。

表3 非線性KE模型研究對比

2.3 非精確KE模型

感性意象與設計要素均具有一定的模糊性，部分學者嘗試在KE模型的構建中融入模糊理論與灰色理論，試圖對這類非精確關系進行描述。

2.3.1 模糊理論

模糊理論是由ZADEH[47]于1965年提出，適合處理與不確定性和模糊性有關的問題。模糊理論將樣本是否屬于集合的二值問題轉換為隸屬度問題，適用于沒有嚴格分類屬性的對象。

由于模糊理論對隸屬關系的描述符合人的感性信息認知特點，因此模糊理論在KE中獲得了廣泛的應用。如：石夫乾等[48]使用模糊集結合D-S證據理論，以感性詞匯集為目標集，產品特征集為證據集，建立了感性知識與汽車前臉局部特征集合的推導關系；丁滿等[49]使用模糊數表達用戶對色彩的模糊期望值，建立了感性期望值與色彩設計方案的模糊設計模型，并使用粒子群算法實現了設計模型的迭代優化；SHEN和WANG[50]融合模糊KE與創造性方法，建立感性意象詞匯與揚聲器的外觀元素之間的關系，并結合仿生方法設計了新的外觀；LI等[51]使用貝葉斯推理方法從變精度粗糙集和樣本距離測量的結果中計算感性知識，使用模糊關聯規則挖掘與BP神經網絡獲取并預測高頻規則，為新高跟鞋外形設計提供支持。

2.3.2 灰色理論

灰色理論由鄧聚龍提出[52]，通過因素之間在發展過程中的相近性與相對變化趨勢來構造關聯度[53]，適合于動態歷程分析。

在KE的研究中，常通過灰色理論分析特征參數與意象參數的變化趨勢，從而獲得特征與意象間的關系強弱。如：SUTONO等[54]以乘用車外形輪廓為研究對象，使用田口方法(Taguchi method)生成產品樣本，使用灰色關聯分析解決多響應優化問題，主成分分析分配相關感性響應的權重值，建立了與乘用車外形設計要素與感性詞匯間的響應關系；丁滿等[55]提出了多工作模式下的產品配色意象的灰色評價方法，基于灰色關聯分析法建立了高空作業車色彩與感性意象之間的關聯模型；LIN和WEI[56]首先對產品特征的重要性排序，通過灰色預測方法得到了感性詞匯與香水瓶形態要素關聯關系的強弱程度，利用偏好排序輔助設計。

針對非精確KE模型的相關研究總結及對比見表4。

表4 非精確KE模型研究對比

3 存在的問題與未來研究方向

3.1 存在的問題

經過對現有研究的分析與對比，可發現在當前KE研究中，絕大部分的研究均使用基于問卷的量表作為感性意象參數的獲取與分析方法。這種方法實施方式靈活、簡單易行、問卷結果易處理，但也存在一些不足：樣本量較少，且樣本群體特征較為集中；問卷場景對意象提取結果的影響無法預測[42]；問卷重復使用率低；進行問卷的過程耗時多；用戶對感性詞匯評價等級之間差異的認知會導致意象分析提取的誤差[16]；設計師與用戶對意象詞匯的認知差異無法通過問卷體現[17]。

在產品特征參數化方面，本文所引研究中基于人工的方法、基于參數化設計的方法、兩種方法均使用的比例分別為63.89%，33.33%，2.78%，可見基于人工的方法為最常用的方法?；谌斯さ姆椒ň哂羞m用性強和使用便捷的特點，使其能夠在KE研究中被廣泛使用，但是由于其依賴主觀判斷，難以形成通行的標準，導致KE的研究成果難以再現。而基于參數化設計的方法由于需要進行大量的建?；驕y量工作，在實用性上較差，因此當前參數模型法主要應用于特征簡單的載體中，如可參數化表示的色彩[20,44,49,55]、簡單形態[32-33,36]。但是由于參數設置通常較為明確，能夠提高再現其研究成果的可能性。

3.2 未來的研究方向

在感性意象提取方面，為了消除因使用調查問卷而出現的誤差，一些學者開始嘗試應用大數據挖掘或生理測量的方法來分析用戶的感性意象，為感性意象的量化分析提供了新的路徑。如文獻[57]使用基于詞頻統計的文本挖掘方法，選用已知詞性和評價指標的詞語構建詞典，通過分析文本中的評價詞構建感性意象維度，分析文本中關鍵詞的詞頻以獲得相應的感性意象維度評分；文獻[58]將腦電分析與眼動追蹤技術相結合，通過分析腦電信號研究了產品包裝的設計特征與產品意象詞匯之間的聯系，通過眼動追蹤分析了視覺要素與意象詞匯間的關系。

在特征參數化方面，盡管基于人工的方法存在許多不足，但是其廣泛的適用性和簡便的使用方法使其仍將成為未來KE中產品特征參數提取的主要方法之一。隨著計算機輔助設計技術、產品形狀反求、工藝反求和材料反求等逆向工程技術日漸完善，促進了基于參數化設計的特征參數提取方法的應用，從早期主要提取外形輪廓特征[13-14,19,24]，到近年來對表面特征與材料特征的提取[15,26]，可以預見基于參數化設計的特征參數提取方法的應用難度將會逐漸降低。

KE研究基于案例進行[3]，使得KE模型的構建方法十分多樣。早期的KE研究主要使用的是數量化理論Ⅰ[18-20]與線性回歸[14,22-23]等較為成熟的技術，而近年受到數據挖掘、神經網絡等熱點技術的影響，一些學者開始嘗試將這些熱點技術應用于KE研究中[37-39]，新技術的發展會使KE模型的構建方法有更多選擇，促進KE研究的深入。

4 結束語

KE作為一種將消費者的感性需求融入設計當中的技術，近年來越來越受到學者的關注。隨著目前數據科學、生理測量技術、計算機輔助設計、逆向工程等技術的發展，KE的研究方法與可用技術日漸豐富，仍有很大的發展空間。

本文總結了近十年左右KE中的參數化設計方法關鍵技術的相關研究，對感性意象與產品特征參數化方法進行了分析，針對3種類型的KE模型，梳理總結了其構建過程中的常用方法的特點及其應用方式。本文能夠幫助KE領域的初學者較為全面地了解其常用方法及作用，具有一定的借鑒與參考價值。

[1] NAGAMACHI M. Kansei engineering: A new ergonomic consumer-oriented technology for product development [J]. International Journal of Industrial Ergonomics, 1995, 15(1): 3-11.

[2] NAGAMACHI M. Kansei engineering as a powerful consumer-oriented technology for product development [J]. Applied Ergonomics, 2002, 33(3): 289-294.

[3] 羅仕鑒, 潘云鶴. 產品設計中的感性意象理論、技術與應用研究進展[J]. 機械工程學報, 2007, 43(3): 8-13.

[4] 蘇建寧, 王鵬, 張書濤, 等. 產品意象造型設計關鍵技術研究進展[J]. 機械設計, 2013, 30(1): 97-100.

[5] KITTROSS J M. The measurement of meaning [J]. Audiovisual Communication Review, 1959, 7(3): 154-156.

[6] LIKERT R. A technique for the measurement of attitudes [J]. Archives of Psychology, 1932, 140: 44-53.

[7] 陳亮, 唐珊. 基于徐州漢文化元素的旅游紀念品創新設計[J]. 包裝工程, 2016, 37(10): 122-125.

[8] 景楠, 方海, 張秦瑋. 基于類型學的產品風格創新設計研究[J]. 機械設計, 2015, 32(4): 121-125.

[9] HSIAO S W, TSAI H C. Applying a hybrid approach based on fuzzy neural network and genetic algorithm to product form design [J]. International Journal of Industrial Ergonomics, 2005, 35(5): 411-428.

[10] SUTONO S B, ABDUL-RASHID S H, AOYAMA H, et al. Fuzzy-based Taguchi method for multi-response optimization of product form design in Kansei engineering: A case study on car form design [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2016, 10(9): 1-16.

[11] 李雪瑞, 余隋懷, 初建杰, 等. 意象驅動的產品形態基因網絡模型構建與應用[J]. 計算機集成制造系統, 2018, 24(2): 464-473.

[12] 張云龍, 王進, 陸國棟. 產品廓形曲線的幾何特征語義描述與風格解析技術[J]. 計算機輔助設計與圖形學學報, 2013, 25(11): 1735-1745, 1758.

[13] 蘇建寧, 張秦瑋, 吳江華, 等. 產品多意象造型進化設計[J]. 計算機集成制造系統, 2014, 20(11): 2675-2682.

[14] 羅仕鑒, 李文杰, 傅業燾. 消費者偏好驅動的SUV產品族側面外形基因設計[J]. 機械工程學報, 2016, 52(2): 173-181.

[15] VIEIRA J, OSóRIO J M A, MOUTA S, et al. Kansei engineering as a tool for the design of in-vehicle rubber keypads [J]. Applied Ergonomics, 2017, 61: 1-11.

[16] CHOU J R. A Kansei evaluation approach based on the technique of computing with words [J]. Advanced Engineering Informatics, 2016, 30(1): 1-15.

[17] HSU S H, CHUANG M C, CHANG C C. A semantic differential study of designers' and users' product form perception [J]. International Journal of Industrial Ergonomics, 2000, 25(4): 375-391.

[18] 蘇建寧, 李鶴歧. 應用數量化一類理論的感性意象與造型設計要素關系的研究[J]. 蘭州理工大學學報, 2005, 31(2): 36-39.

[19] SCHüTTE S, EKLUND J. Design of rocker switches for work-vehicles: An application of Kansei engineering [J]. Applied Ergonomics, 2005, 36(5): 557-567.

[20] LAI H H, LIN Y C, YEH C H, et al. User-oriented design for the optimal combination on product design [J]. International Journal of Production Economics, 2006, 100(2): 253-267.

[21] HSIAO S W, CHIU F Y, LU S H. Product-form design model based on genetic algorithms [J]. International Journal of Industrial Ergonomics, 2010, 40(3): 237-246.

[22] 林麗, 薛澄岐, 王海燕, 等. 優化KE模型的產品形態解構方法[J]. 東南大學學報: 自然科學版, 2010, 40(6): 1353-1357.

[23] CHANG Y M, CHEN C W. Kansei assessment of the constituent elements and the overall interrelations in car steering wheel design [J]. International Journal of Industrial Ergonomics, 2016, 56: 97-105.

[24] 周蕾, 薛澄岐, 湯文成, 等. 產品信息界面的用戶感性預測模型[J]. 計算機集成制造系統, 2014, 20(3): 544-554.

[25] LLINARES C, PAGE A F. Kano's model in Kansei engineering to evaluate subjective real estate consumer preferences [J]. International Journal of Industrial Ergonomics, 2011, 41(3): 233-246.

[26] CHEN X, BARNES C J, CHILDS T H C, et al. Materials′ tactile testing and characterisation for consumer products′ affective packaging design [J]. Materials & Design, 2009, 30(10): 4299-4310.

[27] CHEN M C, HSU C L, CHANG K C, et al. Applying Kansei engineering to design logistics services - A case of home delivery service [J]. International Journal of Industrial Ergonomics, 2015, 48: 46-59.

[28] ZHOU X X, LIANG H E, DONG Z Y. A personalized recommendation model for online apparel shopping based on Kansei engineering [J]. International Journal of Clothing Science and Technology, 2017, 29(1): 2-13.

[29] WANG K C. A hybrid Kansei engineering design expert system based on grey system theory and support vector regression [J]. Expert Systems with Applications, 2011, 38(7): 8738-8750.

[30] YANG C C, SHIEH M D. A support vector regression based prediction model of affective responses for product form design [J]. Computers and Industrial Engineering, 2010, 59(4): 682-689.

[31] YANG C C. Constructing a hybrid Kansei engineering system based on multiple affective responses: Application to product form design [J]. Computers and Industrial Engineering, 2011, 60(4): 760-768.

[32] SHIEH M D, LI Y F, YANG C C. Comparison of multi-objective evolutionary algorithms in hybrid Kansei engineering system for product form design [J]. Advanced Engineering Informatics, 2018, 36: 31-42.

[33] KITTIDECHA C, MARASINGHE A C. Application of Kansei Engineering and Box-Behnken response surface methodology for shape parameter design: A case study of wine glass [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2015, 9(5): JAMDSM0059.

[34] 焦李成, 楊淑媛, 劉芳, 等. 神經網絡七十年:回顧與展望[J]. 計算機學報, 2016, 39(8): 1697-1716.

[35] PALIWAL M, KUMAR U A. Neural networks and statistical techniques: A review of applications [J]. Expert Systems with Applications, 2009, 36(1): 2-17.

[36] 蘇建寧, 范躍飛, 張書濤, 等. 基于感性工學和神經網絡的產品造型設計[J]. 蘭州理工大學學報, 2011, 37(4): 47-50.

[37] GUO F, LIU W L, LIU F T, et al. Emotional design method of product presented in multi-dimensional variables based on kansei engineering [J]. Journal of Engineering Design, 2014, 25(4-6): 194-212.

[38] OZSOYDAN F B, KANDEMIR C M, DEMIRTAS E A. Neural-network-based genetic algorithm for optimal kitchen faucet styles [J]. Neural Network World, 2015, 25(4): 387-404.

[39] GUO F, LIU W L, CAO Y Q, et al. Optimization design of a webpage based on kansei engineering [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2016, 26(1): 110-126.

[40] 李少波, 全華鳳, 胡建軍, 等. 基于在線評論數據驅動的產品感性評價方法[J]. 計算機集成制造系統, 2018, 24(3): 752-762.

[41] PAWLAK Z. Rough sets [J]. International Journal of Computer and Information Sciences, 1982, 11(5): 341-356.

[42] ZHAI L Y, KHOO L P, ZHONG Z W. A rough set based decision support approach to improving consumer affective satisfaction in product design [J]. International Journal of Industrial Ergonomics, 2009, 39(2): 295-302.

[43] ZHAI L Y, KHOO L P, ZHONG Z W. A dominance-based rough set approach to Kansei engineering in product development [J]. Expert Systems with Applications, 2009, 36(1): 393-402.

[44] SHIEH M D, YEH Y E, HUANG C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.

[45] YEH C T, CHEN M C. Applying kansei engineering and data mining to design door-to-door delivery service [J]. Computers and Industrial Engineering, 2018, 120: 401-417.

[46] WANG C H, CHIN H T. Integrating affective features with engineering features to seek the optimal product varieties with respect to the niche segments [J]. Advanced Engineering Informatics, 2017, 33: 350-359.

[47] ZADEH L A. Fuzzy sets [J]. Information and Control, 1965, 8(3): 338-353.

[48] 石夫乾, 孫守遷, 徐江. 產品感性評價系統的模糊D-S推理建模方法與應用[J]. 計算機輔助設計與圖形學學報, 2008, 20(3): 361-365.

[49] 丁滿, 孫偉, 徐江, 等. 考慮色彩意象不明確的產品色彩模糊優化設計[J]. 機械工程學報, 2011, 47(12): 185-190.

[50] SHEN H C, WANG K C. Affective product form design using fuzzy Kansei engineering and creativity [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(6): 875-888.

[51] LI Z R, SHI K, DEY N, et al. Rule-based back propagation neural networks for various precision rough set presented Kansei knowledge prediction: A case study on shoe product form features extraction[J]. Neural Computing and Applications, 2017, 28(3): 613-630.

[52] 鄧聚龍. 灰色控制系統[J]. 華中工學院學報, 1982(3): 11-20.

[53] 田民, 劉思峰, 卜志坤. 灰色關聯度算法模型的研究綜述[J]. 統計與決策, 2008(1): 24-27.

[54] SUTONO S B, ABDUL-RASHID S H A, TAHA Z, et al. Integration of grey-based Taguchi method and principal component analysis for multi-response decision-making in Kansei engineering [J]. European Journal of Industrial Engineering, 2017, 11(2): 205-227.

[55] 丁滿, 孫偉, 馬鐵強. 多工作模式產品配色意象的灰色評價方法[J]. 計算機輔助設計與圖形學學報, 2009, 21(12): 1857-1862.

[56] LIN Y C, WEI C C. A hybrid consumer-oriented model for product affective design: An aspect of visual ergonomics [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2017, 27(1): 17-29.

[57] YAMADA A, HASHIMOTO S, NAGATA N. A text mining approach for automatic modeling of Kansei evaluation from review texts [C]//International Conference on Kansei Engineering & Emotion Research. Heidelberg: Springer, 2018: 319-328.

[58] ROJAS J C, CONTERO M, CAMBA J D, et al. Design perception: Combining semantic priming with eye tracking and event-related potential (ERP) techniques to identify salient product visual attributes [C]// Proceedings ASME Conference on ASME 2015 2015 International Mechanical Engineering Congress and Exposition. Houston: ASME Press, 2015: 2-8.

Key Technologies in Parametric Design Methods in Kansei Engineering: State of art and progress

LIN Li1,2, ZHANG Yun-kun1

(1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China;2. School of Mechanical Engineering, Guizhou University, Guiyang Guizhou 550025, China)

Kansei engineering is a common method to integrate the perceptual experience of consumers into design. Over the past ten years, scholars at home and abroad have carried out many researches on kansei engineering and made some achievements. Based on a review of the achievements made in the key technologies in parametric design methods in kansei engineering, firstly, this paper summarized the common kansei image in kansei engineering and product feature parameterization method; secondly, we highlighted the common methods and characteristics of three kinds of KE model construction and made a comparison among the existing studies; finally, the existing problems with kansei engineering were discussed and the possible future research trendswere sketched out.

product design; KE; parametric design; KE model; key technology; review

TB 472

10.11996/JG.j.2095-302X.2019050936

A

2095-302X(2019)05-0936-09

2019-05-13；

2019-07-28

國家自然科學基金項目(51865003，51465007)；貴州省科技計劃項目(黔科合平臺人才[2018]5781)

林 麗(1973-)，女，四川南充人，教授，博士，碩士生導師。主要研究方向為產品設計、感性工學、傳統文化創意設計。 E-mail：linlisongbai@163.com