基于深度學習的兒童家用霧化器情感化設計方法研究

摘 "要：家庭霧化治療作為兒童呼吸系統疾病家庭護理的有效手段而被廣泛采用，兒童家用霧化器產品設計也在兒童家庭醫護需求背景和兒童醫療器械市場背景下迎來新的挑戰。兒童群體存在就醫畏懼心理，現有醫護產品缺乏針對性情感化設計，都導致兒童在護理過程中效率不高、體驗感得不到提升。近年來，計算機技術的進步為情感識別與計算提供了輔助工具，深度學習是人工智能的研究熱點和前沿方向。本文從情感化設計角度，結合深度學習方法，提出針對這類兒童家用醫護產品設計的新策略。

關鍵詞：深度學習；情感化設計；兒童醫療；概念設計

基金項目：本課題來源于2022年度教育部人文社會科學研究規劃基金項目“基于機器學習的兒童友好型醫護產品概念設計方法研究”（22YJAZH004）的子任務。

兒童健康是全民健康的基礎，《“健康中國2030”規劃綱要》明確提出實施健康兒童計劃。2018年以來，國家健康委員會連續制定兩個周期的《健康兒童行動計劃》[1]，其中提到“要鼓勵和支持兒童用藥品和醫療器械的研發”。政策催化下，兒童醫療器械市場有望迎來可觀的發展前景。同時根據我國的兒科門診報告，幾乎80%的病兒為呼吸道感染，其中4-6歲兒童的感染幾乎不具有季節性。隨著醫學科技的發展，兒童呼吸系統疾病的治療不斷地規范與完善，霧化吸入已然成為治療的主流方案，其中家庭霧化逐漸成為趨勢。但醫院到家庭的過渡期護理的缺乏、呼吸系統疾病的長期性和反復性等多方面因素容易加重兒童在接受護理時的恐懼和焦慮心理。綜合來說，緩解患兒恐懼心理、提升護理過程中的用戶體驗是兒科醫療亟待解決的痛點問題。美國學者諾曼和德拉泊于1986年出版的著作中，首次提出情感化設計的概念。情感化設計主要包括對用戶情感因素的獲取、分析、建模，以及情感因素在具體設計中的轉化等[2]。隨著人工智能的發展，深度學習技術的應用也逐漸拓展到設計領域，其強大的運算與學習能力不僅滿足情感化設計的要求，而且極大提高了效率，降低了設計實踐中人的主觀性影響。因此本文站在情感化視角，運用深度學習的具體方法，探究建立用戶與產品間的情感聯系，從而快速得到喚起用戶情感沖動的創新產品方案概念設計策略。

一、兒童家用霧化器發展現狀與存在的問題

（一）兒童家用霧化器產品介紹

霧化器是一種藥物輸送裝置，以霧狀吸入肺部進行給藥。兒童霧化器的正確使用方法是：清潔、連接裝置、裝配藥液、啟動機器、深呼吸開始霧化。其中值得注意的是，霧化過程中兒童需要盡可能保持深呼吸，通常持續10～15分鐘，直到霧化器不再出霧為止。這對于需要自行接受霧化護理的兒童是一項挑戰。其中全球市場上機器型壓縮式家用霧化器的頭部品牌以及代表產品如表1所示。

綜合來說，一方面市場頭部品牌在兒童霧化器的產品形態和色彩方面已經呈現出情感化的趨勢，嘗試以卡通、擬人、柔和的外觀來吸引兒童的注意。另一方面現有產品風格雜亂，大多是在成年人看來的生動和有趣。

（二）兒童家用霧化器設計研究現狀

文獻調查結果表明，兒童霧化器設計研究已經取得一些成果，主要集中在產品設計方法研究和具體的設計準則產出兩方面。

1.兒童霧化器設計方法仍局限于設計工作前期的策略研究階段。通常在仿生學概念的融入、游戲化內涵的引入、動態敘事性設計的介入、情趣化設計理念的運用、Kano模型和Kansei工程的結合以及行為認知療法等多種方法的融合下，分析兒童生理、心理及行為需求，以改善兒童對醫療產品和診療過程的恐懼焦慮為目標，從形態、結構、功能、肌理和色彩等方面展開研究，進而得到設計準則和流程，指導設計人員展開設計實踐。

2.兒童霧化器產品設計準則集中于功能性原則、審美性原則、安全性原則和趣味性原則，較少關注兒童用戶的情感需求。設計準則的產出一般來源于戶研究和案例分析，包括分析具體產品的發展現狀和用戶使用過程中的互動體驗。在此基礎上根據需求指標的權重提出分層次的設計準則，或現有產品改良設計的優化策略。

二、情感化設計研究現狀

基于陳永康、何人可等人的文獻計量學分析，在1996到2020年間，全球范圍內共有738個研究機構開展了有關“情感化”的研究，相關研究產出的文獻數量呈上升趨勢，其中用戶個性化、差異化情緒的識別與表達成為未來發展的新趨勢。

在情感化設計方法研究上，基于三層次理論、感性工學和情感計算這三種理論，逐漸發展出三種成熟而穩定的設計體系，并且感性工學的理論與應用研究在未來仍是一大熱點。其中，三層次理論包括本能層、行為層和反思層，具體研究框架一般為確定三層次的情感訴求、通過調研市場和用戶得到對應的具體需求，進而轉化為設計要素展開實踐。感性工學則是將非理性的感性加以量化表達，將用戶的感性因素量化為理性要素并用于產品設計，主要環節分為三步：1.意象提取；2.映射構建；3.造型創新。而情感計算則是將情感轉變為算法問題加以解決，它的最終目的并不是識別情感，而是使計算機理解人的需求，更好地為人類服務。

在情感化設計方法的應用研究中，通過關鍵詞聚類分得到目前的研究重點集中于感性工學、情感計算、人機多通道交互、用戶體驗和設計評估五個方面，并呈現出以下三種趨勢：1.從心理學和工程學的角度分析用戶模糊的語義和生理信號，并發掘潛藏的情感偏好。2.借助計算技術和統計學模型，將用戶偏好與感性意象轉化為產品的組成要素。3.與跨學科的知識進行交叉、融合，建立創新的情感化設計流程并指導設計實踐。

三、深度學習方法在設計領域的應用現狀

深度學習（Deep Learning，DL）的基本概念來自于人工神經網絡（Artificial Neural Network，ANN）研究[3]，它試圖通過在層次結構中堆疊大量的信息模塊來建模數據之外的層次表示，并對模式進行分類。與傳統的機器學習（Machine Learning，ML）技術相比，深度學習的卷積神經網絡（Convolutional Neural Network，CNN）和生成對抗網絡（Generative Adversarial Network，GAN）極大地提升了性能，超越了目前的水平。

（一）卷積神經網絡的研究與應用

1.卷積神經網絡的結構及原理

卷積神經網絡（CNN）由日本學者福島彥邦于1098年提出，是一類包含卷積計算并含有深層次結構的深度前饋神經網絡[4-5]。它提取的特征能夠包涵豐富的場景語義和結構信息，且對于平移、比例縮放、傾斜等形式的變形具有高度不變性，在活動識別、句子分類、文本識別、人臉識別、目標檢測和定位等方面有著廣泛的應用。

卷積神經網絡結構中的四種核心模塊為：卷積層、池化層、激活函數和全連接層[6]，分布于特征提取和分類識別兩個階段。它的工作原理可分為三個部分：網絡模型構建、網絡訓練及網絡預測[7]。其中網絡模型的構建需要根據具體采用的數據量以及數據本身的特點設計網絡深度、卷積步長、以及激活函數的選用；網絡訓練部分通過直接輸入完整的樣本數據實現自動提取特征，并通過殘差的反向傳播不斷減小損失來進行訓練；網絡預測過程是將提取到的特征作為輸入數據進行向前傳導，并在各個層次上輸出特征圖，最后利用全連接層網絡輸出基于輸入數據的條件概率分布。

2.卷積神經網絡在設計領域的應用現狀

卷積神經網絡的優點在于可自動提取目標特征，發現樣本集中特征規律，解決了手動提取特征效率低下、分類準確率低的不足，因而在設計領域也具有集中優勢：（1）卷積神經網絡對于輸入數據強大的包容性使其在用戶研究中具備獨特優勢，面對多模態的數據能有效地檢測情緒、識別情感，完成用戶感知評估建模；（2）卷積神經網絡經過反復訓練可以達到準確分類及預測的效果，可以快速提取產品案例的視覺風格特征以供設計者參考。

（二）生成對抗網絡的研究與應用

1.生成對抗網絡的結構及原理

根據數據集的標簽有無，機器學習一般可分為有監督學習和無監督學習[8]。在無監督學習任務中，深度學習技術中的生成對抗網絡（GAN）是最關鍵的技術之一。生成對抗網絡是2014年由Goodfellow等人提出的一種生成式深度學習模型，在圖像處理、計算機視覺、醫學成像、數據增強、自然語言處理等許多領域應用廣泛。

生成對抗網絡的基本思想是學習訓練樣本的概率分布，其結構分為生成器和判別器兩個模塊。其中生成器被用來生成新的偽數據，它將一個隨機噪聲作為輸入，通常生成圖像輸出。判別器的輸入包括真實數據x與生成器生成的偽數據G（z），輸出是一個概率值或一個標量值，表示判別器認定輸入是真實分布的概率，數值越大，是真實數據的概率越大。判別器根據輸出反饋給生成器，在對抗訓練中使生成器生成偽數據的真實性最大化。

2.生成對抗網絡在設計領域的應用現狀

生成對抗網絡所創建的數據樣本的范圍明顯擴大，特別是用于數據的高維生產，同時還能從具有不同特征的數據集中創建新的合成數據。這些特點使其在設計領域具備充分的優勢：（1）生成對抗網絡具有“無限”生成能力，能夠快速生成與真實數據匹配率較高的樣本數據，有效擴大樣本數據集，為設計工作提供參考；（2）通過生成器與判別器的博弈對抗學習，生成對抗網絡可以根據條件指導生成具備指定特征或全新特征的概念設計方案。

四、結合深度學習方法的情感化設計策略

深度學習技術在設計領域具備多重優勢，但也存在一些局限。其中，卷積神經網絡的應用僅限于輸入數據的特征提取、意象識別與分類評價，而不直接對設計流程進行指導，不涉及設計結果的輸出。生成對抗網絡的應用能得到匹配需求的設計方案產出，但在設計評價階段仍依賴諸如專家評價之類的人腦判斷過程，缺乏一個量化的標準以評價結果好壞，不僅耗時耗力，且容易因個人主觀判斷的偶然性而產生誤差。目前已有學者將二者結合應用在設計研究中，證明卷積神經網絡與生成對抗網絡的結合運用具有可行性。在此基礎上，本文以4-6歲兒童為研究對象，提出深度學習方法的兒童醫護產品情感化設計策略。

（一）建立產品感性意象數據集

1.案例庫構建。通過網絡搜索與文獻閱讀的方式對兒童家用霧化器產品進行初步調研，了解產品的技術原理、外觀特征以及代表品牌的典型產品。在此基礎上進行案例的初步搜集與篩選，并通過形態分析法對產品形態特征要素進行解析，使用圖像邊緣檢測算法提取產品形態特征，最后將形態特征提取后的案例圖進行隨機排列和編號，形成兒童家用霧化器產品案例庫。

2.感性意象空間構建。首先開展產品形態形容詞匯搜集與篩選。一方面通過查閱相關書籍、文獻資料以及互聯網搜索的方式搜集描述兒童家用霧化器的段落、語句和短語等。另一方面通過對醫護人員及設計人員進行網絡問卷調查，并應用TF-IDF方法從中提取描述產品形態的形容詞匯，獲得產品形態感性意象形容詞，匯總后應用WordNet詞典工具對文本語義進行分析得到反義詞以構成感性意象形容詞對。然后通過Ward法對上述形容詞匯進行聚類分析，提取出最終的關鍵感性意象形容詞匯，在此間基礎上建立感性意象空間。

3.產品感性意象數據集建立。首先開展產品意象識別實驗，結合SD語義量表，邀請具有設計專業背景的被試人員觀看樣本圖片，并對產品感性意象進行評分。然后計算每個樣本意象評分均值作為最終評分，以確定樣本的意象標簽，建立產品感性意象數據集。

數據集中為帶有意象標簽的樣本圖像，為后文產品感性意象映射模型的訓練提供數據輸入。

（二）提取用戶感性需求

1.感性需求獲取。針對需要接受呼吸系統疾病家庭護理的兒童患者，采用語義評價調查、行為分析和生理測量這幾種情感測量方法，進行兒童患者在接受呼吸系統疾病家庭護理過程中對家用霧化器產品的感性需求數據收集。

2.需求屬性分類。在獲取到的數據基礎上，采用TF-IDF方法從中提取描述產品形態的關鍵感性詞匯，并通過模糊Kano模型將用戶感性需求的滿意度屬性進行分類以獲得重點需求。

3.需求重要度計算。最后使用模糊層次分析法對用戶感性需求進行權重計算，來量化用戶對產品形態的重點感性需求，明確用戶對產品形態感性訴求的優先級。建立用戶需求層級，并轉化為類別信息，能夠為產品方案生成模型提供條件指導，生成以用戶需求為導向的創新設計方案。

（三）構建基于用戶情感偏好的產品意象映射模型

此階段在前期所構建的產品形態感性意象空間以及明確分級的用戶感性需求的基礎上，利用卷積神經網絡中的ResNet網絡模型建立基于用戶情感偏好的產品意象映射模型。映射模型使用python程序進行編寫，使用pytorch搭建ResNet結構。使用產品形態感性意象數據集進行映射模型訓練，得到穩定的產品意象映射模型。訓練穩定后的產品意象映射模型能對隨機輸入的新圖像進行意象識別和分類，建立產品形態與感性意象間的映射關系。

（四）構建產品情感化設計方案生成模型

此階段在構建產品意象映射模型的基礎上，利用生成對抗網絡的變體條件深度卷積生成對抗網絡（CDCGAN）模型建立產品情感化設計方案生成模型，該模型訓練穩定后，通過輸入產品意象就能在用戶感性需求的條件指導下生成創新的產品設計方案，在輸出結果的基礎上，再對設計方案進行優化，即可得到最終的兒童家用霧化器情感化設計結果。將最終設計結果代入前文建立的產品意象映射模型即可檢驗產品情感化設計方案生成模型的可用性與有效性。

五、結語

隨著技術的發展與社會經濟水平的進步，家庭醫療的議題逐漸走進大眾的視野，也暴露出現存的大部分家用醫護產品仍面臨著使用體驗不強、患兒在家庭醫療護理過程中的情感需求難以滿足的問題。情感化設計理論的突出重點在于將感性的情感因素量化為理性的設計要素，進而指導設計工作的展開。過往研究表明統計學方法、數學模型、遺傳算法等工具都能夠完成情感化設計中感性需求的量化，而近年來隨著人工智能的發展，深度學習技術的應用也逐漸拓展到設計領域，其強大的運算與學習能力不僅滿足了情感化設計的要求，而且極大提高了效率，降低了設計實踐中人的主觀性影響。因此，本研究提出的兒童家庭醫護產品的情感化設計策略具備可用性與適用性。通過理性科學的方法將用戶抽象模糊的感性評價轉化為設計參考要素，并借助深度學習網絡模型建立產品意象映射模型和設計方案生成模型，能夠快速獲得以用戶感性需求為導向的產品造型方案，達到符合用戶需求和市場要求的雙贏局面。

參考文獻：

[1]晉一.國家衛生健康委印發《健康兒童行動提升計劃（2021—2025年）》[J].青春期健康，2022（1）：31.

[2]陳永康，江雨豪，何人可，武星廷.基于文獻計量學的情感化設計研究進展、熱點與趨勢分析[J].包裝工程，2022（6）：32-40.

[3]Hong Z.A preliminary study on artifcial neural network[C]//2011 6th IEEE Joint International Information Technology and Artifcial Intelligence Conference.IEEE， 2011（2）：336–338.

[4]Gu J，Wang Z，Kuen J，Ma L，Shahroudy A，Shuai B，Liu T，Wang X，Wang L，Wang G，Cai J. Recent advances in convolutional neural networks[J].Pattern Recognition， 2015（77）：354-377.

[5]Goodfellow I，Bengio Y，Courville A.Deep learning[M].Cambridge： MIT press，2016：326-366.

[6]周楠，歐陽鑫玉.卷積神經網絡發展[J].遼寧科技大學學報，2021（5）：349-356.

[7]李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016（9）：2508-2515.

[8]羅佳，黃晉英.生成式對抗網絡研究綜述[J].儀器儀表學報，2019（3）：74-84.

作者簡介：汪玉嬌，南京理工大學設計藝術與傳媒學院工業設計工程專業研究生。研究方向：工業設計。

通訊作者：曾山，博士，南京理工大學設計藝術與傳媒學院副教授、碩士生導師。研究方向：工業設計、設計心理學、設計歷史與文化。