CN107179829A - 利用眼动数据预测用户个性化偏好的方法 - Google Patents
利用眼动数据预测用户个性化偏好的方法 Download PDFInfo
- Publication number
- CN107179829A CN107179829A CN201710361518.1A CN201710361518A CN107179829A CN 107179829 A CN107179829 A CN 107179829A CN 201710361518 A CN201710361518 A CN 201710361518A CN 107179829 A CN107179829 A CN 107179829A
- Authority
- CN
- China
- Prior art keywords
- eye
- design considerations
- index
- variable
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/013—Eye tracking input arrangements
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用眼动数据预测用户个性化偏好的方法,包括下述步骤:(1)设计要素提取:选取产品图片,应用符号学和形态分析法对图片中的图样进行分解结构、提取设计元素;(2)眼动指标筛选:将图片类型作为影响因素,对具有浏览任务的用户眼动指标进行方差齐性检验,并进行下一步的单因素方差分析,筛选眼动指标;(3)建立设计要素和眼动指标关系模型:运用数量化一类理论对图样设计要素进行编码,将定性变量的图样转化为定量变量;建立的眼动指标和设计要素的多元回归模型,得出了不同的设计要素对用户个性化偏好的影响。本发明具有能建立眼动数据和设计要素间的关系模型,体现不同的设计要素对用户个性化偏好的特点。
Description
技术领域
本发明属于产品设计技术领域,具体地说是涉及一种利用眼动数据预测用户个性化偏好的方法。
背景技术
随着用户体验设计的兴起,用户情感的研究越来越成为热点,关于用户的情感研究主要包括基于心理学的心理反应测量技术和基于心理学的生理反应测量技术。基于心理学的心理反应测量技术主要包括语义差异法、语义法、口语分析法、语意比较法、PANAS量尺法[1]、PAD情感测量法[2]、产品愉悦测量问卷、PreMo测量法[3]、Emocards(emotional cards)测量法[4]、SAM(selfassessment manikin)自我评估模型等。
现有技术中,刘烨[5]等分析了情感的范畴观和维度观在情感计算领域中的应用并构建了二维和三维的情感空间。邱均平[6]等在心理测量的基础上构建了一个能实现用户个人特征和专业学科的匹配通用人才评价系统。刘青[7]等利用多维关联的规则方法提取心理测量不同量表属性的关联规则,该规则能对心理测量起到指导作用。基于心理学的生理反应测量技术是依据人的大脑中枢神经活动或是与中枢神经活动相关联的生理反应进行测量的技术,主要包括面部表情测量技术[8]、声音表现性测量技术[9]、多维度评估和眼动追踪技术[10]等。王朝光[11]等通过脑电图、心率和皮肤电等生理测量手段记录用户在游戏中的不同情绪。郭伏[12]等通过测验表明生理测量、眼部追踪及问卷调查的方法在一定程度上会影响用户的情感体验。葛燕[13]等研究了心电、脑电、皮电在电生理测量的应用,并分别指出各个指标在实际应用的优缺点。总之,现有的情感研究主要体现在对产品整体的感性或理性情感,不能体现用户情感和产品设计要素之间的关系,也不能体现设计要素对用户情感的影响,从而也不能得出不同的设计要素对用户个性化偏好的影响。
参考文献:
[1]Cotig□M I.Development and validation of a Romanian version of theexpanded version of Positive and Negative Affect Schedule(PANAS-X)[J].Procedia-Social and Behavioral Sciences.2012,(33):248-252.
[2]李晓明,傅小兰,邓国峰.中文简化版PAD情绪量表在京大学生中的初步试用[J].中国心理卫生杂志.2008,22(05):327-329.
[3]Pentus K,Mehine T,Kuusik A.Considering emotions in product packagedesign through combining conjoint analysis with psycho physiologicalmeasurements[J].Procedia-Social and Behavioral Sciences.2014,(148)_:280-290.
[4]Kamp I.The influence of car-seat design on its characterexperience[J].Applied Ergonomics.2012,43(2):329-335.
[5]刘烨,陶霖密,傅小兰.基于情绪图片的PAD情感状态模型分析[J].中国图象图形学报,2009(05):753-758.
[6]邱均平,杜晖,党永杰.基于心理测量的人才评价系统研究[J].科技进步与对策.2012(10):99-103.
[7]刘青,薛澄岐,Falk Hoehn.基于眼动跟踪技术的界面可用性评估[J].东南大学学报(自然科学版).2010,40(02):331-334.
[8]胡文婷.基于视线跟踪的智能界面实现机制研究[J].计算机应用与软件,2016(01):134-137.
[9]于悦.音乐诱发情绪测量及其影响因素[J].心理与行为研究,2014(5):695-700.
[10]李永锋,朱丽萍.基于结合分析的产品意象造型设计研究[J].图学学报,2012(04):121-128.
[11]费广洪,王细英,龚桂红.图文相关性对不同认知方式大学生阅读影响的眼动研究[J].心理学报.2013,45(07):783-789.
[12]郭伏.用户眼动行为与网站设计要素关系研究[J].工业工程与管理,2014.19(5):129-133,139.
[13]葛燕.电生理测量在用户体验中的应用[J].心理科学进展,2014(06):959-967.
发明内容
本发明的目的在于克服上述缺点而提供一种能建立眼动数据和设计要素间的关系模型,体现不同的设计要素对用户个性化偏好的影响的利用眼动数据预测用户个性化偏好的方法。
本发明的一种利用眼动数据预测用户个性化偏好的方法,包括下述步骤:
(1)设计要素提取:选取产品图片,应用符号学和形态分析法对图片中的图样进行分解结构、提取设计元素;
(2)眼动指标筛选:将图片类型作为影响因素,对具有浏览任务的用户眼动指标进行方差齐性检验,将显著性水平小于0.05的眼动指标剔除,显著性水平大于0.05的眼动指标说明具备方差性,并进行下一步的单因素方差分析,筛选眼动指标;
(3)建立设计要素和眼动指标关系模型:运用数量化一类理论对图样设计要素进行编码,将定性变量的图样转化为定量变量;建立的眼动指标和设计要素的多元回归模型,得出了不同的设计要素对用户个性化偏好的影响。
上述的利用眼动数据预测用户个性化偏好的方法,其中:所述步骤(3)中,对图样设计要素进行编码,根据数量化一类理论,不同的设计要素变量用0和1来表达,其中数据1代表该图样中有此设计要素,数据0则表示该图样中没有此设计要素。
上述的利用眼动数据预测用户个性化偏好的方法,其中:所述步骤(3)中,建立的眼动指标和设计要素的多元回归模型:
将眼动指标作为自变量x,设计要素作为因变量y,设有q个因变量和p个自变量,为了研究因变量与自变量的统计关系,选择n个样本点,由此构成自变量与因变量的数据表X=[x1,x2,...,xp]n×p和Y=[y1,y2,...,yq]n×q,将数据做标准化处理,X经标准化处理后的数据矩阵记为E0=(E01,...,E0p)n×p;Y经标准化处理后的数据矩阵记为F0=(F01,...,F0q)n×q:
步骤1.记t1是E0的第一个成分,t1=E0w1,w1是E0第一个轴,它是一个单位向量,即||w1||=1;记u1是F0的第一个成分,u1=F0c1,c1是F0的第一个轴,并且||c1||=1;如果t1,u1能分别很好地代表X和Y中的数据变异信息,根据主成分分析原理:
Var(t1)→max Var(u1)→max
另一方面,由于回归建模的需要,又要求t对u有最大的解释能力,由典型相关分析的思路,t1与u1的相关系数应达到最大值,即
r(t1,u1)→max
因此综合起来,在偏最小二乘回归中,我们要求t1与u1的协方差达到最大,正规的数学表述,求解下列优化问题,即
因此,将在||w1||2=1和||c1||2=1的约束条件下去求<E0w1,F0c1>的最大值;
根据拉格朗日法求得第一个轴w1和c1后,即可得到成分:t1=E0w1,u1=F0c1,w1是对应于矩阵E0F0F0E0最大特征值的单位特征向量,c1是对应于矩阵F'0E0E'0F0最大特征值的单位特征向量,然后分别求E0、F0对t1和u1的三个回归方程:
E0=t1p1+E1
F0=u1q1+F1 *
F0=t1r1+F1
其中,回归系数向量是而E1,F1,F1 *分别是3个回归方程的残缺矩阵;
步骤2.用残缺矩阵E1和F1取代E0和F0,然后求第二个轴w2和c2以及第二个成分t2和u2;
如此计算下去,如果X的秩是A,则会有E0=t1p1′+...+tApA′,F0=t1r1′+...+tArA′+FA由于t1,...,tA均可以表示成E01,...,E0p的线性组合,因此F0=t1r1′+...+tArA′+FA还可以还原成关于的回归方程为:
还原成原始变量的偏最小二乘回归方程,即眼动指标和设计要素的多元回归模型如式(2)所示:其中E(yk)、E(xi)分别为yk和xi的样本均值;分别为yk和xi样本均方差:
本发明与现有技术的相比,具有明显的有益效果,由以上方案可知,运用数量化一类理论对图样设计要素进行编码,将定性变量的图样转化为定量变量;建立的眼动指标和设计要素的多元回归模型,由于眼动指标的值和用户的个性化偏好息息相关,从而间接得出了不同的设计要素对用户个性化偏好的影响,并且定量分析了设计要素的影响。总之,本发明的利用眼动数据研究用户个性化偏好的方法,通过回归方程建立眼动数据和设计要素间的关系模型,探索设计要素对用户情感的影响,为个性化定制设计提供依据。
以下通过具体实施方式,进一步说明本发明的有益效果。
附图说明
图1为实施例中的代表纹样(图样)选取的部分图;
图2为实施例中的眼动实验图;
图3为实施例中的眼动数据的预测值和实际值对比图。
具体实施方式
以下结合附图及较佳实施例,对依据本发明提出的利用眼动数据预测用户个性化偏好的方法具体实施方式、特征及其功效,详细说明如后。
本发明的一种利用眼动数据预测用户个性化偏好的方法,包括下述步骤:
(1)设计要素提取:选取产品图片,应用符号学和形态分析法对图片中的图样进行分解结构、提取设计元素;
(2)眼动指标筛选:将图片类型作为影响因素,对具有浏览任务的用户眼动指标进行方差齐性检验,将显著性水平小于0.05的眼动指标剔除,显著性水平大于0.05的眼动指标说明具备方差性,并进行下一步的单因素方差分析,筛选眼动指标;
(3)建立设计要素和眼动指标关系模型:运用数量化一类理论对图样设计要素进行编码,将定性变量的图样转化为定量变量,不同的设计要素变量用0和1来表达,其中数据1代表该图样中有此设计要素,数据0则表示该图样中没有此设计要素;建立的眼动指标和设计要素的多元回归模型,得出了不同的设计要素对用户个性化偏好的影响。其中建立的眼动指标和设计要素的多元回归模型如下:
将眼动指标作为自变量x,设计要素作为因变量y,设有q个因变量和p个自变量,为了研究因变量与自变量的统计关系,选择n个样本点,由此构成自变量与因变量的数据表X=[x1,x2,...,xp]n×p和Y=[y1,y2,...,yq]n×q,将数据做标准化处理,X经标准化处理后的数据矩阵记为E0=(E01,...,E0p)n×p;Y经标准化处理后的数据矩阵记为F0=(F01,...,F0q)n×q:
步骤1.记t1是E0的第一个成分,t1=E0w1,w1是E0第一个轴,它是一个单位向量,即||w1||=1;记u1是F0的第一个成分,u1=F0c1,c1是F0的第一个轴,并且||c1||=1;如果t1,u1能分别很好地代表X和Y中的数据变异信息,根据主成分分析原理:
Var(t1)→maxVar(u1)→max
另一方面,由于回归建模的需要,又要求t对u有最大的解释能力,由典型相关分析的思路,t1与u1的相关系数应达到最大值,即
r(t1,u1)→max
因此综合起来,在偏最小二乘回归中,我们要求t1与u1的协方差达到最大,正规的数学表述,求解下列优化问题,即
因此,将在||w1||2=1和||c1||2=1的约束条件下去求<E0w1,F0c1>的最大值;
根据拉格朗日法求得第一个轴w1和c1后,即可得到成分:t1=E0w1,u1=F0c1,w1是对应于矩阵E0F0F0E0最大特征值的单位特征向量,c1是对应于矩阵F'0E0E'0F0最大特征值的单位特征向量,然后分别求E0、F0对t1和u1的三个回归方程:
E0=t1p1+E1
F0=u1q1+F1 *
F0=t1r1+F1
其中,回归系数向量是而E1,F1,F1 *分别是3个回归方程的残缺矩阵;
步骤2.用残缺矩阵E1和F1取代E0和F0,然后求第二个轴w2和c2以及第二个成分t2和u2;
如此计算下去,如果X的秩是A,则会有E0=t1p1′+...+tApA′,F0=t1r1′+...+tArA′+FA由于t1,...,tA均可以表示成E01,...,E0p的线性组合,因此F0=t1r1′+...+tArA′+FA还可以还原成关于的回归方程为:
还原成原始变量的偏最小二乘回归方程,即眼动指标和设计要素的多元回归模型如式(2)所示:其中E(yk)、E(xi)分别为yk和xi的样本均值;分别为yk和xi样本均方差:
实施例如下:
1.代表性图片选取及设计要素提取
蜡染,是我国古老的少数民族民间传统纺织印染手工艺,古称蜡,与绞缬、夹缬并称为我国古代三大印花技艺,是国家级非物质文化遗产。蜡染纹样丰富,色调素雅,风格独特,具有很高的是艺术价值和再设计价值,因此用户对于蜡染纹样的情感研究对蜡染纹样个性化定制起到了至关重要的作用。选取四种具有代表性蜡染类型,每种类型选取15张纹样(图样)作为实验纹样,同种类型的纹样风格相似,但是纹样在风格、构图、色彩等方面迥异不同,如图1所示。
蜡染风格各异,大致可分为:丹寨型、榕江型、重安江型、麻江型、织金型、安顺型、六枝型。蜡染纹样一般由边框和按照一定规则排列的单体纹样组成,如苗龙、蝴蝶、鸟纹等。应用符号学和形态分析法对纹样分解结构、提取设计元素,每一个纹样提取出来的设计元素包括:有无边框、背景颜色、排列规则、铜鼓、苗龙、双鱼、蝴蝶、花纹、鸟纹、复杂程度、图案样式、图案色彩12种要素。并根据纹样的统计归纳了各种设计要素的要素水平,如表1所示:
表1蜡染纹样设计要素
2用户与蜡染纹样个性化偏好的实验研究
2.1眼动实验过程
(1)被试对象:根据调研和分析发现,接触蜡染的典型用户为普通用户、文化专家、设计师三种。选取7名平均年龄为20~32岁的普通用户、7名平均年龄在32~45岁的文化专家、7名平均年龄为24~36岁的设计师为被试者,均无视力障碍。
(2)实验设备:Tobii Glasses眼动仪和一台安装眼动仪软件Tobii studio的笔记本电脑。
(3)实验任务设计:根据浏览任务进行实验设计。
(4)实验流程:首先向被试者介绍实验环境、设备以及实验目的,并简单介绍下实验过程中需要注意的事项。帮助被试者正确佩戴眼动仪,打开眼动仪进行调整,使被试者视线在信号采集区域从而能够正确采集到信息。
(5)实验步骤:根据实验流程设置,每组被试者要完成包含设计要素的测试工作,每组纹样设置了不同的浏览任务,浏览第一种纹样后,休息片刻浏览第二种纹样,过程与第一组相同,三种被试者完成纹样的试验后,用眼动仪记录他们的眼动数据,如图2所示。
2.2眼动指标筛选
对从Tobii studio眼动数据进行处理,共得到35个眼动指标数据,将图片类型作为影响因素,对浏览任务的眼动指标进行方差齐性检验,将显著性水平小于0.05的眼动指标剔除,显著性水平大于0.05的眼动指标说明具备方差性,可以进行下一步的单因素方差分析。进行单因素方差分析(如表2),发现平均眼跳时间、平均注视时间的显著性水平均小于0.05,可用于模型建立。
表格2眼动数据单因素方差分析
3纹样设计要素和眼动指标关系模型
3.1运用数量化一类理论对纹样设计要素进行编码
本发明中的纹样设计要素为定性变量的组合,需要将其转化为定量变量。因为每个代表性纹样中同一设计要素的设计形态是定性变量且取值是唯一的,所以根据数量化一类理论,不同的变量用0和1来表达。数据1代表该样本此项目中有此类目,数据0则表示项目中没有这类项目,即数据1代表该图样中有此设计要素,数据0则表示该图样中没有此设计要素。结合选取的代表性纹样和提取的交互设计要素,对4种代表性纹样进行0—1编码,得到0—1编码表如表3所示,其中A1~L2代表每个蜡染纹样对应的设计要素。
表3典型纹样样本0-1编码表
3.2回归模型的建立与分析
3.2.1眼动指标和个性化偏好的关系
眼跳是眼睛观察不同注视点之间的跳跃行动,表示眼睛的快速移动。在浏览任务中,被试者从一个注视点转移到另外一个注视点所花费的时间为平均眼跳时间(ms),时间的长短表明了注视点的集中程度,越快说明注视点不集中,越慢说明被试者的注视点注意力集中。需要通过多次眼跳才能找到感兴趣纹样,说明纹样不具明显特点。设计变量系数为正值并且系数值越大说明这类纹样特点集中、容易引起人的注意。
平均注视时间表明用户对纹样的感兴趣程度,在完成浏览任务时,平均注视时间的高低反映了用户对纹样的个性化偏好程度,用户在比较感兴趣的纹样会停留较长时间,反之较短。设计变量系数为正值并且系数值越大,说明用户对这种纹样更感兴趣。
3.2.2眼动指标和设计要素关系模型
利用式2中建立的眼动指标和设计要素的多元回归模型,以表中的A1~L2(每个蜡染纹样对应的设计要素)为因变量,以平均眼跳时间、平均注视时间作为自变量得到这两组眼动指标的多元回归模型,以平均眼跳时间为例,如式3、4、5。
(1)普通用户
根据设计要素的权重系数范围排序可以知道设计要素的影响程度,以普通用户的平均眼跳时间为例,排序为:背景颜色(20.1)>排列规则(16.6839)>图案色彩(6.2721)>有无边框(3.1976)>图案样式(1.8868)>蝴蝶(0.7187)>双鱼(0.6223)>鸟纹(0.5079)>花纹(0.5036)>铜鼓(0.5021)>苗龙(0.4181)>复杂程度(0.0747),要使得纹样设计特点突出、吸引力强,可以采取以下的设计方案:背景颜色变为蓝色或者明度较高的浅蓝色,增强画面的视觉冲击力,以斜对称的规则排列图案,再加上装饰边框增加图案的整体统一的效果,以多个典型动物纹样为主要设计要素,图案选取复杂、精细的纹样,以丰富画面效果,尝试不同的构图方式,如对称、连续等。
(2)文化专家
根据设计要素的权重系数范围排序可以知道设计要素的影响程度,以文化专家的平均眼跳时间为例,排序为:图案色彩(16.6417)>排列规则(15.1401)>复杂程度(10.8096)>背景颜色(10.4034)>蝴蝶(6.8516)>双鱼(5.2435)>图案样式(2.8075)>铜鼓(0.9109)>花纹(0.6789)>鸟纹(0.1668)>有无边框(0.0746)>苗龙(0.0697),文化专家用户由于专业性的原因,对纹样的样式和排列规则相对要感兴趣,可以在设计纹样排列时,采取以下设计方案:将纹样色彩定为统一的色调,适当采用一些彩色进行画面点缀,构图采用斜对称的图案排列规则,增强画面的节奏感,背景颜色为统一的蓝色,选取细密工整的动植物纹样,如上述实验提到的蝴蝶、苗龙、双鱼、鸟纹等等,纹样样式可以选择规则的几何形,取消纹样边框。
(3)设计师
根据设计要素的权重系数范围排序可以知道设计要素的影响程度,以设计师的平均眼跳时间为例,排序为:排列规则(24.0319)>背景颜色(19.8128)>图案样式(16.1436)>复杂程度(16.0654)>双鱼(11.6457)>蝴蝶(9.3389)>有无边框(4.2025)>鸟纹(2.3812)>花纹(2.0147)>铜鼓(0.7831)>苗龙(0.1368)>图案色彩(0.0546),设计师由于专业性的原因,对图案的构成规则和整体色调是否统一较为感兴趣,要引起设计师用户的注意力,可以在设计纹样排列时,采取以下设计规则:将蜡染纹样中排列规则具有独特性和符合平面构成规则的纹样进行筛选,图案排列规则选择斜对称排列,增强画面的节奏感,图案背景颜色为和谐统一的蓝色,图案样式选择不规则几何样式,选取精细工整的动植物纹样,如典型的双鱼、苗龙、蝴蝶、铜鼓等纹样为设计要素,采取有边框的图案,增加图案整体性和装饰美感。
3.3模型有效性检验
为了检验模型的有效性,另分别选6名与被试者(普通用户2名,文化专家2名,设计师2名)进行上述相同的实验,实验设备、环境、过程均与第一次相同。通过设计要素与眼动指标之间的关系模型得到的预测值与通过实验处理后的实际值进行对比,数据如图3。运用spss软件对数据做配对样本t检验,平均知识时间的显著水平均为0.0068,大于0.05,说明预测值和实际值之间没有显著差异,对浏览、查找的预测值与实际值也进行配对样本t检验,检验结果表明预测值与实际值没有明显差异,建立的模型有效。
总之,本发明为了研究不同设计要素对用户个性化偏好的影响,以蜡染纹样为实验材料,以三种不同的人群为实验对象进行研究。建立了蜡染纹样设计要素和眼动指标多元回归模型,然而眼动指标的值和用户的个性化偏好息息相关,从而间接得出了不同的设计要素对用户个性化偏好的影响,并且定量分析了设计要素的影响权重,给出了针对不同人群提高用户体验的个性化设计方案。最后通过实验证明建立的多元回归模型具有良好的准确性。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,任何未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (3)
1.一种利用眼动数据预测用户个性化偏好的方法,包括下述步骤:
(1)设计要素提取:选取产品图片,应用符号学和形态分析法对图片中的图样进行分解结构、提取设计元素;
(2)眼动指标筛选:将图片类型作为影响因素,对具有浏览任务的用户眼动指标进行方差齐性检验,将显著性水平小于0.05 的眼动指标剔除,显著性水平大于0.05 的眼动指标说明具备方差性,并进行下一步的单因素方差分析,筛选眼动指标;
(3)建立设计要素和眼动指标关系模型:运用数量化一类理论对图样设计要素进行编码,将定性变量的图样转化为定量变量;建立的眼动指标和设计要素的多元回归模型,得出了不同的设计要素对用户个性化偏好的影响。
2.如权利要求1所述的利用眼动数据预测用户个性化偏好的方法,其特征在于:所述步骤(3)中,对图样设计要素进行编码,根据数量化一类理论,不同的设计要素变量用0和1来表达,其中数据1代表该图样中有此设计要素,数据0则表示该图样中没有此设计要素。
3.如权利要求1或2所述的利用眼动数据预测用户个性化偏好的方法,其特征在于:所述步骤(3)中,建立的眼动指标和设计要素的多元回归模型:
将眼动指标作为自变量,设计要素作为因变量,设有个因变量和个自变量,为了研究因变量与自变量的统计关系,选择个样本点,由此构成自变量与因变量的数据表,将数据做标准化处理,经标准化处理后的数据矩阵记为;经标准化处理后的数据矩阵记为
步骤1.第一个轴,它是一个单位向量,
即的第一个轴,并且能分别很好地代表和中的数据变异信息,根据主成分分析原理:
另一方面,由于回归建模的需要,又要求t对u有最大的解释能力,由典型相关分析的思路,的相关系数应达到最大值,即
因此综合起来,在偏最小二乘回归中,我们要求的协方差达到最大,正规的数学表述,求解下列优化问题,即
的最大值;
根据拉格朗日法求得第一个轴,最大特征值的单位特征向量,是对应于矩阵的三个回归方程:
分别是3个回归方程的残缺矩阵;
步骤2. 用残缺矩阵以及第二个成分;
如此计算下去,如果的秩是,则会有,的线性组合,因此的回归方程为:
还原成原始变量的偏最小二乘回归方程,即眼动指标和设计要素的多元回归模型如式(2)所示:其中分别为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361518.1A CN107179829A (zh) | 2017-05-22 | 2017-05-22 | 利用眼动数据预测用户个性化偏好的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361518.1A CN107179829A (zh) | 2017-05-22 | 2017-05-22 | 利用眼动数据预测用户个性化偏好的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107179829A true CN107179829A (zh) | 2017-09-19 |
Family
ID=59832335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710361518.1A Pending CN107179829A (zh) | 2017-05-22 | 2017-05-22 | 利用眼动数据预测用户个性化偏好的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107179829A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967476A (zh) * | 2017-12-05 | 2018-04-27 | 北京工业大学 | 一种图像转声音的方法 |
CN108415955A (zh) * | 2018-02-06 | 2018-08-17 | 杭州电子科技大学 | 一种基于眼动注视点移动轨迹的感兴趣点数据库建立方法 |
CN109166180A (zh) * | 2018-08-03 | 2019-01-08 | 贵州大学 | 心智模型驱动下的vr系统用户体验设计方法 |
CN109684725A (zh) * | 2018-12-25 | 2019-04-26 | 贵州大学 | 一种基于视觉认知理论的产品形态优化设计方法 |
CN110327061A (zh) * | 2019-08-12 | 2019-10-15 | 北京七鑫易维信息技术有限公司 | 一种基于眼动追踪技术的性格确定装置、方法及设备 |
CN111227337A (zh) * | 2019-12-18 | 2020-06-05 | 浙江蓝天制衣有限公司 | 一种暗视觉状态下的安全警示服装及其构成方法 |
CN115439921A (zh) * | 2022-09-22 | 2022-12-06 | 徐州华讯科技有限公司 | 一种基于眼动图推理的图像偏好预测方法 |
CN116893953A (zh) * | 2023-09-11 | 2023-10-17 | 深圳联友科技有限公司 | 一种基于眼动追踪的界面可用性评估方法和系统 |
-
2017
- 2017-05-22 CN CN201710361518.1A patent/CN107179829A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967476A (zh) * | 2017-12-05 | 2018-04-27 | 北京工业大学 | 一种图像转声音的方法 |
CN107967476B (zh) * | 2017-12-05 | 2021-09-10 | 北京工业大学 | 一种图像转声音的方法 |
CN108415955A (zh) * | 2018-02-06 | 2018-08-17 | 杭州电子科技大学 | 一种基于眼动注视点移动轨迹的感兴趣点数据库建立方法 |
CN108415955B (zh) * | 2018-02-06 | 2021-12-28 | 杭州电子科技大学 | 一种基于眼动注视点移动轨迹的感兴趣点数据库建立方法 |
CN109166180A (zh) * | 2018-08-03 | 2019-01-08 | 贵州大学 | 心智模型驱动下的vr系统用户体验设计方法 |
CN109166180B (zh) * | 2018-08-03 | 2022-12-13 | 贵州大学 | 心智模型驱动下的vr系统用户体验设计方法 |
CN109684725A (zh) * | 2018-12-25 | 2019-04-26 | 贵州大学 | 一种基于视觉认知理论的产品形态优化设计方法 |
CN110327061A (zh) * | 2019-08-12 | 2019-10-15 | 北京七鑫易维信息技术有限公司 | 一种基于眼动追踪技术的性格确定装置、方法及设备 |
CN111227337A (zh) * | 2019-12-18 | 2020-06-05 | 浙江蓝天制衣有限公司 | 一种暗视觉状态下的安全警示服装及其构成方法 |
CN115439921A (zh) * | 2022-09-22 | 2022-12-06 | 徐州华讯科技有限公司 | 一种基于眼动图推理的图像偏好预测方法 |
CN116893953A (zh) * | 2023-09-11 | 2023-10-17 | 深圳联友科技有限公司 | 一种基于眼动追踪的界面可用性评估方法和系统 |
CN116893953B (zh) * | 2023-09-11 | 2024-04-30 | 深圳联友科技有限公司 | 一种基于眼动追踪的界面可用性评估方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107179829A (zh) | 利用眼动数据预测用户个性化偏好的方法 | |
Hsiao et al. | Fundamental dimensions of affective responses to product shapes | |
Moshagen et al. | Facets of visual aesthetics | |
Kim et al. | Designing towards emotional usability in customer interfaces—trustworthiness of cyber-banking system interfaces | |
Yang et al. | Emotional design for smart product-service system: A case study on smart beds | |
McKiernan | Prospective thinking; scenario planning meets neuroscience | |
Chen et al. | Development of design system for product pattern design based on Kansei engineering and BP neural network | |
Chen et al. | Developing the index for product design communication and evaluation from emotional perspectives | |
Zhu et al. | Research on logo design and evaluation of youth education brands based on visual representation | |
Menninghaus et al. | Beauty, elegance, grace, and sexiness compared | |
Giacomin et al. | Gender stereotypes explain different mental prototypes of male and female leaders | |
Lokman et al. | Kansei Engineering concept in e-commerce website | |
KR20030020874A (ko) | 상품 컨셉트 개발 방법 | |
Raquel et al. | The eating motivations scale (EATMOT): Development and validation by means of confirmatory factor analysis (CFA) and structural equation modelling (SEM) | |
Zhou et al. | Multimodal optimisation design of product forms based on aesthetic evaluation | |
Liu et al. | Emotion assessment and application in human–computer interaction interface based on backpropagation neural network and artificial bee colony algorithm | |
Tharangie et al. | Kansei Engineering Assessing System to enhance the usability in e-learning web interfaces: Colour basis | |
Zha et al. | Synthesizing the customer experience concept: A multimodularity approach | |
Piccolotto et al. | TBSSvis: Visual analytics for temporal blind source separation | |
Auernhammer et al. | What is design? The semantic core and periphery of design definition | |
Hu et al. | Establishing product appearance specifications with the identification of user aesthetic needs in product conceptual design | |
Sakornsathien et al. | Application of kansei engineering and data mining in developing an ingenious product Co-design system | |
Liu et al. | Development of a new cultural design process using Kansei engineering and fuzzy techniques: A case study in Mazu crown design | |
Xie et al. | Methodology selecting packaging materials combined multi‐sensory experience and fuzzy three‐stage network DEA model | |
Xue | Recursive neural network-based market demand forecasting algorithm for calligraphy practice products |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |