说不出为何喜欢？抓不住7秒黄金决策期？脑科学和AI帮你解决

脑科学和人工智能算法的进步如何让我们更了解消费者的情感和心理？

看着上面的这张图，你的感觉是喜欢、一般、还是不喜欢？

如果是喜欢，那能说出是为什么吗？

很多时候，我们虽然喜欢看到的东西，但却不能说出具体的喜欢原因。其实，这种喜欢是因为视觉刺激让大脑瞬间做出了情感判断。

买东西时，也是如此。比如，看着货架上各式各样的日常生活用品，哪一个会被加入购物车？精通营销的行业内部人员会告诉你，消费者在这种货架前，通常只会花7秒来做出决策。

这跟消费者的潜意识和情感偏好有很大关系。

今天讲一个关于调味瓶设计的实验。

有一项将脑电技术与交互式演化设计方法应用于调味瓶设计的实验，发现运用脑科学和人工智能算法可以更快速、准确地获取消费者的潜意识和情感偏好。

图片来源：giphy

一、为什么脑科学能知道你的情感偏好？

1. 在干货开始前，我们先了解点脑科学知识。

大脑皮层主要分为额叶、顶叶、颞叶和枕叶这四个脑区，每个脑区都有大量神经元，负责不同的认知加工。

额叶主要与思维、情感、计划和需求有关。其中左额叶区主要负责积极情绪，右额叶区主要负责消极情绪。

大脑两半球功能各有特点，不同功能向一侧半球集中，就是半球优势。1981年，美国心理生物学家罗杰·斯佩里提出了左右脑分工理论，并因此获得了诺贝尔奖。

罗杰·斯佩里

当时，他有一条结论（“半球大脑优势假说”）是：一般来说，左脑对数字文字的识别、认知、记忆要比右脑好一些，而右脑在图像图形处理上，则要优于左脑一些。

著名画家达·芬奇、米开朗基罗、毕加索都是用左手作画，这是否在一定程度上表明右脑功能优势值得思考。

2. 再来了解下脑电技术(electroencephalogram, EEG)。

脑电技术是一种使用脑电图扫描仪记录大脑活动的方法。在医学领域，目前普遍认为阿尔兹海默症、癫痫等疾病都与脑电异常有关，脑电的检测成为一门神秘而又重要的学科。

脑电技术(electroencephalogram, EEG)

在脑电图中，积极情绪状态下，左额叶α波能量值降低，左半球活跃度增加；消极情绪状态下，右额叶α波功率降低,左半球活跃度增加。总之就是，脑电能量激活强度与大脑活跃度成反比。

依据额叶alpha不对称（FAA）理论，左额叶的活动也经常被看作愉悦或喜爱的指标。左额叶α波能量值下降表明被试（指心理学实验或心理学测验中接受实验或测验的对象，可产生或显示被观察的心理现象或行为特质）处于一种更愉快的状态，所以可以利用额叶α波能量值分析产品和用户情感之间的关系。这比传统的运用个人经验和主观猜测来获得用户情感需求要更客观。

在这个实验中研究者便通过这种方法来分析用户对“蜀文化”中不同文化元素的偏好。

二、实验方法和过程

由于原实验涉及许多晦涩的专业用语和算法公式，这里对实验方法和过程做了简单呈现，以方便大家理解。

1. 用脑电技术测消费者们最喜欢哪个“蜀文化”元素

实验中他们先从蜀文化中选出6个代表性元素作为图片样本，并将每张图片编号。

蜀文化元素样本：1金沙，2三星堆，3三国人物，4熊猫，5川剧脸谱，6民族服装

为了获得可视化模拟材料，他们借助PAD情感量表从愉悦度（Pleasure, P）、激活度（Arousal, A）、优势度（Dominance, D）三个维度测量用户对不同文化元素的情感。

PAD情绪量表由代表不同情感状态的12组形容词组成（见下图）。

其中每4组形容词构成一个维度，每组词在其所属维度上表达相反的情感，在其他两个维度上的情感值基本一样。在量化这些情感时，采用9点语义差异量表，例如V1：愤怒的-感兴趣的，评分在-4到4之间，被试根据情感强烈程度来打分，得分越靠左表示越愤怒，得分越靠右表示越感兴趣。

通过PAD情感测试和相关计算，得出每个图片样本的愉悦度P、激活度A、优势度D的分值，PAD分值越高，愉悦度、激活度、优势度越高。

PAD情感量表数据

再根据愉悦度值（P）和情感状态类别（Category of emotional state）将6张图片样本分成喜欢、一般和不喜欢3组。

图片样本分组

3组不同情感状态的图片样本作为后续脑电实验的视觉刺激材料以诱导被试产生不同的情感体验。

如前面所提到的，额叶主要与情感等有关，所以这次脑电实验以额叶为研究对象，记录下不同位置的脑电数据。

通过数据分析发现，在喜欢的图片样本的刺激下，左额极α波的平均能量值降低，说明这组图片诱导被试产生了愉快的情绪。相反，在不喜欢的图片样本的刺激下，右额极α波的平均能量值降低，这表明这组图片导致被试产生了不愉快的情绪。

结果表明，该方法同样适用于单张图片样本。因此，可以利用左、右额极α波能量值的不对称性来判断被试的情绪状态，从而帮助设计者通过用户情绪获取用户偏好信息。

而且，从上面的“图片样本分组”图中的数据可以看出，在“蜀文化”的文化创意产品设计中，被试倾向于“民族服装”这一文化元素。

2. 提取用户的感知意向，了解用户期待

接下来就是提取用户对文化创意产品的感知意象，以作为后续演化设计的目标意象。

稍等一下，什么是意象、感知意象和目标意象？

意象：认知主体在接触过的客观事物后，根据感觉来源传递的表象信息，在思维空间中形成的有关认知客体的加工形象，在头脑里留下的物理记忆痕迹和整体的结构关系。

感知意象：指用户凭借自身感官对产品所产生的联想，它与视觉、用户生活经验、文化背景等因素相关，属于心理活动的范畴，可以进行定量研究。

目标意象：指认知主体对自己解决问题的目标模式反应和动作型式，在头脑中形成一个表象，即明确解决问题的目标模式。

用户在认知产品之前，总会在大脑中形成一种期望。每一位用户根据TA过去对这一产品或相关产品的经验（甚至是偏见）会形成目前的产品应该是什么样子的这一思维概念上的模型，比如“外观造型怎样”“它的功能如何”“如何使用”等问题。

由于用户的知识背景（包括知识经验、受教育程度和所处环境等）不同，这一感知意象模型也各有不同。

而当用户在受到产品刺激时，会产生认知、视觉等综合心理活动，对以往的经验记忆进行联想，形成对产品的评价和意象概念，并借以形容词类的感性意象词汇来进行描述。

他们通过调查、感性意象词汇的选取、分析，最终确定用户的意象需求：风格独特、新颖有趣、实用、朴素。

3.怎么利用AI算法预测出更符合消费者期待的设计

了解了用户期待后再回到开头提到的调味瓶上。

要想设计出用户喜欢的调味瓶，此时还需要做些什么？

首先研究者将调味瓶的形态元素分为瓶盖、瓶身和花纹图案。再将脑电实验选择的“民族服装”作为分析对象，以彝族服饰为灵感，对调味瓶的形态特征进行解构。

彝族服饰最具代表性的形态特征是男女头饰。另外，男女上衣的钮扣都在右边，男人穿裤子，女人穿褶裙，而且他们总喜欢穿“查尔瓦”（形似斗篷，长至膝盖之下，下端饰有长穗流苏）。服饰图案大多来自彝族的图腾崇拜，如植物、动物、自然现象、社会生活和几何图案等。

他们邀请设计师从上图中提取彝族服饰的特点，并将其应用到调味瓶的形态设计中，获得了八种瓶盖特征、八种瓶身特征和八种装饰图案。

调味瓶的不同形态特征：瓶盖、瓶身、花纹图案

虽然感知意象能帮设计师将产品的情感有效地传达给消费者，但设计师也往往会陷入停留在用户外显认知层面，而忽略用户内隐认知的局面。

外显认知：指的是我们在接受外界信息时，能明确表达出来的感受、情感等，比如产品的颜色、造型、触感……我们都能明确说出对它们是否喜欢。

内隐认知：则是无意识的，无法用语言准确描述出来，但在很大程度上影响着我们的决定，它就像是“冰山模型”中藏在更深层次的部分。因此，在设计产品时要充分考虑用户的内隐认知加工。

而在众多算法中，交互式遗传算法（Interactive Genetic Algorithms, IGA）能将传统进化计算与人的智能评价有机结合,算得上一种解决隐式性能指标优化问题的有效方法。

1975年，美国Michigan大学的John Holland教授提出了遗传算法(Genetic Algorithm, GA)，这是一种基于生物的进化和选择过程而形成的一种迭代自适应概率搜索算法。虽然它可以发现搜索收敛效率低、难以得到适应函数等不足，但实际上对于一些艺术设计、知识学习等模糊系统优化问题难以用明确的函数表示，从而影响收敛全局最优解。

John Holland，遗传算法之父 图片来源：Michigan大学官网

1986年，Dawkins提出了交互式遗传算法的概念，提供了解决隐性优化问题的新思路。

在IGA运算中，可通过互动的方式对个体的适应度进行评估。这对艺术创作、设计、以及其他易受人的主观感受而产生偏见的领域具有很高的应用价值和广泛的现实意义。

他们利用IGA的优化能力，对调味瓶的形态特征进行编码（此处采用的是最常用的二进制编码方法），再进行交叉、变异和选择，从而生成以下6个方案。

但是，IGA也存在一些不足，为了交互求解的精确性，用户需要经过多次评价，这容易让用户产生疲劳感，从而影响用户对产品的感知。因此，如何减少用户交互评价带来的疲劳感成为许多学者研究的重点。

后来，为了改善IGA引起的疲劳误差，反向传播神经网络（BPNN）被引入，用来模拟用户交互评价，优化演化设计系统。

神经网络是仿照脑神经系统的算法，由模拟生物神经系统的学习能力和认知行为发展而成。BPNN是应用广泛的网络算法之一，属于深度学习网络核心精华部分，具有并行性强、容错能力强、易学习等优点。

这次对调味瓶造型设计的研究，便采用的是将BPNN作为模拟评价模型的方法。

通过系统演化和相关分析，获得了分别令男性和女性目标用户满意的解决方案。

系统演化后的方案（a）和（b）

三、设计结果呈现

最后，设计师以上图中的方案为原型，设计了一套调味瓶，见下图。

调味瓶设计示意图

系统演化后的方案（a）被用作油、醋瓶的原型，瓶盖采用男性头饰的英雄结造型，并添加了“查尔瓦”的形态特征。方案（b）被用作盐、胡椒等调味瓶的原型，瓶盖采用女性头饰上的荷叶边，并添加了围裙的形态特征。

为了形成系列化的瓶盖，设计师还设计了三个头巾形态的瓶盖。配色上，则从彝族服饰的色彩基因中提取黑、红、黄、白，充分考虑了彝族“以黑为贵”的审美标准。

从示意图中可以看出，瓶子的整体线条简洁流畅，只有简单的图案用于装饰，这充分体现了彝族服饰语义的朴素、庄重的魅力。

此外，为了识别瓶中的调料，设计师还进行了文字设计。

2016年，该系列具有彝族文化特色的调味瓶设计荣获2016年中国高校工业设计大赛（四川赛区）二等奖，看得出大家对它的喜欢。

来感受下3D打印模型。

是不是符合风格独特、新颖有趣、实用、朴素这些意象需求？！

虽然这些学生的实验只分析了不同文化元素刺激下频率域特征与愉悦度的关系，没有考虑色彩、文化等因素的影响，以及采用的是比较基本的交互式遗传算法和神经网络算法，但通过调味瓶的设计实验也证实了脑电技术和交互式演化设计方法有助于产品设计。

因此，通过额叶α波反映的产品体验与用户情感的关系，设计师可以避免文化元素选择的主观性，而可以相对客观地选择用户偏好的元素；通过用户感知意象的调查和分析，则可以掌握用户对文化创意产品的图像感受；而IGA和BPNN的运用，则有利于进一步进行产品形态设计和优化。

《大佛普拉斯》里有一段：

美国心理生物学家罗杰·斯佩里获得诺贝尔奖后曾断言：“人能飞跃太空，却难以认识自身，最后攻克的科学难题是大脑。”

关于人心的宇宙，我们也在一点一点了解更多吧。

【本文首发于微信公众号节律科技（ID: neurhythm）】

原文主要参考文献：

“Application of EEG and Interactive Evolutionary DesignMethod in Cultural and Creative Product Design”, Hindawi, Published 13 January 2019.

B. B. Briesemeister, S. Tamm, A. Heine, and A. M. Jacobs, “Approach the good, withdraw from the bad-A review onfrontal alpha asymmetry measures in applied psychologicalresearch,” Psychology, vol. 4, no. 3, pp. 261–267, 2013.

R. J. Davidson, “Cerebral asymmetry, emotion, and affectivestyle,” Massachusetts Institute of Technology, vol. 12,pp. 361–387, 1995.

X. M. Li, X. L. Fu, and G. F. Deng, “Preliminary application ofthe abbreviated PAD emotion scale to Chinese undergraduates,” Chinese Mental Health Journal, vol. 22, no. 5,pp. 327–329, 2008.

J. A. Diego-Mas and J. Alcaide-Marzal, “Single users’ affectiveresponses models for product form design,” InternationalJournal of Industrial Ergonomics, vol. 53, pp. 102–114, 2016.

S.-W. Hsiao and H.-C. Tsai, “Applying a hybrid approachbased on fuzzy neural network and genetic algorithm toproduct form design,” International Journal of IndustrialErgonomics, vol. 35, no. 5, pp. 411–428, 2005.

D.-W. Gong, G.-S. Hao, Y. Zhou, and X.-Y. Sun, “Interactive genetic algorithmswith multi-populationadaptive hierarchy and their application in fashion design,” Applied Mathematics and Computation, vol. 185, no. 2, pp. 1098–1108, 2007.

认知神经打开意识知觉之门 人工智能读懂神经数据之美