基于机器学习的用户情感意象多模式测量方法研究

目的通过不同模式的情感测量实验探索适合产品外观的情感测量方法,研究用户情感多模式测量的有效性。方法从主观情感测量方法、脑电测量技术、眼动追踪技术以及外周生理测量技术等几个方面探索用户情感测量模式,采用机器学习算法分别构建不同测量模式下的用户情感意象与多模式生理测量指标之间的关系模型。结果融合脑电指标,眼动指标和外周生理指标的用户情感意象与多模式生理测量指标关系模型在偏最小二乘回归(PLSR),BP神经网络(BPNN)和支持向量机回归(SVR)关系模型中拥有较低的均方根误差(MSE)和较高的拟合优度(R^(2))。相较于PLSR和BPNN,在构建用户情感意象与多模式生理测量指标关系模型时,SVR算法表现出更低的MSE和更高的R^(2)。结论多模式憎爱分明感测量方法可以有效弥补主观情感测量方法测量用户情感时带来的不确定性和模糊性,使用户情感意象测量结果更加客观和准确。