【好好科研】栏目，今日正式上线，智慧的孔明将为大家带来工业设计读研中的相关的优秀文献阅读，与大家分享优秀的科研的论文。
今日分享的文献是来自东北大学团队发表在IJIE上的一篇三区论文，其主要内容是结合了眼动和脑电的研究方法对视觉美学进行联合评估，同时使用了机器学习的方法，将生理信号与视觉美学进行联系，达到了较高的精度。该文章研究思路清晰，研究方法经典。
实验素材：常规使用，简单功能，外观多样的台灯为素材，用以呈现不同的美感。采用了产品特征解构的方法选择设计LED台灯原型的关键特征以获得代表性样品。结构之后考虑了形态、材料、颜色特征的正交设计，开发了3个灯原型。 被试选择：28位年龄在25-27岁之间的参与者，首先进行预研究，使用事先改编的文件来 评估灯的视觉美学（李克特量表），将灯具分为低、中、高三个类别。 正式实验：正式实验中，三个类别的灯具用作实验刺激，每个灯具呈现8s，同时记录眼动数据和脑电数据。 实验设备：使用SMI-iView X™ RED眼动仪系统记录，精度为0.4°，采样率为500 Hz。脑电图信号由Neuroscan系统（Neurosoft Labs Inc.）连续记录，包含64个电极。
实验流程：在一个完整的视觉审美欣赏流程中，要求被试评估每盏灯的视觉美学，被试坐在显示器前，距离90cm，并执行校准，校准完成后被试按照随机顺序自由欣赏灯具，并在结束后进行视觉美学评估。在呈现一半的刺激后，安排了具有自主持续时间的休息，以避免可能的疲劳。三名受试者被排除在外，两名是因为眼动追踪数据的不完整，一名是因为脑电图设备故障（数据收集结果）。
眼动追踪信号提取：瞳孔直径、平均注视时间、注视时间比和停留时间比等指标 脑电：使用快读傅里叶变化分析对应于每个EEG时期的灯具。计算每个时期内子纪元的平均频谱功率为δ（δ，5.4-4 Hz），θ（θ，8-8 Hz），α（α，13-13 Hz），β（β，30-30 Hz）和γ（γ，45-2013）节律。
信息检索中涉及的眼动追踪指标可以区分产品的视觉美感。具体来说，瞳孔大小是视觉美学的预测特征，尽管没有显着差异。包括注视时间比和停留时间比在内的比率指标应该反映视觉注意力，同样可以区分产品的视觉美学。 信息处理中涉及的脑电图测量可以区分产品的低视觉美感和中间的高视觉美感。阿尔法和伽马节律的相对力量应该与感知和概念表征有关。与欣赏中高视觉审美灯相比，欣赏低视觉审美灯时相对α功率明显减弱，而相对伽马功率显著增强。 产品视觉美学的量化通过不同的分类器达到合理的精度。在低视觉美学和高视觉美学之间的分类中，RF分类器实现了82.051%的最高准确率。与分离的单模态特征相比，分类器通过眼动追踪指标和 EEG 测量的集成多模态特征可实现更高的平均精度。似乎多模态生理信号的整合有利于设计师区分和量化其产品的视觉美感。
