晁垚，金倩如，申黎明*，談立山，汪洋

(1. 南京林業(yè)大學家居與工業(yè)設計學院，南京 210037；2. 安吉縣質量技術監(jiān)督檢測中心，浙江 湖州 313300)

辦公椅的使用舒適度對于用戶選擇以及產品研發(fā)、改進均有重要的意義，國內外研究人員對辦公椅使用舒適度影響因素以及評價方法的研究奠定了舒適度研究基礎[1]。目前座椅使用舒適度研究主要包括辦公椅以及車輛座椅，評價方法相似。現(xiàn)有評價方法研究主要為兩種：主客觀測量指標相結合以及純客觀指標評價?？陀^測量評價如腰椎間盤[2]以及骨骼肌肉系統(tǒng)生物力學評價[3-4]、腦電信號[5-7]以及瞳孔檢測分析[7]、坐姿腰部肌電信號分析以及多模態(tài)生理信號聯(lián)合分析[8]等。此外還有通過聚類以及圖像分析方法[9]研究辦公椅使用者的姿勢，從而根據(jù)坐姿各部位相關角度分析判斷座椅使用的舒適度[10-12]。以上評價方法使用過程由于受到實驗條件及專業(yè)設備的限制，并不能普遍推廣，且由于生物力學分析一般為仿真研究，對模型精確度要求較高，因此主要使用的評價方法還是測量間接客觀指標與主觀評價相結合，其中間接指標如體壓分布信號。研究已經表明體壓分布與舒適度之間有聯(lián)系[13-14]，因此使用該指標評價座椅使用舒適度理論上是可行的。但是該方法在使用過程中不可忽視的兩個問題在于：1)體壓分布與坐姿、體型以及座椅之間有復雜的非線性關系，難以直接量化[15]；2)主觀評價存在隨意性、個體差異性等誤差。為解決這一問題，目前常用的辦法有兩種。一種是通過機器學習強大的泛化能力建立體壓分布信號與主觀評價之間的關系[16-18]，但是這種方法建模使用的輸出信號依然是主觀舒適度評價值，而主觀評價的準確度并不能被廣泛接受。另一種是盡可能減少主觀評價的隨意性帶來的誤差，采用諸如層次分析法[19]、模糊綜合評判法[20]等。這種方法基于專家評價以及統(tǒng)計概率原理，理論上而言減少了主觀評價的隨意性，但是這種方法每次使用均需要依賴專家的評價，對使用者以及座椅研發(fā)、檢測而言，該方法及建立的模型并不能直接應用，需要采集較多的主觀評價值，并根據(jù)最大隸屬度原則判斷。鑒于體壓分布指標可以快速獲取并用于舒適度評價，因此筆者提出一種基于體壓分布指標聚類分析對辦公椅進行舒適度賦值，并使用神經網絡構建一種辦公椅舒適度評定方法及預測模型。該方法基于辦公椅表面體壓分布指標及人體測量學參數(shù)，不依賴主觀舒適度評價，能夠避免主觀隨意性以及感知差異性對評價結果的影響。

1 材料與方法

1.1 實驗裝置

使用Tactilus 4.0(Sensor Products LLC in Madison, NJ)體壓分布測量系統(tǒng)采集座面以及靠背的體壓分布數(shù)據(jù)。實驗用椅為浙江安吉某檢測機構提供的26張不同類型、軟硬度有差異的辦公椅，包括普通職員椅、大班椅、會議椅、電競椅等。座面與靠背材質包含網面、皮面、布面以及硬質面等，其種類基本涵蓋常用辦公椅。

1.2 實驗方法

選擇16位受試者(男性8位)，平均身高與平均體質量分別為(166.53±7.61)cm、(64±11.663)kg，其中最大體質量87 kg，最大身高182 cm，基本涵蓋GB/T 10000—1988《中國成年人人體尺寸標準》中90%中國成年人體尺寸。

16位受試者與26張辦公椅排列組合共有416組實驗，分別采集各組實驗中辦公椅座面與靠背體壓分布數(shù)據(jù)及百分制主觀舒適度評價值。

1.3 評價指標

研究表明個體差異對于辦公椅使用舒適度有影響[15]，主要表現(xiàn)為座面體壓分布的最大壓力、平均壓力以及接觸面積的差異。因此本研究使用的客觀評價指標為辦公椅表面體壓分布相關指標，并考慮人體相關個性化參數(shù)，如性別、身高和體質量。其中辦公椅表面體壓分布指標分別考慮座面與靠背兩個部位。座面前緣部位的形態(tài)對坐感有影響，如果該部位形態(tài)突出會導致大腿受壓，舒適感降低，因此將座面與人體接觸的部位分為大腿區(qū)域以及臀部區(qū)域，如圖1所示。座面體壓分布評價指標為座面各分區(qū)最大壓力(kPa)、平均壓力(kPa)以及座面整體的平均壓力(kPa)和接觸面積(cm2)；靠背體壓分布評價指標為最大壓力(kPa)、平均壓力(kPa)和接觸面積(cm2)。

圖1 座面接觸區(qū)域分區(qū)Fig. 1 Divided regions of seat contact area

1.4 數(shù)據(jù)處理方法

本實驗數(shù)據(jù)處理思路與方法為：

通過Matlab提取座面和靠背的體壓分布指標。每張實驗椅作為一個待評價對象，其舒適度描述指標為16位受試者數(shù)據(jù)的均值，通過Ward方法以及平方Euclidean距離對26張實驗椅進行系統(tǒng)聚類。

計算每個聚類簇中所有辦公椅各體壓分布指標的均值，綜合分析座面與靠背的體壓分布指標特征，賦予各聚類簇辦公椅舒適度等級。

通過主成分分析法對辦公椅舒適度評價指標進行主成分構建，并構造PCA-BP神經網絡，預測各類簇辦公椅的舒適度。

2 結果與分析

2.1 系統(tǒng)聚類結果與分析

在SPSS Statistics 22中對辦公椅按照個案進行系統(tǒng)聚類，動態(tài)聚類圖如圖2所示。左側為實驗椅樣本序號，選擇不同的聚類數(shù)對應不同的聚類結果。為了達到多層次的舒適度等級劃分目的，參考感性工學中常用的五級量表語義，本次聚類分類數(shù)選擇5。每個類簇對應的辦公椅編號以及各類簇辦公椅體壓分布指標的均值如表1所示。從表1可以看出，類簇2辦公座面各體壓分布指標均為5個類簇中最大值，座面接觸面積為5種類簇中最小值(<1 000 cm2)。

圖2 系統(tǒng)聚類樹狀圖Fig. 2 Tree diagram of systematic cluster

表1 系統(tǒng)聚類結果Table 1 Result of systematic cluster

各類簇辦公椅基本特征以及代表性辦公椅圖片如表2所示。從表2可以看出，類簇2辦公椅主要為培訓椅和會議椅，表面為網面或硬質材質，座面較硬，貼合度不佳，在體壓分布指標中表現(xiàn)為最大壓力以及平均壓力值最大，座面接觸面積較小。類簇3辦公椅各體壓分布指標均為5種類簇中最小值，座面接觸面積為5種類簇中最大值。從表2還可以看出，該類簇辦公椅主要為電競椅以及軟包高背椅，表面較軟，緩壓效果好，與臀部、大腿貼合度高。類簇1與類簇4辦公椅座面各體壓指標值差異較小，但是靠背體壓分布指標值差異較大，主要表現(xiàn)為接觸面積差異較大，綜合考慮認為類簇1辦公椅的坐感優(yōu)于類簇4辦公椅坐感。類簇5辦公椅座面臀部區(qū)域最大壓力與大腿區(qū)域最大壓力低于類簇2而高于其他類簇辦公椅相同指標值。

表2 各類簇辦公椅特征Table 2 Characteristics of office chairs in different clusters

研究表明，座面的最大壓力與辦公椅使用舒適度呈負相關關系，因此，根據(jù)座面體壓分布指標將各類簇辦公椅按照使用舒適度從低到高排序為類簇2<類簇5<類簇4<類簇1<類簇3。靠背各體壓分布指標中，最大壓力與平均壓力差異較小，而接觸面積差異較大。接觸面積能夠反映貼合度，在短時間坐姿情況下，接觸面積對觸感的影響應是最重要的。因此，根據(jù)靠背體壓分布指標將各類簇辦公椅按照使用舒適度從低到高排序為類簇5<類簇4<類簇2<類簇3<類簇1。背部觸感舒適度排序與座面舒適度排序不同之處在于類簇5與類簇2順序不同，類簇3與類簇1順序不同。辦公椅座面承受人體絕大部分重量，因此坐感主要受到座面觸感的影響，當靠背觸感相似時，座面的觸感對于整體使用舒適度有決定性的影響。因此，類簇1與類簇3相比，類簇3座面的平均壓力以及最大壓力較小，類簇5與類簇2同理。人體臀部與大腿區(qū)域的觸感對于使用舒適度較背部區(qū)域敏感，因此綜合表2各類簇的表面體壓分布指標值，最終將各類簇辦公椅使用舒適度從低到高排序為類簇2<類簇5<類簇4<類簇1<類簇3。參考感性工學常用五級語義，將各類簇辦公椅賦予舒適度等級，賦值結果及含義如表3所示。各類簇辦公椅主觀舒適度評價結果均值排序與類簇舒適度等級排序一致，表明通過系統(tǒng)聚類得到的各類簇辦公椅之間具有差異性，賦值順序合理。

表3 舒適度等級定義Table 3 Definition of comfort levels

根據(jù)表3的賦值結果，將各類簇中所有辦公椅分別賦予同樣的舒適度等級，建立辦公椅各體壓分布指標與舒適度等級之間的映射關系。由于辦公椅各體壓分布指標與定義的舒適度等級之間存在復雜的非線性關系，因此適合用泛化能力較強的神經網絡建立體壓指標與舒適度等級之間的關系模型。其中，舒適度等級為神經網絡的教師信號，各體壓指標為神經網絡的輸入信號，各類簇辦公椅體壓指標與對應的舒適度等級為神經網絡的訓練數(shù)據(jù)集。

2.2 構建舒適度預測模型

研究表明，辦公椅的最大壓力與平均壓力之間存在相關性[14]，本研究中辦公椅體壓指標較多，因此需要先對體壓指標進行相關性分析。各體壓指標相關性系數(shù)如表4所示，不同體壓指標之間存在相關性，臀部區(qū)域最大壓力與平均壓力之間存在較大正相關性(0.735)，臀部區(qū)域最大壓力和平均壓力與座面接觸面積之間存在較大負相關性(-0.834，-0.891)，腿部區(qū)域最大壓力與平均壓力之間存在較大正相關性(0.886)，靠背最大壓力與平均壓力之間存在較大正相關性(0.717)。體壓指標之間彼此相關，適合采用主成分分析。

表4 辦公椅各客觀指標相關性檢驗Table 4 Correlation test of objective pressure indicators

根據(jù)主成分相應的特征值大于1以及主成分累計貢獻率大于85%的原則提取主成分，主成分特征根和累計貢獻率結果如表5所示。

表5 主成分特征根和貢獻率Table 5 Principal component characteristic root and contribution rate

由表5可知，通過主成分提取得到的3個新指標，包含了原始9個指標85%以上的信息，表明3個主成分能夠反映原有指標信息。根據(jù)主成分評分系數(shù)，得出各新指標的解析表達式：

F1=0.174X1+0.131X2+0.198X3+0.153X4+0.199X5-0.190X6+0.086X7+0.142X8+0.032X9；

F2=-0.023X1-0.223X2-0.072X3-0.169X4-0.101X5+0.008X6+0.454X7+0.307X8+0.391X9；

F3=-0.332X1+0.462X2-0.124X3+0.484X4-0.051X5+0.295X6+0.042X7-0.007X8+0.368X9。

解析表達式中X1～X9為標準化后的原對應9個指標。

2.3 PCA-BP神經網絡建模

圖3 神經網絡訓練結果Fig. 3 Neural network training results

圖4 神經網絡預測結果與實際結果對比Fig. 4 Compare of results between predicted and actual values

為了驗證通過系統(tǒng)聚類定義的舒適度等級以及PCA-BP神經網絡預測的可靠性，另選3張實驗椅以及1名男性受試者(身高175 cm，體質量60 kg)，分別采集其座面與靠背的體壓分布指標并構造新的主成分因素。使用訓練好的PCA-BP神經網絡進行預測，最終得到3張辦公椅的舒適度等級預測值。該3張辦公椅座面和靠背體壓分布云圖及最大壓力、平均壓力如表6所示。

表6 辦公椅體壓分布云圖、關鍵指標值及舒適度預測值Table 6 Body pressure distribution cloud map, key index values and comfort predicted values

從最終預測結果看，3張測試辦公椅的舒適度預測評分最高為3號椅，接近舒適度等級5，2號椅與1號椅預測結果之間差異不大，接近舒適度等級2，與3號椅預測評分之間差異相對較大。結合辦公椅的座面和靠背體壓分布云圖及辦公椅的設計分析，1號椅與2號椅的座面前緣處與大腿接觸部位顏色較深，表示此處壓力相對大腿其他部位較大，腿部接觸部位有壓迫感；而3號辦公椅座面腿部與臀部區(qū)域顏色接近，腿部接觸不受明顯壓迫感。從臀部與大腿最大壓力分析，3號椅的臀部區(qū)域、大腿區(qū)域最大壓力以及座面平均壓力為3張辦公椅中最小值，2號椅與1號椅座面的以上3個指標之間差異并不大。因此，3號椅的座面坐感應是最好的，2號椅與1號椅相近。

辦公椅使用時靠背的舒適感主要來自腰部支撐。從靠背體壓分布云圖看，3號椅腰部有支撐，且最大壓力為三者中最大，因此腰部支撐效果最好；而1號和2號椅靠背最大壓力均在肩胛骨部位，且腰背部云圖顏色淺，因此1號椅、2號椅與3號椅相比，靠背使用舒適感存在較大差異，而1號椅與2號椅之間差異并不明顯。

綜合以上座面與靠背的客觀評價指標，并考慮神經網絡模型存在隨機誤差，在實際使用中1號椅與2號椅之間坐感差異可能并不明顯，座舒適度等級劃分時，可能會在同一分類中。對于選定的受試者而言，3號椅的整體使用舒適度相對最高，2號椅與1號椅相對較低，客觀評定指標綜合判斷結果與PCA-BP神經網絡模型預測結果較為一致。表明該模型能夠通過客觀評價指標對不同使用者使用辦公椅的舒適度作出較為可信的預測，不再依賴主觀度評價方法。在實際應用中的意義在于能夠準確而快速地實現(xiàn)不同辦公椅的舒適度預測；對于辦公椅的研發(fā)者而言，能夠在設計階段預先預測不同設計的使用舒適度，從而獲得最佳設計方案，提高研發(fā)效率同時降低成本。

3 系統(tǒng)聚類與預測結果討論

本研究的目的旨在通過客觀評價指標描述辦公椅使用舒適度，并參照客觀指標將辦公椅進行分類，綜合分類結果及對應的客觀指標特征賦予舒適度等級。本研究依據(jù)指標為辦公椅表面體壓分布，根據(jù)指標對26張辦公椅通過Ward方法以及平方Euclidean聚類將辦公椅分為5個類簇，發(fā)現(xiàn)除了類簇5中只有3號和25號兩張辦公椅，其余各類簇中辦公椅數(shù)量較為均勻。該現(xiàn)象可能的原因是與3號和25號辦公椅表面體壓分布情況相近的實驗椅數(shù)量不多，即樣本實驗椅的多樣性略欠缺。另一個可能的原因是受試者群體的限制，本研究選擇的16位受試者個體間差異大，表現(xiàn)為BMI指數(shù)、身高、體質量不同，從而導致同一張辦公椅表面體壓分布指標的差異性較大，影響系統(tǒng)聚類的結果。

PCA-BP神經網絡預測誤差主要表現(xiàn)為預測值小于定義值，用于神經網絡訓練與預測的111條數(shù)據(jù)中，預測結果有87條數(shù)據(jù)小于定義值，占總量的78.4%。從試驗關鍵指標值來看，來自5個類簇中的辦公椅舒適度等級預測值也小于定義值。可能的原因是通過主成分分析構造的新的指標并不能完全反映原有指標的信息，因此對各類簇辦公椅的描述信息有損失。

本研究的一個局限性在于，僅從壓覺的角度通過表面體壓分布指標描述辦公椅的使用舒適度，而未將辦公椅的設計因素考慮在內，如座面、靠背傾角、熱舒適度以及用戶的個體差異特征等。在今后的研究中，需要從人、辦公椅以及人椅交互三方面的因素綜合評價辦公椅的個性化使用舒適度。

4 結 論

根據(jù)辦公椅表面體壓分布信號，通過系統(tǒng)聚類將26張辦公椅分為5個類簇，建立PCA-BP神經網絡模型并驗證，得出以下結論：

1)根據(jù)辦公椅表面體壓分布指標進行聚類能夠從客觀指標角度將辦公椅按照指標之間的距離分為不同的類簇，避免主觀分類的隨意性。

2)本研究提出的方法以及構建的評價預測模型不依賴受試者的主觀舒適度評價，只需要測量辦公椅表面體壓分布指標就可以預測辦公椅使用舒適度。驗證結果表明了該方法與模型的可靠性，且能應用于產品的使用舒適度評價、比較，也可以在產品研發(fā)階段預測不同材質、不同設計時辦公椅的使用舒適度，以確定面向大多數(shù)人的最佳設計，提高辦公椅設計效率。

3)本研究初步證明了通過體壓分布指標聚類來評定舒適度等級的方法和思路是可行的，今后的研究可以在此方法的基礎上更加深入細化，并綜合辦公椅相關設計特征以及用戶特征，將舒適度分類細化，并建立更加完善的辦公椅舒適度評價方法。