摘 "要：家庭霧化治療作為兒童呼吸系統(tǒng)疾病家庭護(hù)理的有效手段而被廣泛采用，兒童家用霧化器產(chǎn)品設(shè)計(jì)也在兒童家庭醫(yī)護(hù)需求背景和兒童醫(yī)療器械市場(chǎng)背景下迎來(lái)新的挑戰(zhàn)。兒童群體存在就醫(yī)畏懼心理，現(xiàn)有醫(yī)護(hù)產(chǎn)品缺乏針對(duì)性情感化設(shè)計(jì)，都導(dǎo)致兒童在護(hù)理過(guò)程中效率不高、體驗(yàn)感得不到提升。近年來(lái)，計(jì)算機(jī)技術(shù)的進(jìn)步為情感識(shí)別與計(jì)算提供了輔助工具，深度學(xué)習(xí)是人工智能的研究熱點(diǎn)和前沿方向。本文從情感化設(shè)計(jì)角度，結(jié)合深度學(xué)習(xí)方法，提出針對(duì)這類(lèi)兒童家用醫(yī)護(hù)產(chǎn)品設(shè)計(jì)的新策略。

關(guān)鍵詞：深度學(xué)習(xí)；情感化設(shè)計(jì)；兒童醫(yī)療；概念設(shè)計(jì)

基金項(xiàng)目：本課題來(lái)源于2022年度教育部人文社會(huì)科學(xué)研究規(guī)劃基金項(xiàng)目“基于機(jī)器學(xué)習(xí)的兒童友好型醫(yī)護(hù)產(chǎn)品概念設(shè)計(jì)方法研究”（22YJAZH004）的子任務(wù)。

兒童健康是全民健康的基礎(chǔ)，《“健康中國(guó)2030”規(guī)劃綱要》明確提出實(shí)施健康兒童計(jì)劃。2018年以來(lái)，國(guó)家健康委員會(huì)連續(xù)制定兩個(gè)周期的《健康兒童行動(dòng)計(jì)劃》[1]，其中提到“要鼓勵(lì)和支持兒童用藥品和醫(yī)療器械的研發(fā)”。政策催化下，兒童醫(yī)療器械市場(chǎng)有望迎來(lái)可觀的發(fā)展前景。同時(shí)根據(jù)我國(guó)的兒科門(mén)診報(bào)告，幾乎80%的病兒為呼吸道感染，其中4-6歲兒童的感染幾乎不具有季節(jié)性。隨著醫(yī)學(xué)科技的發(fā)展，兒童呼吸系統(tǒng)疾病的治療不斷地規(guī)范與完善，霧化吸入已然成為治療的主流方案，其中家庭霧化逐漸成為趨勢(shì)。但醫(yī)院到家庭的過(guò)渡期護(hù)理的缺乏、呼吸系統(tǒng)疾病的長(zhǎng)期性和反復(fù)性等多方面因素容易加重兒童在接受護(hù)理時(shí)的恐懼和焦慮心理。綜合來(lái)說(shuō)，緩解患兒恐懼心理、提升護(hù)理過(guò)程中的用戶(hù)體驗(yàn)是兒科醫(yī)療亟待解決的痛點(diǎn)問(wèn)題。美國(guó)學(xué)者諾曼和德拉泊于1986年出版的著作中，首次提出情感化設(shè)計(jì)的概念。情感化設(shè)計(jì)主要包括對(duì)用戶(hù)情感因素的獲取、分析、建模，以及情感因素在具體設(shè)計(jì)中的轉(zhuǎn)化等[2]。隨著人工智能的發(fā)展，深度學(xué)習(xí)技術(shù)的應(yīng)用也逐漸拓展到設(shè)計(jì)領(lǐng)域，其強(qiáng)大的運(yùn)算與學(xué)習(xí)能力不僅滿(mǎn)足情感化設(shè)計(jì)的要求，而且極大提高了效率，降低了設(shè)計(jì)實(shí)踐中人的主觀性影響。因此本文站在情感化視角，運(yùn)用深度學(xué)習(xí)的具體方法，探究建立用戶(hù)與產(chǎn)品間的情感聯(lián)系，從而快速得到喚起用戶(hù)情感沖動(dòng)的創(chuàng)新產(chǎn)品方案概念設(shè)計(jì)策略。

一、兒童家用霧化器發(fā)展現(xiàn)狀與存在的問(wèn)題

（一）兒童家用霧化器產(chǎn)品介紹

霧化器是一種藥物輸送裝置，以霧狀吸入肺部進(jìn)行給藥。兒童霧化器的正確使用方法是：清潔、連接裝置、裝配藥液、啟動(dòng)機(jī)器、深呼吸開(kāi)始霧化。其中值得注意的是，霧化過(guò)程中兒童需要盡可能保持深呼吸，通常持續(xù)10～15分鐘，直到霧化器不再出霧為止。這對(duì)于需要自行接受霧化護(hù)理的兒童是一項(xiàng)挑戰(zhàn)。其中全球市場(chǎng)上機(jī)器型壓縮式家用霧化器的頭部品牌以及代表產(chǎn)品如表1所示。

綜合來(lái)說(shuō)，一方面市場(chǎng)頭部品牌在兒童霧化器的產(chǎn)品形態(tài)和色彩方面已經(jīng)呈現(xiàn)出情感化的趨勢(shì)，嘗試以卡通、擬人、柔和的外觀來(lái)吸引兒童的注意。另一方面現(xiàn)有產(chǎn)品風(fēng)格雜亂，大多是在成年人看來(lái)的生動(dòng)和有趣。

（二）兒童家用霧化器設(shè)計(jì)研究現(xiàn)狀

文獻(xiàn)調(diào)查結(jié)果表明，兒童霧化器設(shè)計(jì)研究已經(jīng)取得一些成果，主要集中在產(chǎn)品設(shè)計(jì)方法研究和具體的設(shè)計(jì)準(zhǔn)則產(chǎn)出兩方面。

1.兒童霧化器設(shè)計(jì)方法仍局限于設(shè)計(jì)工作前期的策略研究階段。通常在仿生學(xué)概念的融入、游戲化內(nèi)涵的引入、動(dòng)態(tài)敘事性設(shè)計(jì)的介入、情趣化設(shè)計(jì)理念的運(yùn)用、Kano模型和Kansei工程的結(jié)合以及行為認(rèn)知療法等多種方法的融合下，分析兒童生理、心理及行為需求，以改善兒童對(duì)醫(yī)療產(chǎn)品和診療過(guò)程的恐懼焦慮為目標(biāo)，從形態(tài)、結(jié)構(gòu)、功能、肌理和色彩等方面展開(kāi)研究，進(jìn)而得到設(shè)計(jì)準(zhǔn)則和流程，指導(dǎo)設(shè)計(jì)人員展開(kāi)設(shè)計(jì)實(shí)踐。

2.兒童霧化器產(chǎn)品設(shè)計(jì)準(zhǔn)則集中于功能性原則、審美性原則、安全性原則和趣味性原則，較少關(guān)注兒童用戶(hù)的情感需求。設(shè)計(jì)準(zhǔn)則的產(chǎn)出一般來(lái)源于戶(hù)研究和案例分析，包括分析具體產(chǎn)品的發(fā)展現(xiàn)狀和用戶(hù)使用過(guò)程中的互動(dòng)體驗(yàn)。在此基礎(chǔ)上根據(jù)需求指標(biāo)的權(quán)重提出分層次的設(shè)計(jì)準(zhǔn)則，或現(xiàn)有產(chǎn)品改良設(shè)計(jì)的優(yōu)化策略。

二、情感化設(shè)計(jì)研究現(xiàn)狀

基于陳永康、何人可等人的文獻(xiàn)計(jì)量學(xué)分析，在1996到2020年間，全球范圍內(nèi)共有738個(gè)研究機(jī)構(gòu)開(kāi)展了有關(guān)“情感化”的研究，相關(guān)研究產(chǎn)出的文獻(xiàn)數(shù)量呈上升趨勢(shì)，其中用戶(hù)個(gè)性化、差異化情緒的識(shí)別與表達(dá)成為未來(lái)發(fā)展的新趨勢(shì)。

在情感化設(shè)計(jì)方法研究上，基于三層次理論、感性工學(xué)和情感計(jì)算這三種理論，逐漸發(fā)展出三種成熟而穩(wěn)定的設(shè)計(jì)體系，并且感性工學(xué)的理論與應(yīng)用研究在未來(lái)仍是一大熱點(diǎn)。其中，三層次理論包括本能層、行為層和反思層，具體研究框架一般為確定三層次的情感訴求、通過(guò)調(diào)研市場(chǎng)和用戶(hù)得到對(duì)應(yīng)的具體需求，進(jìn)而轉(zhuǎn)化為設(shè)計(jì)要素展開(kāi)實(shí)踐。感性工學(xué)則是將非理性的感性加以量化表達(dá)，將用戶(hù)的感性因素量化為理性要素并用于產(chǎn)品設(shè)計(jì)，主要環(huán)節(jié)分為三步：1.意象提??；2.映射構(gòu)建；3.造型創(chuàng)新。而情感計(jì)算則是將情感轉(zhuǎn)變?yōu)樗惴▎?wèn)題加以解決，它的最終目的并不是識(shí)別情感，而是使計(jì)算機(jī)理解人的需求，更好地為人類(lèi)服務(wù)。

在情感化設(shè)計(jì)方法的應(yīng)用研究中，通過(guò)關(guān)鍵詞聚類(lèi)分得到目前的研究重點(diǎn)集中于感性工學(xué)、情感計(jì)算、人機(jī)多通道交互、用戶(hù)體驗(yàn)和設(shè)計(jì)評(píng)估五個(gè)方面，并呈現(xiàn)出以下三種趨勢(shì)：1.從心理學(xué)和工程學(xué)的角度分析用戶(hù)模糊的語(yǔ)義和生理信號(hào)，并發(fā)掘潛藏的情感偏好。2.借助計(jì)算技術(shù)和統(tǒng)計(jì)學(xué)模型，將用戶(hù)偏好與感性意象轉(zhuǎn)化為產(chǎn)品的組成要素。3.與跨學(xué)科的知識(shí)進(jìn)行交叉、融合，建立創(chuàng)新的情感化設(shè)計(jì)流程并指導(dǎo)設(shè)計(jì)實(shí)踐。

三、深度學(xué)習(xí)方法在設(shè)計(jì)領(lǐng)域的應(yīng)用現(xiàn)狀

深度學(xué)習(xí)（Deep Learning，DL）的基本概念來(lái)自于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）研究[3]，它試圖通過(guò)在層次結(jié)構(gòu)中堆疊大量的信息模塊來(lái)建模數(shù)據(jù)之外的層次表示，并對(duì)模式進(jìn)行分類(lèi)。與傳統(tǒng)的機(jī)器學(xué)習(xí)（Machine Learning，ML）技術(shù)相比，深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）極大地提升了性能，超越了目前的水平。

（一）卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用

1.卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理

卷積神經(jīng)網(wǎng)絡(luò)（CNN）由日本學(xué)者福島彥邦于1098年提出，是一類(lèi)包含卷積計(jì)算并含有深層次結(jié)構(gòu)的深度前饋神經(jīng)網(wǎng)絡(luò)[4-5]。它提取的特征能夠包涵豐富的場(chǎng)景語(yǔ)義和結(jié)構(gòu)信息，且對(duì)于平移、比例縮放、傾斜等形式的變形具有高度不變性，在活動(dòng)識(shí)別、句子分類(lèi)、文本識(shí)別、人臉識(shí)別、目標(biāo)檢測(cè)和定位等方面有著廣泛的應(yīng)用。

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的四種核心模塊為：卷積層、池化層、激活函數(shù)和全連接層[6]，分布于特征提取和分類(lèi)識(shí)別兩個(gè)階段。它的工作原理可分為三個(gè)部分：網(wǎng)絡(luò)模型構(gòu)建、網(wǎng)絡(luò)訓(xùn)練及網(wǎng)絡(luò)預(yù)測(cè)[7]。其中網(wǎng)絡(luò)模型的構(gòu)建需要根據(jù)具體采用的數(shù)據(jù)量以及數(shù)據(jù)本身的特點(diǎn)設(shè)計(jì)網(wǎng)絡(luò)深度、卷積步長(zhǎng)、以及激活函數(shù)的選用；網(wǎng)絡(luò)訓(xùn)練部分通過(guò)直接輸入完整的樣本數(shù)據(jù)實(shí)現(xiàn)自動(dòng)提取特征，并通過(guò)殘差的反向傳播不斷減小損失來(lái)進(jìn)行訓(xùn)練；網(wǎng)絡(luò)預(yù)測(cè)過(guò)程是將提取到的特征作為輸入數(shù)據(jù)進(jìn)行向前傳導(dǎo)，并在各個(gè)層次上輸出特征圖，最后利用全連接層網(wǎng)絡(luò)輸出基于輸入數(shù)據(jù)的條件概率分布。

2.卷積神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)領(lǐng)域的應(yīng)用現(xiàn)狀

卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于可自動(dòng)提取目標(biāo)特征，發(fā)現(xiàn)樣本集中特征規(guī)律，解決了手動(dòng)提取特征效率低下、分類(lèi)準(zhǔn)確率低的不足，因而在設(shè)計(jì)領(lǐng)域也具有集中優(yōu)勢(shì)：（1）卷積神經(jīng)網(wǎng)絡(luò)對(duì)于輸入數(shù)據(jù)強(qiáng)大的包容性使其在用戶(hù)研究中具備獨(dú)特優(yōu)勢(shì)，面對(duì)多模態(tài)的數(shù)據(jù)能有效地檢測(cè)情緒、識(shí)別情感，完成用戶(hù)感知評(píng)估建模；（2）卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)反復(fù)訓(xùn)練可以達(dá)到準(zhǔn)確分類(lèi)及預(yù)測(cè)的效果，可以快速提取產(chǎn)品案例的視覺(jué)風(fēng)格特征以供設(shè)計(jì)者參考。

（二）生成對(duì)抗網(wǎng)絡(luò)的研究與應(yīng)用

1.生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)及原理

根據(jù)數(shù)據(jù)集的標(biāo)簽有無(wú)，機(jī)器學(xué)習(xí)一般可分為有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)[8]。在無(wú)監(jiān)督學(xué)習(xí)任務(wù)中，深度學(xué)習(xí)技術(shù)中的生成對(duì)抗網(wǎng)絡(luò)（GAN）是最關(guān)鍵的技術(shù)之一。生成對(duì)抗網(wǎng)絡(luò)是2014年由Goodfellow等人提出的一種生成式深度學(xué)習(xí)模型，在圖像處理、計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)成像、數(shù)據(jù)增強(qiáng)、自然語(yǔ)言處理等許多領(lǐng)域應(yīng)用廣泛。

生成對(duì)抗網(wǎng)絡(luò)的基本思想是學(xué)習(xí)訓(xùn)練樣本的概率分布，其結(jié)構(gòu)分為生成器和判別器兩個(gè)模塊。其中生成器被用來(lái)生成新的偽數(shù)據(jù)，它將一個(gè)隨機(jī)噪聲作為輸入，通常生成圖像輸出。判別器的輸入包括真實(shí)數(shù)據(jù)x與生成器生成的偽數(shù)據(jù)G（z），輸出是一個(gè)概率值或一個(gè)標(biāo)量值，表示判別器認(rèn)定輸入是真實(shí)分布的概率，數(shù)值越大，是真實(shí)數(shù)據(jù)的概率越大。判別器根據(jù)輸出反饋給生成器，在對(duì)抗訓(xùn)練中使生成器生成偽數(shù)據(jù)的真實(shí)性最大化。

2.生成對(duì)抗網(wǎng)絡(luò)在設(shè)計(jì)領(lǐng)域的應(yīng)用現(xiàn)狀

生成對(duì)抗網(wǎng)絡(luò)所創(chuàng)建的數(shù)據(jù)樣本的范圍明顯擴(kuò)大，特別是用于數(shù)據(jù)的高維生產(chǎn)，同時(shí)還能從具有不同特征的數(shù)據(jù)集中創(chuàng)建新的合成數(shù)據(jù)。這些特點(diǎn)使其在設(shè)計(jì)領(lǐng)域具備充分的優(yōu)勢(shì)：（1）生成對(duì)抗網(wǎng)絡(luò)具有“無(wú)限”生成能力，能夠快速生成與真實(shí)數(shù)據(jù)匹配率較高的樣本數(shù)據(jù)，有效擴(kuò)大樣本數(shù)據(jù)集，為設(shè)計(jì)工作提供參考；（2）通過(guò)生成器與判別器的博弈對(duì)抗學(xué)習(xí)，生成對(duì)抗網(wǎng)絡(luò)可以根據(jù)條件指導(dǎo)生成具備指定特征或全新特征的概念設(shè)計(jì)方案。

四、結(jié)合深度學(xué)習(xí)方法的情感化設(shè)計(jì)策略

深度學(xué)習(xí)技術(shù)在設(shè)計(jì)領(lǐng)域具備多重優(yōu)勢(shì)，但也存在一些局限。其中，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用僅限于輸入數(shù)據(jù)的特征提取、意象識(shí)別與分類(lèi)評(píng)價(jià)，而不直接對(duì)設(shè)計(jì)流程進(jìn)行指導(dǎo)，不涉及設(shè)計(jì)結(jié)果的輸出。生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用能得到匹配需求的設(shè)計(jì)方案產(chǎn)出，但在設(shè)計(jì)評(píng)價(jià)階段仍依賴(lài)諸如專(zhuān)家評(píng)價(jià)之類(lèi)的人腦判斷過(guò)程，缺乏一個(gè)量化的標(biāo)準(zhǔn)以評(píng)價(jià)結(jié)果好壞，不僅耗時(shí)耗力，且容易因個(gè)人主觀判斷的偶然性而產(chǎn)生誤差。目前已有學(xué)者將二者結(jié)合應(yīng)用在設(shè)計(jì)研究中，證明卷積神經(jīng)網(wǎng)絡(luò)與生成對(duì)抗網(wǎng)絡(luò)的結(jié)合運(yùn)用具有可行性。在此基礎(chǔ)上，本文以4-6歲兒童為研究對(duì)象，提出深度學(xué)習(xí)方法的兒童醫(yī)護(hù)產(chǎn)品情感化設(shè)計(jì)策略。

（一）建立產(chǎn)品感性意象數(shù)據(jù)集

1.案例庫(kù)構(gòu)建。通過(guò)網(wǎng)絡(luò)搜索與文獻(xiàn)閱讀的方式對(duì)兒童家用霧化器產(chǎn)品進(jìn)行初步調(diào)研，了解產(chǎn)品的技術(shù)原理、外觀特征以及代表品牌的典型產(chǎn)品。在此基礎(chǔ)上進(jìn)行案例的初步搜集與篩選，并通過(guò)形態(tài)分析法對(duì)產(chǎn)品形態(tài)特征要素進(jìn)行解析，使用圖像邊緣檢測(cè)算法提取產(chǎn)品形態(tài)特征，最后將形態(tài)特征提取后的案例圖進(jìn)行隨機(jī)排列和編號(hào)，形成兒童家用霧化器產(chǎn)品案例庫(kù)。

2.感性意象空間構(gòu)建。首先開(kāi)展產(chǎn)品形態(tài)形容詞匯搜集與篩選。一方面通過(guò)查閱相關(guān)書(shū)籍、文獻(xiàn)資料以及互聯(lián)網(wǎng)搜索的方式搜集描述兒童家用霧化器的段落、語(yǔ)句和短語(yǔ)等。另一方面通過(guò)對(duì)醫(yī)護(hù)人員及設(shè)計(jì)人員進(jìn)行網(wǎng)絡(luò)問(wèn)卷調(diào)查，并應(yīng)用TF-IDF方法從中提取描述產(chǎn)品形態(tài)的形容詞匯，獲得產(chǎn)品形態(tài)感性意象形容詞，匯總后應(yīng)用WordNet詞典工具對(duì)文本語(yǔ)義進(jìn)行分析得到反義詞以構(gòu)成感性意象形容詞對(duì)。然后通過(guò)Ward法對(duì)上述形容詞匯進(jìn)行聚類(lèi)分析，提取出最終的關(guān)鍵感性意象形容詞匯，在此間基礎(chǔ)上建立感性意象空間。

3.產(chǎn)品感性意象數(shù)據(jù)集建立。首先開(kāi)展產(chǎn)品意象識(shí)別實(shí)驗(yàn)，結(jié)合SD語(yǔ)義量表，邀請(qǐng)具有設(shè)計(jì)專(zhuān)業(yè)背景的被試人員觀看樣本圖片，并對(duì)產(chǎn)品感性意象進(jìn)行評(píng)分。然后計(jì)算每個(gè)樣本意象評(píng)分均值作為最終評(píng)分，以確定樣本的意象標(biāo)簽，建立產(chǎn)品感性意象數(shù)據(jù)集。

數(shù)據(jù)集中為帶有意象標(biāo)簽的樣本圖像，為后文產(chǎn)品感性意象映射模型的訓(xùn)練提供數(shù)據(jù)輸入。

（二）提取用戶(hù)感性需求

1.感性需求獲取。針對(duì)需要接受呼吸系統(tǒng)疾病家庭護(hù)理的兒童患者，采用語(yǔ)義評(píng)價(jià)調(diào)查、行為分析和生理測(cè)量這幾種情感測(cè)量方法，進(jìn)行兒童患者在接受呼吸系統(tǒng)疾病家庭護(hù)理過(guò)程中對(duì)家用霧化器產(chǎn)品的感性需求數(shù)據(jù)收集。

2.需求屬性分類(lèi)。在獲取到的數(shù)據(jù)基礎(chǔ)上，采用TF-IDF方法從中提取描述產(chǎn)品形態(tài)的關(guān)鍵感性詞匯，并通過(guò)模糊Kano模型將用戶(hù)感性需求的滿(mǎn)意度屬性進(jìn)行分類(lèi)以獲得重點(diǎn)需求。

3.需求重要度計(jì)算。最后使用模糊層次分析法對(duì)用戶(hù)感性需求進(jìn)行權(quán)重計(jì)算，來(lái)量化用戶(hù)對(duì)產(chǎn)品形態(tài)的重點(diǎn)感性需求，明確用戶(hù)對(duì)產(chǎn)品形態(tài)感性訴求的優(yōu)先級(jí)。建立用戶(hù)需求層級(jí)，并轉(zhuǎn)化為類(lèi)別信息，能夠?yàn)楫a(chǎn)品方案生成模型提供條件指導(dǎo)，生成以用戶(hù)需求為導(dǎo)向的創(chuàng)新設(shè)計(jì)方案。

（三）構(gòu)建基于用戶(hù)情感偏好的產(chǎn)品意象映射模型

此階段在前期所構(gòu)建的產(chǎn)品形態(tài)感性意象空間以及明確分級(jí)的用戶(hù)感性需求的基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)中的ResNet網(wǎng)絡(luò)模型建立基于用戶(hù)情感偏好的產(chǎn)品意象映射模型。映射模型使用python程序進(jìn)行編寫(xiě)，使用pytorch搭建ResNet結(jié)構(gòu)。使用產(chǎn)品形態(tài)感性意象數(shù)據(jù)集進(jìn)行映射模型訓(xùn)練，得到穩(wěn)定的產(chǎn)品意象映射模型。訓(xùn)練穩(wěn)定后的產(chǎn)品意象映射模型能對(duì)隨機(jī)輸入的新圖像進(jìn)行意象識(shí)別和分類(lèi)，建立產(chǎn)品形態(tài)與感性意象間的映射關(guān)系。

（四）構(gòu)建產(chǎn)品情感化設(shè)計(jì)方案生成模型

此階段在構(gòu)建產(chǎn)品意象映射模型的基礎(chǔ)上，利用生成對(duì)抗網(wǎng)絡(luò)的變體條件深度卷積生成對(duì)抗網(wǎng)絡(luò)（CDCGAN）模型建立產(chǎn)品情感化設(shè)計(jì)方案生成模型，該模型訓(xùn)練穩(wěn)定后，通過(guò)輸入產(chǎn)品意象就能在用戶(hù)感性需求的條件指導(dǎo)下生成創(chuàng)新的產(chǎn)品設(shè)計(jì)方案，在輸出結(jié)果的基礎(chǔ)上，再對(duì)設(shè)計(jì)方案進(jìn)行優(yōu)化，即可得到最終的兒童家用霧化器情感化設(shè)計(jì)結(jié)果。將最終設(shè)計(jì)結(jié)果代入前文建立的產(chǎn)品意象映射模型即可檢驗(yàn)產(chǎn)品情感化設(shè)計(jì)方案生成模型的可用性與有效性。

五、結(jié)語(yǔ)

隨著技術(shù)的發(fā)展與社會(huì)經(jīng)濟(jì)水平的進(jìn)步，家庭醫(yī)療的議題逐漸走進(jìn)大眾的視野，也暴露出現(xiàn)存的大部分家用醫(yī)護(hù)產(chǎn)品仍面臨著使用體驗(yàn)不強(qiáng)、患兒在家庭醫(yī)療護(hù)理過(guò)程中的情感需求難以滿(mǎn)足的問(wèn)題。情感化設(shè)計(jì)理論的突出重點(diǎn)在于將感性的情感因素量化為理性的設(shè)計(jì)要素，進(jìn)而指導(dǎo)設(shè)計(jì)工作的展開(kāi)。過(guò)往研究表明統(tǒng)計(jì)學(xué)方法、數(shù)學(xué)模型、遺傳算法等工具都能夠完成情感化設(shè)計(jì)中感性需求的量化，而近年來(lái)隨著人工智能的發(fā)展，深度學(xué)習(xí)技術(shù)的應(yīng)用也逐漸拓展到設(shè)計(jì)領(lǐng)域，其強(qiáng)大的運(yùn)算與學(xué)習(xí)能力不僅滿(mǎn)足了情感化設(shè)計(jì)的要求，而且極大提高了效率，降低了設(shè)計(jì)實(shí)踐中人的主觀性影響。因此，本研究提出的兒童家庭醫(yī)護(hù)產(chǎn)品的情感化設(shè)計(jì)策略具備可用性與適用性。通過(guò)理性科學(xué)的方法將用戶(hù)抽象模糊的感性評(píng)價(jià)轉(zhuǎn)化為設(shè)計(jì)參考要素，并借助深度學(xué)習(xí)網(wǎng)絡(luò)模型建立產(chǎn)品意象映射模型和設(shè)計(jì)方案生成模型，能夠快速獲得以用戶(hù)感性需求為導(dǎo)向的產(chǎn)品造型方案，達(dá)到符合用戶(hù)需求和市場(chǎng)要求的雙贏局面。

參考文獻(xiàn)：

[1]晉一.國(guó)家衛(wèi)生健康委印發(fā)《健康兒童行動(dòng)提升計(jì)劃（2021—2025年）》[J].青春期健康，2022（1）：31.

[2]陳永康，江雨豪，何人可，武星廷.基于文獻(xiàn)計(jì)量學(xué)的情感化設(shè)計(jì)研究進(jìn)展、熱點(diǎn)與趨勢(shì)分析[J].包裝工程，2022（6）：32-40.

[3]Hong Z.A preliminary study on artifcial neural network[C]//2011 6th IEEE Joint International Information Technology and Artifcial Intelligence Conference.IEEE， 2011（2）：336–338.

[4]Gu J，Wang Z，Kuen J，Ma L，Shahroudy A，Shuai B，Liu T，Wang X，Wang L，Wang G，Cai J. Recent advances in convolutional neural networks[J].Pattern Recognition， 2015（77）：354-377.

[5]Goodfellow I，Bengio Y，Courville A.Deep learning[M].Cambridge： MIT press，2016：326-366.

[6]周楠，歐陽(yáng)鑫玉.卷積神經(jīng)網(wǎng)絡(luò)發(fā)展[J].遼寧科技大學(xué)學(xué)報(bào)，2021（5）：349-356.

[7]李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016（9）：2508-2515.

[8]羅佳，黃晉英.生成式對(duì)抗網(wǎng)絡(luò)研究綜述[J].儀器儀表學(xué)報(bào)，2019（3）：74-84.

作者簡(jiǎn)介：汪玉嬌，南京理工大學(xué)設(shè)計(jì)藝術(shù)與傳媒學(xué)院工業(yè)設(shè)計(jì)工程專(zhuān)業(yè)研究生。研究方向：工業(yè)設(shè)計(jì)。

通訊作者：曾山，博士，南京理工大學(xué)設(shè)計(jì)藝術(shù)與傳媒學(xué)院副教授、碩士生導(dǎo)師。研究方向：工業(yè)設(shè)計(jì)、設(shè)計(jì)心理學(xué)、設(shè)計(jì)歷史與文化。