原創 集智編輯部 集智俱樂部

摘要

深度學習技術已被應用于隨機生成圖像，例如在時裝、家具設計領域。然而迄今為止，在設計過程中起關鍵作用的人因要素尚未在深度學習方法中得到充分重視。本文報道了一種人機協同設計方法的研究成果，該方法通過腦電圖（EEG）信號捕捉用戶偏好的設計特征。在所開發的框架中：首先訓練編碼器從受試者觀看ImageNet圖像時記錄的原始EEG信號中提取特征；其次構建以編碼EEG特征為條件的生成對抗網絡（GAN）模型來生成設計圖像；最后利用訓練好的模型，根據個體在設計構思認知過程中測量的腦電活動生成設計圖像。為驗證該方法，研究按照所述流程進行了案例實證。結果表明，該方法能夠根據與偏好相關的腦電信號生成符合用戶喜好的設計風格。此外，當客戶難以清晰表達設計需求時，該方法也有助于改善設計師與客戶之間的溝通效率。

研究領域：機器學習，腦電信號（EEG），人機協同設計（Human-in-the-Loop Design），生成對抗網絡（GAN），設計認知

論文題目：Human-in-the-loop design with machine learning

發表時間：2019年7月26日

論文地址：https://doi.org/10.1017/dsi.2019.264

會議名稱：ICED19

近年來，深度學習技術已在圖像生成設計中嶄露鋒芒，但人類認知在設計中扮演的關鍵角色卻長期被忽視。2019年國際工程設計大會（ICED19）上，一篇研究提出了一種腦電信號（EEG）驅動的人機協同設計框架，通過捕捉人類對設計偏好的腦信號，生成符合用戶心理預期的產品圖像。這項研究不僅為AI生成設計注入“人性化”的考量，更打開了設計師與客戶之間“以腦為媒”的全新交流范式。

從“隨機生成”到“認知驅動”：

AI設計的范式突破

傳統AI生成設計依賴圖像風格遷移（Style Transfer）或生物仿生設計（Generative Bionics），但結果往往隨機且缺乏用戶偏好引導。研究團隊指出，人類對設計的偏好具有直覺性和模糊性，而腦電信號能捕捉視覺認知中的潛在特征。他們提出三階段框架：首先，通過記錄受試者觀看不同物品圖片時的腦電信號，建立“視覺刺激-腦電特征”的編碼模型；其次，訓練根據腦電特征還原視覺刺激的生成對抗網絡（Conditional GAN）；最后，利用用戶想象設計時的腦信號生成個體偏好的個性化產品。這種“編碼-生成”的雙網絡架構，使AI從被動生成轉向主動理解人類認知。

圖 1. 基于腦信號的設計圖生成流程圖。

圖 2. 實驗設計：上圖是圖像呈現實驗流程，受試者被要求觀看圖像，并在觀看重復圖像時按下板子上的按鈕，以保證注意力集中；下圖是偏好設計想象流程，受試者需要按照屏幕上的提示，想象他們偏好的物品外觀。實驗過程中，記錄受試者的EEG腦電信號。

腦電信號如何參與外觀設計？

實驗過程中，采用64導聯腦電設備，記錄6名受試者觀看ImageNet中5類產品（手提包、吉他、馬克杯、耳機、手表）時的腦電信號。腦電信號分析的創新點之一在于LSTM-EEG編碼器的設計：通過長短期記憶網絡（LSTM）提取腦電信號的時序特征，再經全連接層映射為64維特征向量。測試顯示，該模型對耳機、手提包等產品的分類準確率達84.2%和79.2%。

這些特征向量隨后被輸入到改進的ACGAN模型（帶輔助分類器的生成對抗網絡）。生成器由5個上采樣層組成。首先，輸入64導腦電信號特征與隨機高斯噪聲逐元乘積的腦電信號表示，然后輸入向量通過第一個轉置卷積層在空間上采樣四次，并輸出512個特征映射。之后，在每個剩余的轉置卷積層之后，特征映射的數量減半，特征映射的大小翻倍。最后，輸出的是rgb形式的64 × 64像素圖像。辨別器由兩個模塊組成：用于提取圖像特征的卷積模塊和用于區分生成圖像并識別圖像類別的分類模塊。因此，在訓練中同時能夠學習到圖像類別和風格特征，確保輸出既符合產品類型，又包含腦電信號中的審美偏好。

圖 3. EEG信號編碼器。

從實驗室到設計臺：生成效果驗證

在“想象偏好”實驗中，受試者閉目構想理想產品時的腦電信號被輸入訓練好的模型。如下圖結果顯示，生成圖像不僅還原了基本形態，還融合了多品類設計特征——例如一款手提包同時包含撞色拼接與極簡輪廓，暗示用戶偏好“活力感與功能性的平衡”。定量評估中，57.6%的生成圖像被用戶選中為“心儀設計”，其中包類產品認可度更是高達73%。研究者認為，形狀主導型產品（如手提包）的生成效果優于功能復雜型（如吉他），可能因為腦電信號對形態特征的編碼更敏感。

圖 4. 左側灰色邊框中是根據腦電信號，重建所看圖像的結果；右側紅色邊框是根據腦電信號，重建偏好物品外觀的結果。

設計認知的“讀心術”：跨界應用前景

這項技術突破了三重邊界：其一，將神經科學實驗范式引入設計領域，通過腦電信號量化主觀偏好；其二，建立“認知特征-設計語義”的跨模態映射，使AI能解析人類難以言明的審美傾向；其三，為設計師提供“可視化腦洞”工具——當客戶無法準確描述需求時，生成圖像可成為溝通的“認知翻譯器”。研究團隊展望，該框架可拓展至材料選擇、品牌策略等領域，例如在服裝設計中，捕捉用戶對布料紋理的腦電反應，生成融合舒適性與美觀性的面料圖案。

挑戰與未來：通向真正的“心流設計”

盡管當前模型局限于5類產品的訓練數據，生成分辨率也待提升，但方法論的價值顯著。研究揭示了兩個關鍵認知：首先，腦電信號中的低頻成分（如δ波和θ波）可能承載更多設計偏好信息；其次，GAN的隱空間（Latent Space）能夠將神經特征轉化為可解釋的設計元素。未來，結合fMRI等高精度腦成像技術，或可實現從“風格生成”到“功能創新”的跨越。

這項研究為AI輔助設計開辟了神經認知的新維度，或許在不遠的未來，設計師的“靈光一現”將直接轉化為屏幕上的創意雛形，而客戶的一句“我想要這種感覺”，也能被AI解碼為精確的設計語言。

彭晨| 編譯

原標題：《當AI讀懂腦電波：人機協同的創意設計新浪潮》

閱讀原文