计算机能区分振动差异吗？：基于生理学的计算模型用于感知差异预测

文献标题

Can a Computer Tell Differences between Vibrations? Physiology-Based Computational Model for Perceptual Dissimilarity Prediction

文献信息

• 主题领域: 人机交互与计算模型，聚焦于基于生理学的振动感知差异预测
• 关键词: 感知差异性, 计算模型, 生物模拟建模, 触觉感知, 振动相似性, 触觉界面, 神经信号
• 发表时间: 2023年4月
• 会议/期刊: CHI 2023 (The ACM CHI Conference on Human Factors in Computing Systems)

研究背景与问题

• 问题与挑战:

  • 设计可区分的振动模式需要用户的成本高昂的主观评分。
  • 已有的振动相似性或差异性度量方法预测能力不足，难以与用户数据匹配或生成结构化感知空间。
  • 现有度量未能通过用户感知差异性验证，影响了触觉交互设计的灵活性。
  • 缺乏可用于自动化振动设计的高性能度量工具。

• 重要性:

  • 准确预测用户的振动感知差异性有助于提高触觉模式设计的效率与精度。
  • 在虚拟现实、可穿戴设备和移动设备中，触觉是增强用户沉浸感和提升信息传递效果的关键。

• 研究动机与相关工作:

  • 触觉设计需要对振动模式的感知差异进行有效建模，以帮助设计人员减少设计时间。
  • 大量工作聚焦于基于数学的信号处理模型，然而缺少与生理学的重现性结合。
  • 相关工作如ST-SIM、RMSE、SPQI等，虽然能预测部分参数，但缺乏对用户感知相似性的全面判定。

解决方案

• 方法/模型:

  • 提出了一种基于生理学的模型 (Physiology-based Model，PM)，模仿人类触觉系统，用于预测振动模式集的感知差异性。
  • 该模型包含两条并行的处理路径：神经编码 (Neural Coding, NC) 和一维卷积 (One-dimensional Convolution, OC)。
    • NC路径：基于神经信号传递的生物建模，从皮肤的机械受体活动到大脑感知。
    • OC路径：利用一维卷积处理提取节奏特征。
  • 通过组合NC与OC生成的差异性矩阵，预测振动感知的差异性。
  • 优化了八个参数，包括神经网络层数、权重参数等。

• 创新点:

  • 将人类触觉知觉模型 (如四通道理论、神经信号传递模型) 应用于振动差异性预测。
  • 同时结合光谱特性和节奏特性，以提高预测的全面性和稳健性。
  • 使用已有数据集优化模型参数，并在多个未训练和噪声包含的数据集上进行验证。

• 实施步骤与关键技术:

  1. 神经编码（Neural Coding）：
     • 使用带通滤波器模拟振动传递过程及机械感受器的活跃响应。
     • 建立神经尖峰生成与传播模型，包含兴奋和抑制过程。
  2. 一维卷积路径（OC）：
     • 使用移动平均滤波器提取节奏特性。
     • 使用动态时间规整（Dynamic Time Warping, DTW）计算感知差异。
  3. 模型训练：
     • 采用六个公开数据集优化模型参数，通过Spearman相关性进行拟合。
  4. 模型验证：
     • 在训练和未训练数据集（包括实验收集数据及测量加速度数据）上进行验证。

研究成果

• 具体成果:

  • 训练数据集验证：
    • PM的预测在训练数据集中相关性平均达到𝜌=0.79，比其他六种基线度量方法更稳健。
    • 生成的感知空间（通过非度量多维尺度法）与用户数据的结构相似性 (平均alienation coefficient 𝐾=0.26) 最佳。
  • 未训练数据集验证：
    • PM在测试数据集的相关性为𝜌=0.67，同时生成与用户感知相似的结构空间 (𝐾=0.32)。
    • 测试数据包括设计者目标振动集（IPS）和噪声影响的测量振动集（MPS），PM对噪声具有鲁棒性。
  • 用户实验：
    • 对12种不同振动模式的用户实验，验证PM对感知节奏和幅度的区分能力超越其他度量方法。

• 与现有解决方案的比较和优势:

  • 在不同数据集和参数变化下，PM的预测能力优于现有基线指标（如RMSE、DTW、SPQI等）。
  • 在处理噪声数据时，PM表现更优。
  • 通过节奏与光谱特性的联合，模型在结构化感知空间中展示了更高的灵活性。

• 局限性与未来方向:

  • 局限性：
    • 模型只针对固定时长的振动输入，缺乏对不同长度输入的适配。
    • 使用的数据集数量有限，且数据范围未能全面覆盖振动参数的多样性。
    • 假设固定的皮肤接触场景（0.5mm探针），模型未考虑其他场景。
  • 未来改进：
    • 增加训练数据集的多样性，包括更多未训练参数。
    • 增强模型处理不同行为和接触模式的适应性，例如考虑手指接触方式和设备类型。
    • 引入增强的振动传播模拟，进一步丰富与用户交互的灵活性。

总结

此研究通过模拟人类触觉感知的生理模型，提出了一种有效的振动模式感知差异性预测方法。实验结果表明，PM不仅能够准确预测用户感知差异性，还能生成与用户感知空间相匹配的结构化表示。因此，该模型有望成为振动设计领域的一种低成本且灵活的辅助工具，推动触觉界面的发展。