服装的整体舒适感觉评价模型

服装的整体舒适感觉评价模型

现代社会对服装的需求并不是基于对害羞、寒冷和衣服的要求，而是基于服装的心理舒适度。Slater和Li在舒适性定义里介入了心理因素,说明服装舒适性的研究并非是单一的生理研究,而是受物理、生理、心理因素的综合影响。美国杜邦公司纺织纤维部奥纶技术分部采用舒适性构型来理解各种刺激对服装舒适性的影响。本文通过因子分析从复杂感官知觉中找出独立的潜在变量,结合实验研究对潜在变量进行定义,得出各潜在变量对感觉印象的贡献率。在因子分析基础上采用计算加权总分的方法,建立服装整体感觉舒适性统计预测模型,并采用BP神经网络技术基于心理感觉预测服装的整体舒适感觉,建立神经网络的舒适性预测模型。1服装感受舒适性测试Hollies等人在对人体感觉和服装舒适性研究的基础上,发展了一种心理量表技术——感觉评估技术,应用到穿着实验测试中评定服装感觉舒适性。本文在Hollies的心理量表技术基础上,结合实际情况发展了一种新的心理量表技术用于着装实验来评价服装穿着感觉舒适性。1.1主要参数的参数由于服装面料种类繁多,差异较大,本文集中对薄型面料进行探讨,选取试样的参数见表1。实验服装按统一尺寸、款式制作,适合平均身高为(162.05±1.02)cm,平均体重为(50.02±0.85)kg,平均胸围为(84±0.50)cm的受试者穿着,款式如图1所示,规格见表2。1.2结果描述语的确定根据以往对服装相关领域的研究,主要的标尺技术有:非强制性标尺,强制性标尺,非比较性、非平衡、强制性标尺,综合态度标尺。本文使用多重态度标尺,以获得受试者在着装实验中多种感觉反应。参照文献,将最终感觉描述语确定为紧、热、刺痛、瘙痒、粘身、粘湿、潮湿、闷热、粗糙、厚重共10项。主观舒适评分见表3。1.3实验设计与程序受试者为6名东华大学在校女学生,平均年龄为(24±1)岁,她们均为近似体型,平均身高为(162.05±1.02)cm,平均体重为(50.02±0.85)kg。受试者每天同一时间到达实验室,且都处于生理周期的前期,以尽量减少生理差别带来的判断误差。实验顺序按随机抽取决定。实验条件为温度25℃、相对湿度65%。每次实验由1名受试者参加,该受试者穿着6件服装完成实验以后,再安排另一名受试者进行实验。1次实验测试1件衣服的穿着反应。每次实验包含4个阶段:1)受试者在实验条件下休息20min以达到身体的平衡状态;然后第1次填写调查问卷表(包括对各种感觉的描述语);2)以4.0km/h的速度在跑步机上连续跑步10min后,第2次填写调查问卷表;3)再以4.5km/h的速度在跑步机上连续跑步10min后,第3次填写调查问卷表;4)休息10min以后,第4次填写调查问卷表。每次填写调查问卷表的时间不得超过1min。在正式实验之前受试者要进行1次预测试,以充分了解各项感觉描述术语的含义,便于正式实验时能够正确理解和判断。2结果与分析基于研究对象的特征,采用因子分析、神经网络等方法来处理和分析测试数据结果。2.1平均图像a对1#服装的第一阶段表4为受试者对服装的感觉评分,其中代码的首位字母代表受试者,中间数字代表实验阶段,最后数字代表实验服装,例如代码A11意思为受试者A对1#服装的第一阶段评分。2.2数据预处理和分析为考察实验数据的可靠性和稳定性,对该心理量表的信度、灵敏度及主观数据的有效性进行分析。2.2.1多重态度标记的灵敏度运用统计软件SPSS进行信度分析。在此之前先对测试数据进行归一化处理。结果显示信度系数为0.7849,比较接近于1,所以该量表的内部可信度比较高,量表设计相对合理。运用DPS数据处理系统软件中的非参数检验进行Friedman检验分析,考察多重态度标尺的灵敏度。结果显示,除受试者B在4个阶段所有情形下都可以在显著水平0.1时拒绝假设,即6种服装存在显著差异,同时也说明本文提出的多重态度标尺可以体现出不同服装的差异,灵敏度高。筛除受试者B的数据,不再将其作为进一步建立数学关系的数据依据。2.2.2不同阶段学生服装评分协同系数对比运用SPSS软件中的非参数检验进行Kendall协同系数检验分析,为便于观察,将结果绘制为图2。结果显示各种感觉评分的平均秩存在显著差异。图2中显示了受试者对6种实验服装在4个不同阶段评分的协同系数,同时也显示了在4个不同阶段受试者对6种实验服装评分协同系数的平均值,见图中“平均”一项。很明显,每个实验阶段评判结果的一致性不一样。受试者在第1阶段是静态,评估一致性好,第2、3阶段是动态,评估一致性次之,第4个实验阶段是由动到静止,评估标准的一致性最差,第4个阶段的评分为受试者在休息10min以后的评分,由于受试者在剧烈运动后大量出汗,更多的物理刺激使受试者产生更多、更复杂的感觉,受试者在对这些感觉的把握能力上产生了分歧,这就使得受试者评判的一致性降低。这也是动态舒适性研究的难点。2.3计算因子得分借助SPSS软件进行因子分析,分3个步骤:提取因子、因子命名并解释、计算因子得分。通过该方法可对着装实验中获得的各种反应进行分析,找出复杂心理感觉中的潜在变量,并对潜在变量进行命名,然后建立各种感觉因子(潜在变量)与各种单项感觉之间的关系模式。2.3.1因子特征值通过因子的提取发现:第1个因子的特征值为4.72,第2个因子的特征值为2.51,第3个因子的特征值为0.75。这3个因子可以用来解释10种感觉的大部分差异。2.3.2热湿因子tki本文采用方差最大化对因子载荷实施正交旋转以解释、命名因子。表5为旋转后的因子载荷矩阵。从表5可见,“热、闷热、粘湿、潮湿、粘身”等项在第1个因子上有很高的载荷,第1个因子主要解释了这些变量,可赋意为热湿因子;“粗糙、瘙痒、刺痛、厚重”等项在第2个因子上有很高的载荷,第2个因子主要解释了这些变量,可赋意为接触因子;“紧”的感觉在第3因子上载荷高,因此第3个因子可赋意为压力因子。2.3.3反应因子的得分情况描述采用回归法估计因子得分系数,根据因子得分系数矩阵中的因子得分系数可以得到感觉因子与单个心理感觉之间的关系模式:热湿因子=热×0.444+闷热×0.379+粘湿×0.166+潮湿×0.131+粘身×0.109-紧×0.262-瘙痒×0.034-刺痛×0.150-粗糙×0.054+厚重×0.171(1)接触因子=粗糙×0.324+刺痛×0.295+瘙痒×0.302+厚重×0.276-紧×0.031-热×0.020-粘身×0.052-粘湿×0.040-潮湿×0.039+闷热×0.027(2)压力因子=紧×0.743-热×0.375+瘙痒×0.015+刺痛×0.196+粘身×0.248+粘湿×0.167+潮湿×0.211-闷热×0.294-粗糙×0.042-厚×0.311(3)由式(1)～(3)可以计算出新的因子得分,见表6。各个阶段感觉因子的平均得分情况见图3,显示了3个感觉因子在不同的时间阶段相应的表现。其中实验阶段2、3(都为跑步状态)合并为第2阶段,时间为20min。热湿因子平均得分随着跑步时间的延长显著上升,在跑步结束时也就是20min时达到极值。这说明在跑步20min后热湿感觉成为最主要的感觉。接触因子和压力因子的平均得分却变化不大,压力因子略为上升,变化趋势较为缓和,接触因子表现出略为下降的趋势。2.4线性模型的建立这里使用2种不同的方法来研究分析单项感觉与服装整体感觉舒适性之间的关系,并分别建立预测模型:模型一是在因子分析的基础上通过加权总分的方法建立线性模型;模型二是运用BP神经网络技术建立的神经网络预测模型,用于预测整体感觉舒适性。2.4.1根据旋转后因子的相关情况进行整体感受通过相关分析方法对各种单独的心理感觉、感觉因子与整体感觉舒适性进行相关性分析,得出Pearson相关系数。在因子分析的基础上,采用计算加权总分的方法,可以得到综合舒适感的预测方程S=∑WFSF(4)S=∑WFSF(4)式中:S为综合舒适感;WF为感觉因子的方差贡献率;SF为感觉因子的得分。根据旋转后因子解释原有变量总方差的情况,得出旋转后热湿因子、接触因子和压力因子的方差贡献率分别为33.695%、29.114%、17.011%。把方差贡献率代入式(4)可得到基于感觉因子的整体感觉舒适性预测方程式:S=33.70%S热湿+29.11%S接触+17.01%S压力(5)S=33.70%S热湿+29.11%S接触+17.01%S压力(5)把式(1)～(3)代入式(5)中可以得到基于各项单独心理感知预测综合舒适感的预测方程式:S=0.0289S紧+0.0801S热+0.0792S瘙痒+0.0688S刺痛+0.0640S粘身+0.0728S粘湿+0.0688S潮湿+0.0859S闷热+0.0692S粗糙+0.0851S厚重(6)根据式(6)计算得出综合舒适感得分。由相关分析可得实测值和预测值之间的Pearson相关系数r为0.602。2.4.2各预测因子的关系纺织服装领域开始越来越多地应用神经网络来处理复杂的非线性关系。在实际运用中,反向传播网络——BP神经网络使用最为广泛。该网络具有一个输入层、一个输出层和至少一个隐藏(中间)层。用DPS数据处理系统来实现BP神经网络。基于心理感知预测整体感觉舒适性的BP神经网络中,输入层为穿着实验中10项感觉评分值,输出层为服装整体感觉舒适评分值。隐层数为1,隐层节点作用的激励函数通常选取S型函数,如f(x)=11+e-x/Q(7)式中:Q为调整激励函数形式的Sigmoid参数,在此取0.9;最小训练速率取0.1;动态参数取0.7;允许误差0.00001;最大迭代次数1000。取不同的隐层节点数,以实验样本为学习训练样本对该网络进行训练。通过绘制散点图发现预测值和实测值的相关系数与隐层节点数之间呈良好的二次曲线关系(R2=0.6518)。同时经相关分析发现,样本预测值与实测值之间(除了少部分隐层节点数目31,32,35以外)均有良好的线性关系(p小于0.001,线性相关显著)。根据拟合曲线图4,再结合相关系数,最终确定隐层节点数为15。基于以上各初始条件和各种心理感知,得出预测服装综合感觉舒适性的BP神经网络模型结构图,见图5。结果显示,利用因子分析的数学模型对服装综合感觉舒适建立的预测方程有一定的预测性,预测值和实际值之间相关显著,相关系数r为0.602。相比之下,BP神经网络对服装整体舒适的预测效果更好,预测值和实际值之间有很好的线性关系,r为0.952。另外,因子模型和神经网络又各具优点,因子模型具有结构清晰、层次清楚、各变量之间关系及相对重要性都很明了的特点,而神经网络具有灵活、对变量之间无线性假设及自学能力的特点。3主观国家意识数据分析在N·R·S·Hollies的心理量表技术的基础上,结合研究对象的实际情况提出了一种新的心理量表进行着装实验来评价