基于PAD的男T恤4种情感关系模型研究

张海波，章江华，刘 莉，孙雪飞

（1.北京服装学院 计算机信息中心，北京 100029；2.北京服装学院 基础教学部，北京 100029；3.北京服装学院服装艺术与工程学院，北京 100029）

基于PAD的男T恤4种情感关系模型研究

张海波1，章江华2，刘 莉3，孙雪飞3

（1.北京服装学院 计算机信息中心，北京 100029；2.北京服装学院 基础教学部，北京 100029；3.北京服装学院服装艺术与工程学院，北京 100029）

基于服装在整个生命周期具有的4种情感，利用中文简化版PAD情感模型，以男T恤为例对服装4种情感之间的关系进行了研究，通过情感测试和数据分析，建立了这4种情感之间的PAD关系模型;数据分析预测表明效果良好.

服装情感；男T恤；PAD；情感测试；关系模型

众所周知，服装服饰是艺术的一个门类，是一种艺术形式.而艺术品的形式就是人类情感的形式[1].服装中肯定有人类情感的形式.无论是服装设计、消费、着装，还是感受时，都体现着人们对情感的关注并起着重要的作用.另外，长期以来，由于人类情感的主观性和对服装情感描述的模糊性，截至目前对服装情感的认识大多仍停留在定性阶段.而随着人工智能技术的发展和人们对服装品味的日益苛求和着装情绪化，应把对服装情感的研究和应用提升到“定量”阶段了.只有建立服装情感的量化模型，并让计算机去识别服装情感，并利用计算机技术对服装情感进行评价，进而从情感的角度对服装进行量化评价[2].基于此，提出了服装情感学的概念，并把人工智能有关理论引入服装领域，结合心理学、感性工学等学科的研究成果，对服装情感进行量化研究，以期达到对服装情感的定量描述和量化评价.同时也明确提出了在服装整个生命周期中最能体现服装情感的有4处，分别对应4种情感：设计时设计者的情感（简称设计情感）、销售过程中消费者的情感（简称消费情感）、穿戴时着装人的情感（简称着装情感）以及着装人的服装给其他人带来的情感感受（简称感受情感）.并且我们还预言这4种情感之间应该存在着某种数量上的关系[2-3].现有的研究成果表明上述这些情感都是客观存在的[4-5]，而对这4种服装情感之间的数量关系却是鲜有研究.因此，本文以男T恤为例，拟对这4种服装情感之间的数量关系进行研究.

1 中文简化版PAD情感模型

一般认为，每款或每件服装在不同的生命周期阶段会有不同的情感描述，同一个生命周期阶段里不同款式的服装其情感描述也不尽相同.比如一款服装其设计情感和消费情感的描述可能是不同的；两款不同的服装，比如男西装和女童装其消费情感也是不一样的.每种服装的情感描述不一样，有的还大相径庭.截至目前，在服装领域对任何一种服装还没有一个大家公认的或者统一的情感描述方法.故此，为了研究方便，同时也为了更加方便地建立4种情感之间的关系模型，本文在这4种情感描述词选择时，都采用了PAD情感作为其情感描述.

简化版PAD情绪量表是Mehrabian基于PAD三维情感模型，发展出的测量情感的量表[6].PAD三维情感模型认为情感具有P、A、D这3个独立的维度，其中P代表愉悦度（pleasure-displeasure），表示个体情感状态的正负特性；A代表激活度（arousal-nonarousal），表示个体的神经生理激活水平；D代表优势度（dominance-submissiveness），表示个体对情景和他人的控制状态.

李晓明等[7]在原简化版PAD情绪量表的基础上形成了中文简化版PAD情绪量表，并将中文简化版PAD情绪量表在1 000名中国大学生群体中进行了初步试用.中文简化版PAD情绪量表包括3个维度，即愉悦度、激活度和优势度.每个维度包括4个项目，其中2个项目为正向记分题目，2个项目为反向记分题目.总共12个项目，为9点的语义差异量表.每个项目用由9个空间分隔的表示不同情绪状态的形容词对构成，每对词所表示的情绪在其所属维度上量值相反，而在其他2个维度上基本相同.例如测量愉悦度的项目“兴奋的-激怒的”，这2个词所代表的情绪在愉悦度上相反，而在激活度和优势度上大致相同.评价者需根据哪种情绪更强烈及更强烈的程度来评定他们的情绪.根据评价者的标定，从最左到最右，在该项目上的得分记为“-4”到“+4”，标定在中间时，记为“0”分，最后维度分数为测量该维度的4个项目得分的平均数[7].

12对情感描述词分别为：愤怒的-有活力的、清醒的-欲睡的、受控的-主控的、友好的-轻蔑的、冷静的-激动的、支配的-顺从的、残忍的-高兴的、感兴趣的-放松的、被引导的-自主的、兴奋的-激怒的、放松的-充满希望的、有影响力的-被影响的.它们的数值可分别用Q1～Q12来表示.12对情感描述的值与PAD的愉悦度、激活度和优势度分数的关系见式（1）[6-7]：

2 服装情感测试

2.1 测试准备和表的设计

在测试样本的选择上，本文选择了网上40张不同颜色和款式的男T恤，尽可能最大限度地反映各种男T恤的不同款式和特色.对每张图像编号顺序为IM01，IM02，…，IM40.在男T恤的4种情感测试中，采用中文简化版PAD情绪量表，测试表如表1所示.每位被测者分别以服装设计者、消费者、穿戴者和感受者的身份对40张服装图像进行依次打分，分值范围：-4～+4.不同的身份用的是同样一张情感测试表.

表1 情感测试表Tab.1 Emotional test table

为了形象描述情感测试，以“愤怒的-有活力的”为例的显示如下：

其他情感词对的测试类似.

2.2 情感测试和数据

按表1所设计的表格，把40张男T恤彩色打印出来让被测者看，或直接在电脑上看.一边看，一边思考，先以服装设计者的身份完成第1张表，休息30 min后按服装消费者身份完成第2张表，依次，完成以着装者和感受者身份的其他2张表.

测试环境要求安静，不受外来声音等干扰，让被测者在心平气和的状态下进行.最终测试结果共有67份合格的测试问卷，其中在校大学生60人（男生53人，女生7人），高校教师7人（男5人，女2人）.

对测试数据的每项进行平均，共得到12×40×4个数据，测试数据按式（1）计算出P、A、D的数据，共得到3×40×4个数据，如表2所示.

3 数据分析和建模

数据分析的最终目的是建立设计情感、消费情感、着装情感、感受情感这4种情感的两两之间数量关系模型.为了建立P1、P2、P3、P4之间、A1、A2、A3、A4之间以及D1、D2、D3、D4之间的18个关系模型，本文首先对测试数据进行了Pearson分析，然后采用Excel 2003作图，并拟合线性方程和曲线方程.

表2 情感测试结果PAD数据表Tab.2 PAD data of emotion test results

3.1 Pearson分析

应用统计软件SPSS 13.0进行分析，指标之间相关性采用Pearson相关，以P<0.05表示差异有统计学意义.SPSS的Pearson相关性分析结果如表3、表4和表5所示.

表3 P1、P2、P3、P4之间的Pearson相关性分析Tab.3 Pearson correlation analysis between P1,P2,P3 and P4

表4 A1、A2、A3、A4之间的Pearson相关性分析Tab.4 PearsoncorrelationanalysisbetweenA1,A2,A3andA4

表5 D1、D2、D3、D4之间的Pearson相关性分析Tab.5 Pearson correlation analysisbetween D1,D2,D3 and D4

3.2 Excel拟合处理

Pearson相关性分析后，然后在Excel 2003中进行拟合处理.由于篇幅所限，18个关系模型中本文以P1和P2、A2和A3、D3和D4这3个关系模型为例进行论述.拟合结果如下：

（1）P12方程：

P1和P2数据散点图如图1所示.P1和P2线性相关较弱：r=0.363，故采用二次曲线进行拟合，所得曲线方程见上，得到的确定系数为0.181，说明P1预测P2的效果不佳.

图1 P1和P2数据散点图Fig.1 Scattergram of P1 and P2

（2）A23方程：yA3=0.948xA2-0.035，R2=0.899.

A1和A2数据散点图如图2所示.从散点图2来看，A2和A3具有线性关系，Pearson相关分析结果显示：r=0.948，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.899，说明A2预测A3的效果较好.

图2 A2和A3数据散点图Fig.2 Scattergram of A2 and A3

（3）D34方程：yD4=0.659xD3+0.299，R2=0.611.

D3和D4数据散点如图3所示.从散点图3来看，D3和D4具有线性关系，Pearson相关分析结果显示：r=0.781，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.611，说明D3预测D4的效果较好.

图3 D3和D4数据散点图Fig.3 Scattergram of D3 and D4

以下15种关系的图示省略.

P13方程：0.081，R2=0.274.P1和P2线性相关较弱：r=0.468，故采用三次曲线进行拟合，所得曲线方程见上，得到的确定系数为0.274，说明P1预测P3的效果不佳.

P14方程：0.350，R2=0.159.P1和P2线性相关较弱：r=0.355，故采用三次曲线进行拟合，所得曲线方程见上，得到的确定系数为0.159，说明P1预测P4的效果不佳.

P23方程：yP3=0.827xP2+0.016，R2=0.684.从散点图来看，P2和P3具有线性关系，Pearson相关分析结果显示：r=0.827，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.684，说明P2预测P3的效果较好.

P24方程：yP4=0.698xP2+0.254，R2=0.686.从散点图来看，P2和P4具有线性关系，Pearson相关分析结果显示：r=0.828，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.686，说明P2预测P4的效果较好.

P34方程：yP4=0.659xP3+0.299，R2=0.611.从散点图来看，P3和P4具有线性关系，Pearson相关分析结果显示：r=0.781，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.611，说明P3预测P4的效果较好.

A12方程：yA2=0.788xA1+0.014，R2=0.894.从散点图来看，A1和A2具有线性关系，Pearson相关分析结果显示：r=0.945，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.894，说明A1预测A2的效果较好.

A13方程：yA3=0.771xA1-0.023，R2=0.855.从散点图来看，A1和A3具有线性关系，Pearson相关分析结果显示：r=0.925，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.855，说明A1预测A3的效果较好.

A14方程：yA4=0.914xA1-0.063，R2=0.879.从散点图来看，A1和A4具有线性关系，Pearson相关分析结果显示：r=0.937，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.879，说明A1预测A4的效果较好.

A24方程：yA4=1.091xA2-0.075，R2=0.870.从散点图来看，A2和A4具有线性关系，Pearson相关分析结果显示：r=0.933，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.870，说明A2预测A4的效果较好.

A34方程：yA4=1.111xA3-0.035，R2=0.901.从散点图来看，A3和A4具有线性关系，Pearson相关分析结果显示：r=0.949，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.901，说明A3预测A4的效果较好.

D12方程：yD2=0.603xD1+0.078，R2=0.703.从散点图来看，D1和D2具有线性关系，Pearson相关分析结果显示：r=0.838，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.703，说明D1预测D2的效果较好.

D13方程：yD3=0.503xD1+0.079，R2=0.489.从散点图来看，D1和D3具有线性关系，Pearson相关分析结果显示：r=0.699，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.489，说明D1预测D3的效果较好.

D14方程：yD4=0.526xD1+0.260，R2=0.749.从散点图来看，D1和D4具有线性关系，Pearson相关分析结果显示：r=0.866，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.749，说明D1预测D4的效果较好.

D23方程：yD3=0.827xD2+0.016，R2=0.684.从散点图来看，D2和D3具有线性关系，Pearson相关分析结果显示：r=0.827，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.684，说明D2预测D3的效果较好.

D24方程：yD4=0.698xD2+0.254，R2=0.686.从散点图来看，D2和D4具有线性关系，Pearson相关分析结果显示：r=0.828，P<0.01，具有强正相关性；故采用线性拟合，所得线性方程见上，确定系数为0.686，说明D2预测D4的效果较好.

3.3 总体效果分析

为了更加清晰地看到预测的效果，把上面的预测效果列表如表6所示.

表6 预测效果简表Fig.4 Simplified list of prediction effect

从表6中可以看出，设计情感的愉悦度P1对其他3种情感的愉悦度预测效果不佳，而其他预测都获得了较好的预测效果.也就是说除了P1与P2、P3、P4这3个数量模型效果不佳以外，其他的15个数量模型都是基本有效的.

4 结 论

我们在前期文献中明确提出了服装在整个生命周期中具有4种情感，并指出这4种情感之间具有某种数量上的关系.本文基于PAD情感模型、以男T恤为例对这4种情感之间的数量关系进行了研究.结果显示，除了设计情感的愉悦度对其他3种情感的愉悦度预测效果不佳以外，其他的都获得了较好的预测效果.本文不但基本验证了前期研究文献中的猜想，而且还利用PAD建立了各种情感之间的数量关系模型.该关系模型对服装设计、服装消费、着装等具有一定的积极意义.

需说明的是，由于样本数量和测试条件等的限制，本文建立的情感关系模型虽然取得了较好的预测效果，但仍有进一步提高的空间，留待以后继续研究.

[1]苏珊·朗格.情感与形式[M].刘大基，傅志强，周发祥，译.北京：中国社会科学出版社，1986.

[2]张海波.服装情感论[M].北京：中国纺织出版社，2011.

[3]张海波.服装情感学[J].针织工业，2010（6）：52-55.

[4]张亚莉.服装设计艺术中的精神本质与情感[J].装饰，2006（5）：104-105.

[5]张海波，黄铁军，修毅，等.基于颜色和纹理特征的面料图像情感语义分析[J].天津工业大学学报，2013，32（4）：26-32.

[6] LI X M，ZHOU H T，SONG S Z，et al.The reliability and validity of the Chinese version of abbreviated PAD emotion scales [C]//First International Conference on Affective Computing and Intelligent Interaction，Beijing，China.Heidelberg：Springer-Verlag Berlin，2005：513-518.

[7]李晓明，傅小兰，邓国锋.中文简化版PAD情绪量表在京大学生中的初步试用[J].中国心理卫生杂志，2008，22（5）：327-329.

Study on four kinds of emotion relationship models of man′s T-shirt based on PAD

ZHANG Hai-bo1，ZHANG Jiang-hua2，LIU Li3，SUN Xue-fei3
（1.Computer Information Center，Beijing Institute of Fashion Technology，Beijing 100029，China；2.Elements Department，Beijing Institute of Fashion Technology，Beijing 100029，China；3.School of Fashion Art and Engineering，Beijing Institute of Fashion Technology，Beijing 100029，China）

Based on the four kinds of emotions of clothing entire life cycle,the relationships among the four kinds of emotions were studied using the Chinese simplified PAD as emotion model and man′s T-shirt as an example.After emotion testing,data analysis et al,the PAD relationship models among the four kinds of emotions were established.These models worked effectively when they were used to forecast a kind of emotion with one of the other kinds of emotion.

clothing emotion；man′s T shirt；PAD；emotion test；relationship model

TS941.12；O29

A

1671-024X（2014）05-0022-05

2014-05-12

教育部人文社会科学规划基金项目（12YJA760089）

张海波（1970—），男，博士，副研究员.E-mail：hbdmzhb@126.com