用户案例 | EEG+ViT解锁工程设计意图认知新范式

2026-05-25 10:44:03, 人机环境同步平台北京津发科技股份有限公司

EEG+ViT 解锁工程设计意图认知新范式

在高端装备智能设计浪潮下，设计师的隐性设计意图一直是难以捕捉的核心难题。传统方法依赖设计师主动表达、事后方案评估，无法实时感知设计过程中的专注、困惑与走神，更难适配多任务设计场景。来自北京航空航天大学、香港理工大学的研究团队，创新性融合脑电（EEG） 与Vision Transformer（ViT） 技术，提出一套面向多任务工程设计的意图识别方法，直接穿透设计过程、捕捉大脑认知信号，为智能设计知识主动推送提供了全新技术路径。这项研究发表于Advanced Engineering Informatics，不仅突破 EEG 在工程设计中任务适配性差的瓶颈，更构建了从数据采集、特征表征到模型识别的完整闭环，让设计意图从 “黑箱” 走向 “可感知、可识别、可应用”。

研究亮点速览：

直击设计过程痛点：不同于传统的设计方案评估，本研究直接对准设计“进行时”，旨在解决设计师遇到困难时“难以启齿求助”的核心问题。
突破任务局限：提出了一种具备多任务适应性的模型，通过“训练+微调”策略，无需为每个新任务重新训练，即可应用于设计建模、计算、工艺规划等多种场景。
创新的脑电表征：将脑电信号构建为包含空间位置与频率特征的“图像式”矩阵，并利用强大的Vision Transformer模型进行解析，为脑电解码提供了新思路。

3分钟Get以下重点：

如何将眼动追踪数据（看哪里）与脑电数据（怎么想）结合，来洞察设计师的认知状态。
一种将一维脑电信号转化为二维“空间-频率”图像，并用ViT模型进行分类的核心技术路径。
在飞机起落架设计建模、计算、工艺规划三个真实任务中，该方法如何识别设计师的“困惑”时刻。

研究背景

工程产品设计覆盖设计建模、计算分析、工艺规划等多类任务，设计师在操作中会持续产生动态变化的设计意图 —— 这是引导设计决策、决定效率的核心认知状态。

设计意图，即设计师在过程中的瞬时认知状态，成为了破局的关键。若能实时识别设计师是 “专注” 、“困惑” 还是 “走神” ，便能在其最需要时（即“困惑”时）主动提供帮助。

当前设计意图识别存在两大痛点：

传统方法局限：上下文感知依赖预设场景，行为、眼动数据易受外界干扰，无法精准反映大脑真实思考；
EEG 应用短板：现有研究多聚焦事后方案评估，极少直接面向设计过程；且模型仅适配单一任务，跨场景复用性极差。

研究团队直指核心：用 EEG 直接捕捉设计师脑活动，用 ViT 挖掘空间 - 频率深层特征，实现多任务设计意图的精准识别。

核心创新

01
多任务通用的 ViT 意图识别框架

无需为每个设计任务重新训练模型，通过预训练 + 微调策略，让模型适配设计建模、计算、工艺规划等多场景，大幅提升工程实用性。

图 1 设计意图识别框架

02
创新脑电表征：空间-频率特征矩阵

打破传统时域 EEG 处理局限：

提取α/β/γ三个关键波段功率谱特征；
按照国际 10-20 系统 32 导电极位置，组织为9×9 空间矩阵；
最终形成9×9×3 类图像格式，完美适配 ViT 图像式特征提取。

图 2 空间频率特征表征

图 3 基于视觉 Transformer 的设计意图识别流程

03
面向真实设计过程的 EEG 采集流程

为了获取真实、有效的数据，团队首次构建标准意图数据采集 + 真实多任务采集双阶段实验流程：

标准阶段：诱导走神（Trance）、专注（Concentration）、困惑（Confusion）三类核心意图；
真实阶段：模拟飞机起落架建模、计算、工艺规划三大典型任务，同步采集 EEG + 眼动数据。

图 4 实验工作流程

技术路径

01
数据采集：双阶段实验，还原真实设计场景

实验设备：ErgoLAB EEG脑电仪（32 导）+ 眼动仪，通过ErgoLAB人机环境同步平台同步采集脑电与注视数据。共采集了超过2万个标记好的一秒脑电片段用于模型训练与测试。

图 5 实验设置

标准意图诱导：走神（无意义页面放空）、专注（简单设计重组）、困惑（无提示方案完善）；多任务设计场景：以飞机起落架设计为载体，

：简化版3D建模，参与者注视起落架特定部件并思考其建模过程。
设计计算：计算飞机起落架液压缸最小内径，分为有/无提示两个子任务，难度不同。
工艺规划：为飞机轮毂的12个机加工步骤排序，分为简单/困难两个子任务。

图 6 设计建模任务的实验页面

图 7 设计计算任务的实验页面

图 8 工艺规划任务的实验页面

02
EEG 特征表征：空间 - 频率矩阵化

预处理：基线校正、坏道插值、1-49Hz 带通滤波；
频域转换：Welch 法计算功率谱密度（PSD）；
特征筛选：保留 α/β/γ 波段；
空间重构：按电极位置排布为 9×9 矩阵，形成三通道类图像数据。

03
ViT 模型构建：类图像 EEG 意图分类

将 9×9 特征图切分为 3×3 图像块，展平为序列；
加入位置编码与分类标记（Class Token）；
经 Transformer 编码器提取全局特征；
MLP 头输出三类意图分类结果。

04
训练 - 微调策略

预训练：用标准意图数据学习基础认知特征；微调：冻结底层编码层，仅优化 Transformer 与 MLP，快速适配多任务场景。

实验结果

01
识别精度：ViT 模型大幅领先传统方法

标准测试集准确率：92.3%；
多任务微调后准确率：81.1%；
对比 SVM、随机森林、CNN、Transformer 等基线模型，本文方法在多任务场景下优势显著。

表1：对比评估结果

02
脑机制可视化：揭示意图对应的脑活动规律

困惑状态：枕叶 α 波活动增强，反映认知疲劳与深度思考；
专注 / 困惑：前额 - 颞叶 γ 波活跃，关联工作记忆与信息编码；
ViT 注意力图：左侧颞叶为区分三类意图的关键脑区。

图 9 三种设计意图下三个频段的脑电图地形图可视化

03
真实任务验证：精准匹配设计对象与认知状态

结合眼动兴趣区（AOI），实现设计对象 - 注视时长 - 设计意图的时序对齐：

设计建模：在依次思考“固定基座”、“主支柱”等部件时，设计师绝大部分时间处于专注状态。
设计计算：
无提示子任务：设计师在阅读“等效负载”、“安全系数”等信息时，主要处于专注状态，但夹杂短暂的困惑与走神。
有提示子任务：提供提示后，设计师更多地注视提示区域，但走神时间明显增加。
工艺规划：
困难子任务：设计师在安排“半精镗内孔”这一步骤时，反复注视且专注比例较低，暗示此步骤是难点。
简单子任务：设计师在50秒内就完成了所有安排，且状态多为专注或走神，表明任务难度降低。

图 10 基于 ViT 的设计意图识别模型注意力图的可视化

研究价值

理论意义

首次将ViT用于工程设计 EEG 意图识别，开辟脑认知与智能设计融合新方向；
提出空间 - 频率融合的 EEG 表示方法，充分挖掘脑电空间拓扑与频域信息；
直接面向设计过程研究，填补事后评估的研究空白。

实践意义

为智能设计系统提供实时意图感知能力，实现知识主动推送；
无需设计师手动输入，无感捕捉认知状态，提升设计效率；
适配多任务设计场景，可落地于航空、机械等高端装备设计。础字体

局限与未来展望

当前局限

暂未实现实时在线识别，需离线处理数据；
三维设计对象的 AOI 定义需简化，生态效度待提升。

未来方向

开发 EEG 数据实时传输接口，实现在线意图识别；
构建三维设计对象 AOI 追踪工具；
拓展至更多设计场景，完善工程化落地。

基金支持国家自然科学基金（No. 52205244）、工信部高端航空装备智能制造重点实验室、北京市数字化设计与制造重点实验室。

参考文献

[1]Li, M,, Wang, Z,, Li, F,, & Liu, J, (2025), A multi-task engineering design intention recognition approach based on Vision Transformer and EEG data, *Advanced Engineering Informatics*, 65, 103353,

tip

本文仅用于学术交流，原文版权归原作者和原发刊所有。欢迎关注ErgoLAB公众号，了解产品更多新功能、新技术、新应用动态~

- End -