KNOWLEDGE
首頁

應用教學

KNOWLEDGE
首頁

應用教學

UX 研究中的 EEG:測量情緒、注意力和認知負荷 - Mentalab

NOV 10 ,2026

文章分類:產品新知

 

 

以下節自 Mentalab's Blog - EEG in UX Research: Measuring Emotions, Attention & Cognitive Load


 

 

UX 研究中的 EEG:測量情緒、注意力和認知負荷

 

從預測使用者的挫折感,到打造適應性使用者介面,腦波圖(EEG)正在重新定義使用者體驗(UX)研究。以下說明 EEG 為何在現今的使用者體驗研究中如此重要。

 

現代的使用者體驗研究(UX Research)除了傳統的訪談與易用性測試之外,也越來越常結合神經科學的測量技術。在這些技術中,腦波圖(Electroencephalography, EEG)是一項相當重要的工具,不僅可以量化大腦活動,也能揭露使用者的潛意識反應(Borawska & Mateja, 2024)。當 EEG 與眼動追蹤(Eye-tracking)等行為測量指標,以及其他生理訊號測量方式(例如皮膚電導測量)結合時,便能更全面地了解使用者體驗。這些技術可以捕捉情緒、注意力與認知負荷的細微變化,而這些變化往往難以單靠使用者的自陳資料(Self-report)所察覺到的。

 

EEG 憑藉其毫秒級的精確度,在使用者研究中展現出捕捉即時大腦活動的優勢(參見 Zhu & Lv, 2023)。結合其非侵入性和多元的資料處理方式,EEG 能夠應用於各種新穎創新的產品、應用和服務研究。例如,以 Mentalab 為例,我們探索了一項延伸專案,將 EEG 放大器與可程式化的 EEG 燈具結合,應用於神經回饋(Neurofeedback)。此系統會監測 α 波活動的增強,而α 波活動的提升可能代表使用者正處於放鬆狀態(Klimesch, 1999)。基於這些訊號,系統會自動調節球形燈的亮度和顏色,進而在冥想過程中提供使用者即時的視覺回饋。這種兼具趣味性與實用性的設計,展現了 EEG 的廣泛應用潛力,不僅限於科學研究,也能應用於互動式使用者體驗領域。

 


 

 

 

運用 EEG 捕捉情緒反應

 

使用者的情緒在產品體驗中扮演著重要角色,但它們卻很難被客觀地測量。EEG 正是為了解決這個難題而存在的,因為特定的腦部活動模式與情緒狀態之間具有一定的關聯性。例如,大腦左右兩側額葉在面對正向情緒和負向情緒時的反應就截然不同。透過分析這些額葉腦波不對稱性(Frontal EEG Asymmetry),研究人員可以推論出正向或負向情緒的強度(Borawska & Mateja, 2024)。一項研究指出,額葉腦波不對稱性可以用來預測使用者對某個 IT 應用程式的實用性和愉悅程度的感受(Moridis et al., 2018)。因此,EEG 能夠在使用者與產品互動的過程中,即時提供情緒反應的相關指標,而不必完全依賴可能受到主觀偏誤影響的自陳資料。

 

在 UX 研究中,EEG 資料常被用來量化使用者體驗的效價(valence,愉悅與否,即情緒的正負向程度)和強度(arousal,激發程度,即情緒反應的強度)。 Gannouni 等人(2023)提出了一套以 EEG 為基礎的情緒辨識架構,應用於易用性測試,該架構相較於單純使用問卷調查,能更精確地掌握使用者滿意度。研究人員透過機器學習技術分析 EEG 特徵,成功以超過 92% 的準確率,依據情緒效價(Valence)、喚醒程度(Arousal)及優勢度(Dominance)三個維度,辨識參與者的情緒狀態(Gannouni et al., 2023)。這些研究方法顯示,EEG 能讓使用者的情緒感受與滿意度變得可量化,並且能在互動過程中即時進行測量。

 

 

 

 

運用 EEG 測量注意力和視覺知覺

 

EEG 也可用於客觀監測使用者的注意力。在 UX 研究中,一個介面是否能有效引導使用者去注意重要元素,或反而造成分心,是相當關鍵的研究議題。EEG 可以協助解答這個問題,因為特定的 EEG 訊號與注意力處理機制有關。早期的事件相關電位(Event-Related Potentials,ERPs),如 P1 和 N1 波,可以反映大腦開始處理視覺刺激的初期反應。 另一項重要指標是 P300 訊號,當使用者接收到具有意義的重要刺激後,約 300 毫秒便可能出現相關反應,其振幅會隨著注意力的增強而提升,並在面臨認知負荷時出現延遲(Zhu & Lv, 2023)。

 

此外,EEG 還可以協助偵測注意力的分散。當使用者感到疲勞時,較慢的 θ 波會增加,這可能代表著使用者的警覺性降低。 Slanzi 等人(2017)的研究發現,結合瞳孔大小測量和 EEG,可以預測使用者的點擊意圖(Click Intention)。這種 EEG 的預測性應用有助於開發能夠即時感知使用者注意力變化,並據此調整介面呈現方式的適應性介面。

 

 

 

測量認知負荷與心理工作負荷

 

認知負荷(Cognitive Load)是指使用者在處理某項任務時,例如操作使用者介面,需要消耗多少工作記憶與心理資源。EEG 提供了一種直接測量認知負荷的方法。當使用者面臨較高的心理需求時,通常會出現 α 波活動減少、θ 波活動增加的現象(Lal & Craig, 2001)。Caldiroli 等人(2023)的研究發現,使用智慧型手機執行網頁操作任務時,所產生的認知負荷,明顯高於使用桌上型電腦執行相同任務的情況。這項差異可以透過 EEG 訊號的變化觀察出來。

 

這項研究結果具有實際的應用價值。例如,行動裝置上的介面可能需要進一步簡化,才能避免使用者承受過高的認知負荷。此外,EEG 也能協助研究人員找出介面設計中的易用性問題。

 

 


 

FAQ

 

Q: 什麼是腦波圖( EEG)?在使用者體驗(UX)研究中如何應用?

A: EEG 可以即時測量大腦活動。在 UX 研究中,它可以幫助偵測使用者在互動過程中的情緒狀態、注意力程度和心理工作負荷。

 

Q: EEG 如何測量認知負荷?

A: EEG 透過偵測腦波頻率的變化來評估認知負荷。一般而言,當 α 波活動減少、θ 波活動增加時,通常代表使用者的心理工作負荷提高。

 

Q: EEG 能偵測到使用者的挫折感嗎?

A: 可以。EEG 的腦波模式能在使用者有意識地表達出挫折感之前就反映出使用者的情緒狀態,這使它成為易用性測試中的一項有力工具。

 

Q: 在 UX 設計中,將 EEG 與眼動追蹤(Eye tracking)結合有什麼好處?

A: 這樣的結合,不僅能了解使用者的視線落在哪些位置,也能進一步分析使用者對所觀看內容的認知處理程度,讓研究人員更全面地掌握使用者的注意力與資訊處理情況。

 

 

 


 

References

 

  • Borawska, A., & Mateja, A. (2024). Unveiling the User Experience: A Synthesis of Cognitive Neuroscience Methods in Digital Product Design. In A. R. da Silva et al. (Eds.), Advances in Information Systems Development. Springer.
  • Caldiroli, C. L., et al. (2023). Comparing online cognitive load on mobile versus PC-based devices. Personal and Ubiquitous Computing, 27(2), 495–505.
  • Cano, S., et al. (2020). Low-Cost Assessment of User Experience through EEG Signals. IEEE Access, 8, 158475–158487.
  • Gannouni, S., et al. (2023). Software Usability Testing Using EEG-Based Emotion Detection and Deep Learning. Sensors, 23(11), 5147.
  • Lal, S. K. L., & Craig, A. (2001). A critical review of the psychophysiology of driver fatigue. Biological Psychology, 55(3), 173–194.
  • Moridis, C. N., et al. (2018). Using EEG frontal asymmetry to predict IT users’ perceptions. Applied Psychophysiology and Biofeedback, 43(2), 1–11.
  • Slanzi, G., et al. (2017). Combining eye tracking, pupil dilation and EEG analysis for predicting web users’ click intention. Information Fusion, 35, 51–57.
  • Stancin, I., et al. (2021). A review of EEG signal features and their application in driver drowsiness detection systems. Sensors, 21(11), 3786.
  • Zhu, L., & Lv, J. (2023). Review of studies on user research based on EEG and eye tracking. Applied Sciences, 13(11), 6502.
  • Klimesch, W. (1999). EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Research Reviews, 29(2-3), 169–195.

 

 

 


 

未來還會持續推出不同產品知識或應用方面的文章喔!還請多多關注我們!

 

歡迎加入我們的社群頁面,隨時獲得最新消息!