东方本色：基于皮肤本态的中国女性肤色伴随特点研究.docx

?

?

东方本色

基于皮肤本态的中国女性肤色伴随特点研究

?

?

张大勇杨笑笑赵新昊易帆杜一杰任晗堃

作为人体最大、最重要的器官，皮肤与外界环境直接接触，同时也是个体外貌最直观的展现[1，2]。皮肤本态是指人体皮肤去除妆容、污渍，所呈现出的最为真实、客观且直接的状态[3，4]。其研究内容十分广泛，既包括不同特征人群皮肤的共同特征，也包括个体的差异性特征。如民族[5]、地域[6]、年龄[7]、性别[8]和生活习惯[9]等造成的皮肤状态差异。随着科技水平的日益提高，通过无创性皮肤测试仪器和皮肤摄影技术等手段可以针对不同维度的皮肤指标进行客观、定量的表征，如皮肤屏障水平、色泽水平、质感水平、皱纹水平、色斑水平、微循环水平等（图1），从而综合分析刻画出不同特征人群的皮肤状态，明晰真正适合中国人皮肤特征的产品需求与护肤需求。

“东方本色”，在本文中指中国女性真实、自然、客观的面部肤色。中国的陆地面积约960万平方千米，居世界第三位。中国是地域辽阔、地势复杂、气候多样的统一多民族国家，因此中国女性的肤色类型、分布及其伴随特点也大不相同[6]。人类的肤色是四种主要色素共同影响的结果，包括表皮中黄色的外源性类胡萝卜素和内源性黑素（棕黑），以及真皮毛细血管、小静脉中的血红蛋白（红蓝）[10]。黑色素细胞分布于人体表皮，其产生的黑色素是皮肤抵抗紫外线辐射的主要屏障[11]，对人的肤色和感知紫外线的敏感度有着重要的影响[12]。N.Samson等人关于面部吸引力的研究发现，肤色对女性的面部吸引力具有重要影响，甚至可能是感知年龄和健康的主要信号[10]。

北京工商大学与花西子展开深入合作，系统研究了中国女性的肤色特征，刻画了“东方本色”。基于中国女性皮肤本态数据库，采集5000例18～45岁女性的皮肤数据，探究中国不同肤色类型女性的年龄分布、地域分布及其伴随特点，为“东方本色”的研究与化妆品开发奠定了基础。

一、实验方法

研究对象

志愿者数据来源于北京工商大学皮肤本态数据库，采集北京、上海、广州、成都、武汉等五个地区各1000例18～45岁中国女性志愿者皮肤数据，并将其分为18～29岁（A1）、30～45岁（A2）两个年龄段（表1）。收集研究对象屏障水平、色泽水平、质感水平、皱纹水平、色斑水平、微循环水平等六维度皮肤数据，共计28项皮肤指标数据（表2）。

研究指标

近年来，VISIA-CR（美国Canfield公司）越来越多地应用于志愿者面部特征变化分析[13]。通过VISIA-CR进行志愿者面部皮肤摄影，结合相关算法可对志愿者正/左侧面部交叉偏振光照片进行皮肤问题特征数据计数。随着无创性皮肤检测的发展，通过CK仪器（德国CK公司）进行志愿者皮肤测试，可以得到客观真实的皮肤数据，从而量化皮肤状态[14]。此外，采用PeriScanPIM3激光多普勒血流仪采集志愿者皮肤血流灌注量数据，采用红外热成像仪采集志愿者皮肤平均温度数据，采用感觉电流神经检测仪采集2000Hz、250Hz、5Hz电流下志愿者皮肤敏感度数据，分析研究志愿者的气血状态（即皮肤微循环）[15]。

二、数据处理方法

描述性统计

描述性分析是社会调查统计分析的第一个步骤，对调查所得的大量数据资料进行初步的整理和归纳，以找出这些资料的内在规律，包括集中趋势和分散趋势。主要借助各种数据所表示的统计量，如均数、百分比等，进行单因素分析。

差异性分析

差异性分析是常用的数据分析方法，用于检测科学实验中实验组与对照组是否有差异，以及差异是否显著的办法。作为判断两个或是多个数据集之间是否存在差异的方法，差异显著性检验一直被广泛应用于各个科研领域，其原理是基于比较均值，即比较不同组别的均值，从而得出组间差异。

偏相关分析

偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。显著性P值是针对原假设H0（假设两变量无线性相关）而言的，一般假设检验的显著性水平为0.05。若P值小于0.05则拒绝原假设H0，说明两变量有线性相关的关系;若P值大于0.05，则一般认为无线性相关关系。判定标准为相关系数R值，R值越大说明相关程度越高;反之则相关程度越低。

相关性分析

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。相关性系数的计算过程可表示为：将每个变量都转化为标准单位，乘积的平均数即为相关系数。两个变量的关系可以直观地用散点图表示，当其紧密地群聚于一条直线周围时，变量间存在强相关性。

三、研究结果与讨论

不同肤色类型的总体年龄及地域分布统计

（1）总体分布。

基于ITA°分型方法，将5000名中国女性志愿者肤色由浅至深分为Ⅰ（非常浅