基于脑电图的产品喜好预测与评估方法及系统技术方案

本发明专利技术公开了一种基于脑电图的产品喜好预测与评估方法及系统，通过设计实验范式采集产品喜好脑电信号、对原始脑电信号进行预处理、构建深度学习网络模型，以预测个人产品喜好以及产品整体评估；脑电信号由产品图片刺激诱发、多个电极通道采集；深度学习网络模型由两个卷积模块与一个全连接层构成，完成时频、通道特征的提取与分类，并通过数据增强与二次调整提高模型的泛化能力；通过赋值与打分完成产品评估。本发明专利技术利用测试人员的脑电数据，对各种即将推出的产品进行个人喜好预测，并根据预测结果对所有的产品进行评估以供调整产品销售方案，具有成本低、便于操作、偏差小等优点。点。点。

【技术实现步骤摘要】
基于脑电图的产品喜好预测与评估方法及系统


[0001]本专利技术涉及深度学习
，具体涉及一种基于脑电图的产品喜好预测与评估方法及系统。

技术介绍

[0002]作为人类感受到的不同情感的一部分，我们体验到的最基本的情感之一是喜欢和不喜欢的感觉，针对生活中的事物，人们都会产生喜欢与不喜欢的偏好反应。神经营销是一个新兴的跨学科领域，通过神经科学将消费者的行为认知与情绪反应相联系，从而预测消费者对产品的喜好和人群层面营销活动的成功。传统的营销方式都存在局限性，如市场调查实施起来成本与人力需求大，而问卷、访谈等又往往基于主观偏好，从而导致预测结果不准确，因此，商业环境需要一种新的、更准确、更严格、更经过科学证明的数据收集与预测方法。
[0003]神经成像技术能够同步记录大脑的电活动与代谢活动，同时可以反映消费者大脑中与其真实喜好相关的隐藏信息，这些信息可以用于产品上市前的效果评估。该技术主要包括脑电图(EEG)，经颅磁刺激(TMS)、脑磁图(MEG)、功能磁共振成像(fMRI)、正电子发射断层扫描(PET)等。与其他技术相比，EEG成本较低、操作简单、便于携带、时间分辨率高，是目前神经科学领域最常用的研究工具之一。
[0004]利用脑电图(EEG)进行分析和解释是对人类情感进行分类的最有效的方法之一，同样，将脑电图(EEG)应用于消费者对产品的喜好预测在神经营销领域也有着巨大的潜力，目前已有的利用脑电图进行喜好预测的方法只对原始EEG信号进行时域或频域方面的计算与评估，而EEG作为一种非线性非平稳的时域信号，包含着多种复杂的信息特征，单一维度的分析无法全面反映信号特征，将导致预测结果不准确。因此需要一种完整的产品喜好预测与评估系统，可基于EEG的时频、通道特征，对消费者的产品喜好进行预测与评估。

技术实现思路

[0005]本专利技术的目的在于克服传统营销方法成本高、难实施、预测有偏差等缺点与不足，提出了一种基于脑电图的产品喜好预测与评估方法及系统，其利用测试人员的脑电数据，对各种即将推出的产品进行个人喜好预测，并根据预测结果对所有的产品进行评估以供调整产品销售方案，具有成本低、便于操作、偏差小的特点。
[0006]为实现上述目的，本专利技术所提供的技术方案为：一方面，本专利技术提供一种基于脑电图的产品喜好预测与评估方法，包括以下步骤：
[0007]步骤S1，采集多个测试人员对产品的个人喜好相关的脑电信号，并对原始数据进行预处理给出纯净的相关EEG数据集，同时收集行为数据制作对应训练标签；
[0008]步骤S2，深度学习网络模型构建；设置两个卷积模块用于提取产品喜好脑电信号的包含时频与通道信息的特征、设置全连接层用于分类，实现对个人喜好情绪的预测；
[0009]步骤S3，针对个人预测结果，对组内产品的进行喜好程度排序；
[0010]步骤S4，对测试人员的预测结果赋值，并计算各个产品的评估值作为产品评估结果。
[0011]另一方面，本专利技术还提供一种基于脑电图的产品喜好预测与评估系统，包括：
[0012]脑电信号数据采集模块，用于采集多个测试人员对产品的个人喜好相关的脑电信号，并对原始数据进行预处理给出纯净的相关EEG数据集，同时收集行为数据制作对应训练标签；
[0013]深度学习网络模型构建模块，用于设置两个卷积模块用于提取产品喜好脑电信号的包含时频与通道信息的特征、设置全连接层用于分类，实现对个人喜好情绪的预测；
[0014]个人喜好预测模块，针对个人预测结果，对组内产品的进行喜好程度排序；
[0015]产品整体评估模块，对测试人员的预测结果赋值，并计算各个产品的评估值作为产品评估结果。
[0016]与现有技术相比，本专利技术的有益效果为：
[0017](1)本专利技术设计一套滤波降噪流程，首先将原始脑电中的高频噪声去除，然后通过FastICA算法去除了脑电信号中的眼电、心电等伪迹，得到纯净的含有个人对产品喜好的脑电信号；
[0018](2)本专利技术针对特定实验范式下的脑电特征提取与分类工作繁琐的问题，构建了深度学习网络模型，实现脑电信号的自动特征提取与分类；使用原始脑电数据作为输入，省去传统方法的特征提取步骤，节省大量人工成本；
[0019](3)本专利技术针对人类的专注精力有限训练集数据过少，在深度学习模型训练的过程中容易产生过拟合的问题，采用数据增强的方法，在原始训练集的基础上添加随机高斯噪声，产生与原样本相似却不相同的数据来实现数据扩充，改进模型的训练过程，解决了模型的过拟合问题；
[0020](4)针对脑电信号个体差异较大的问题，本专利技术采用二次调整的方法对训练好的深度学习网络模型进行优化，将测试组1中的个体数据依次作为测试集继续训练模型，从而提高模型的泛化能力。
附图说明
[0021]图1为本专利技术基于脑电图的产品喜好预测与评估方法流程图。
[0022]图2为本专利技术原始产品喜好脑电数据的预处理流程图。
[0023]图3为本专利技术基于深度学习网络模型的个人喜好预测过程图。
[0024]图4为本专利技术数据增强具体操作示意图。
[0025]图5为本专利技术模型二次优化过程示意图。
[0026]图6为本专利技术基于EEG的产品喜好预测与产品评估示意图。
具体实施方式
[0027]为使本专利技术的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本专利技术作进一步详细的说明。
[0028]由于传统的营销方法耗费人力物力或预测不准确，而已有的基于EEG的分析少有用于神经营销的预测方面，因此本专利技术提出一个可以应用于营销的完整的产品喜好预测与
评估方法，如图1，该方法主要包括以下内容：
[0029]步骤S1：采集多个测试人员对产品的个人喜好相关的脑电信号，并对原始数据进行预处理给出纯净的相关EEG数据集，同时收集行为数据制作对应训练标签；
[0030]步骤S11：将进行产品测试的受试者按照2:1:1的比例分为三组，分别为训练组、测试组1、测试组2，以供脑电数据采集与数据集制作；
[0031]步骤S12：以10个需要被评估产品为一组进行评估，准备产品图片作为刺激材料；
[0032]步骤S13：采集设备包括电源、32导联信号放大器、32导采集电极以及32导电极帽，采样频率为500Hz，且在实验开始之前利用导电膏将头皮与电极之间的阻抗降低到10KΩ以下。标签设置为“喜欢”与“不喜欢”两类。事件相关电位实验范式设计为图片出现2s、休息1s、注意提醒0.8
‑
1.2s不等，且每个产品重复出现30次，记录实验过程中的脑电信号；
[0033]步骤S14：行为测试设计为屏幕上每次同时出现10种产品中的两种，受试者尽可能快地选出更为倾向的一件，并按下商品下方所对应的标号(0
‑
9)表示为其打1分，每组重复三次，统计每个商品的得分数，由高到低对产品排序，前5种标签设置为“喜欢”，后5种标签设置为“不喜欢”。训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑电图的产品喜好预测与评估方法，其特征在于，包括以下步骤：步骤S1，采集多个测试人员对产品的个人喜好相关的脑电信号，并对原始数据进行预处理给出纯净的相关EEG数据集，同时收集行为数据制作对应训练标签；步骤S2，深度学习网络模型构建；设置两个卷积模块用于提取产品喜好脑电信号的包含时频与通道信息的特征、设置全连接层用于分类，实现对个人喜好情绪的预测；步骤S3，针对个人预测结果，对组内产品的进行喜好程度排序；步骤S4，对测试人员的预测结果赋值，并计算各个产品的评估值作为产品评估结果。2.根据权利要求1所述的产品喜好预测与评估方法，其特征在于，步骤S1具体包括以下步骤：步骤S11：将进行产品测试的受试者按照2:1:1的比例分为三组，分别为训练组、测试组1、测试组2，以供脑电数据采集与数据集制作；步骤S12：以10个需要被评估产品为一组进行评估，准备产品图片作为刺激材料；步骤S13：设计产品喜好情绪的诱发实验范式，采集设备包括电源、32导联信号放大器、32导采集电极以及32导电极帽，采样频率为500Hz，且在实验开始之前利用导电膏将头皮与电极之间的阻抗降低到10KΩ以下；以产品图片作为诱发素材；标签设置为“喜欢”与“不喜欢”两类；实验过程中图片出现2s、休息1s、注意提醒0.8
‑
1.2s，且每个产品重复出现30次，记录实验过程中的脑电信号；步骤S14：训练组与测试组1的受试者参与行为统计，并制作脑电数据对应的标签；步骤S15：对S13采集到的脑电信号进行滤波降噪；步骤S16：对S15的脑电信号进行眼电、心电伪迹的去除；步骤S17：对S16的脑电信号进行分段与基线矫正，得到产品喜好脑电信号；步骤S18：对S17的脑电信号进行降采样，并将其作为原始数据制作数据集。3.根据权利要求2所述的产品喜好预测与评估方法，其特征在于，步骤S2具体包括以下步骤：步骤S21：设置第一个卷积模块，用于脑电信号的通道特征提取，第一层卷积为不同频带的滤波，第二层卷积为深度卷积，两层之后分别接Batch Norm层，池化层为平均池化，窗口大小设置为1
×
4，后接Dropout实现正则化；步骤S22：构建第二个卷积模块，用于提取脑电信号的时频与通道信息的特征，采用可分离卷积层，后接Batch Norm层，池化层为平均池化，窗口大小设置为1
×
8，后接Dropout实现正则化；步骤S23：构建全连接层对卷积层输出的特征进行分类，进而实现产品喜好预测；步骤S24：将训练组经过预处理后的脑电数据与其对应标签作为原始数据集；步骤S25：采用数据增强扩充数据集，在原始数据上增加均值为0，标准差为其自身值的随机噪声，并按2:1将扩充后的数据集分为训练集与验证集；步骤S26：使用S25的训练集进行有监督的网络训练，使用验证集进行模型初步调整，利用损失函数计算分类损失值，经误差反向传播，更新网络模型中的参数；步骤S27：将测试组1经过预处理后的脑电数据与其对应标签作为测试数据1制作测试集1；步骤S28：将S27的测试集输入S26训练好的模型中进行预测，通过计算测试集上的损失
值，对深度学习网络模型进行二次优化调整。4.根据权利要求3所述的产品喜好预测与评估方法，其特征在于，步骤S3具体包括以下步骤：步骤S31：利用测试组2每个受试者经预处理后的脑电信号，以受试者为单位制作测试集2，其中每个人的脑电数据又依据产品分为10组；步骤S32：针对单个受试者，将不同产品所对应的数据的依次输入S28调整号的模型中进行个人产品喜好预测；步骤S33：针对单个受试者，以每组样本的预测结果中不同标签的占比为依据，对10个产品进行个人喜好由高到低排序。5.根据权利要求4所述的产品喜好预测与评估方法，其特征在于，步骤S4具体包括以下步骤：步骤S41：针对单个受试者，对每个产品依据个人喜好结果赋予10
‑
1数值，由高到低分值递减；步骤S42：统计测试组2所有受试者的个人喜好预测结果中各个产品的分值；步骤S43：对各产品分值进行归一化，作为每个产品在本组产品中“被喜欢”的评估值。6.一种基于脑电图的产品喜好预测与评估系统，其特征在于，包括：脑电信号数据采集模块，用于采集多个测试人...

【专利技术属性】
技术研发人员：林梦思，周慧，肖克扬，钱小颖，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：