34、基于脑电图信号的神经营销选择分类技术

基于脑电图信号的神经营销选择分类技术

1. 脑电图信号选择检测系统

1.1 系统概述

选择可以被描述为对一系列方面的态度，这种态度能自由地反映在判断中，也可能是对产品喜欢或不喜欢的评估。在广告中，计算无意识和有意识的神经活动，了解客户对广告材料的处理、情绪状态和心理负荷具有重要潜力。

1.2 实验方法

• 佩戴设备 ：给客户戴上脑机接口（BCI）耳机。
• 展示产品 ：让客户观看产品，同时记录脑电图信号。
• 客户评分 ：客户观看每个品牌后，对产品进行特定等级的评分。
• 数据处理 ：对所有产品的评分进行手动标记，分为喜欢和不喜欢两组，然后对脑电图信号进行预处理和特征提取。

1.3 系统流程

脑电图信号选择检测系统主要包括三个步骤：
1. 预处理 ：对脑电图信号进行初步处理，去除噪声等干扰。
2. 特征选择/提取 ：从预处理后的信号中提取与选择相关的特征。
3. 分类过程 ：根据客户评分的黄金标准制定分类系统。

graph LR
    A[佩戴BCI耳机] --> B[展示产品并记录EEG信号]
    B --> C[客户评分]
    C --> D[手动标记评分]
    D --> E[预处理EEG信号]
    E --> F[特征提取]
    F --> G[分类过程]

2. 认知选择相关性

不同的大脑皮层区域负责不同的心理和认知功能。研究发现，选择与大脑前部，特别是中前眼眶区域和前额叶皮层有关。例如，伏隔核与选择预测相关，当客户看到产品时，该区域的更大刺激表明客户购买该产品的可能性增加。内侧眶额皮层与情境选择有关，该区域的更大刺激与更高的选择程度相关。

基于10 - 20标准的关键电极位置和相关神经活动如下表所示：
|电极位置|相关神经活动|
| ---- | ---- |
|AF3, F7, F3等|与选择特征相关|

3. 选择分类技术

3.1 技术优势

虽然在将神经活动与客户选择联系起来方面取得了显著进展，但神经评估在预测营销成功方面的实际应用仍有待进一步验证。神经检查相比传统检查能大大提高预测能力，因为神经检查比自我报告评估更具优势。基于神经营销技术的模型在预测新情况和状态方面比传统营销技术（如问卷形式和焦点小组）更有效，并且更具可扩展性。

3.2 分类系统类型

基于统计技术的选择检测系统可分为三种典型类型：
- 时间型 ：使用事件相关电位（ERPs）的记录。
- 频率型 ：通过识别γ、β、α、θ和δ波的典型特征、功率谱密度（PSD）等方法进行建模。
- 混合型 ：结合时间和频率，通过测量刺激后持续时间的时间间隔和功率谱来分析脑信号。

3.3 具体技术及准确率

作者	技术	设备/系统	准确率（%）
Agarwal等	线性回归（Lasso, Ridge）	Mind Media Inc	未提及
Yadava	隐马尔可夫模型	14 Channel Emotiv EPOC Inc. Headset	未提及
Teo等	随机森林	9 electrode advanced brain monitoring B - Alert X10	未提及
Chew等	深度神经网络	Advanced brain monitoring (ABM), the B - alert X10 headset	75（SVM），80（KNN）
Hadjidimitriou等	k - 最近邻 + 时频分析	14 Channel Emotiv EPOC Inc. Headset	91.02
Yaozhang等	支持向量机 + CSP	2 EEG electrodes NeuroSky - MindBand	74.77

3.4 分类技术类型

分类技术研究可分为四种类型：
- 迁移学习 ：通过利用从另一个数据集或任务学习时获得的知识来提高学习算法的性能。
- 矩阵和张量分类器 ：也称为多向数组，将数据通过适当步骤直接映射到特定空间，不涉及特征选择和过滤。
- 自适应分类器 ：其因素（包括特征权重）根据最近的神经元活动不断审查和更新。
- 深度学习 ：如深度神经网络（DNNs），受人类神经系统启发，通过连接节点创建多层，能实现比单个节点更复杂的计算。多层感知器（MLP）是用于BCI应用最常见的DNN形式。

4. 预测选择特征

4.1 瞬态行为特征

4.1.1 P300

较高的P300振幅值可用于识别客户对扩展品牌标签的选择。在特定产品特征方面，P300可作为客户选择的标准。此外，P300还与折扣促销、定价、性别和数学能力等因素在客户购买决策中的作用有关。

4.1.2 N200

N200的幅度与品牌扩展类别和情绪状态之间存在相关性，但这种相关性仅在品牌轻微扩展和负面情绪时存在。N200值可显示产品的自发选择，而PSW和LPP可显示产品的有意识认知选择。

4.1.3 N400

N400值可以预测品牌扩展，与品牌名称的强相关性和放大的N400值表明客户偏好增加。此外，N400值与对品牌和产品分类的无意识反应相关，但与有意识评估无关。

4.2 脑电波特征

• γ和β波 ：可用于估计电影剪辑的回忆和票房销售，也可作为客户购买欲望的指标，用于计算认知意愿和预测门票购买。
• 额叶不对称 ：与客户对产品吸引力的无意识反应有关。
• 高频波段 ：与理想的家庭餐和外国食品相关。
• 低θ频率波段 ：与不良产品选择结果相关，也与有效的反吸烟社会护理广告和进口品牌（相对于本地品牌）有关。

4.3 相关研究案例

作者	记录方法	信号类型	EEG/ERP组件	营销元素和刺激	设备/系统
Michael等	BCI & 皮肤电反应	EEG	γ, β, α, θ, & δ	观察旅游图片、视频和文字	ABM X - 10 EEG brain scanner, /iMotions v5.1
Agarwal等	BCI	ERP, ERSP	θ, β & N200	观察产品图片	Muse InteraXon
Modica等	BCI	EEG	α & θ	观察和触摸产品	21 - channel portable BEmicro, EBneuro

5. 总结与展望

5.1 技术总结

过去十年为神经营销和消费者神经科学的发展奠定了坚实基础。基于脑电图信号的选择分类技术在分析客户在广告和相关领域的问题上具有优势，能够弥补传统市场分析注重明确客户反应与神经营销分析注重隐性消费者反应之间的差距。

5.2 存在问题

目前营销研究中缺乏全面的数据挖掘技术来估计和分类客户选择。

5.3 未来建议

为了基于脑电图数据有效找到客户选择，需要实施深度学习方法。KNN + 傅里叶变换算法在性能、召回率和准确率方面表现较好。未来研究可以考虑在迁移学习框架下评估深度神经网络用于选择预测。

6. 神经营销技术应用案例分析

6.1 音乐选择分类案例

在音乐选择分类方面，众多研究采用了不同的技术并取得了不同的准确率。以下是一些具体案例：
|作者|技术|准确率（%）|
| ---- | ---- | ---- |
|使用频谱滤波器和传统空间模式基于SVM技术进行歌曲选择分类|分别为68%和75%|
|使用基于SVM的快速傅里叶变换（FFT）作为特征选择技术|82%|
|使用基于径向SVM的FFT进行选择分类|75%|
|使用基于特定时频（TF）技术（如频谱图和希尔伯特 - 黄谱（HHS））的KNN技术|分别为83%和86%|
|Hadjidimitriou等基于类似实验设计|91%|
|基于TF技术（DFT - KNN）进行音乐选择分类|98%|
|基于二次判别分析（QDA）进行音乐选择分类|97%|

这些案例表明，不同的技术在音乐选择分类中各有优劣，选择合适的技术对于提高分类准确率至关重要。

6.2 产品偏好预测案例

一些研究通过结合脑电图信号分析和问卷调查测试来预测产品偏好。例如，有研究使用SVM结合脑电图信号分析和问卷调查测试确定最受欢迎和最不受欢迎的产品，取得了68%的准确率。然而，部分研究由于使用的数据集较小，结果的可信度受到影响。如Chew等最初使用仅5名参与者的较小数据集，基于SVM和KNN对脑电图信号进行分类，分别获得75%和80%的准确率，但该结果可信度不高。后续他们将参与者增加到16人，但准确率并未提高。

6.3 广告效果评估案例

在广告效果评估方面，研究人员通过分析脑电图信号来判断广告的受欢迎程度。例如，有研究对三个受欢迎和三个不同的广告进行归纳分析，基于大型脑电图数据集发现受欢迎的广告和不受欢迎的广告在事件相关电位（ERP）上存在统计学上的显著差异。还有研究通过观察旅游图片、视频和文字等刺激，结合脑电图和皮肤电反应，发现照片在旅游决策中引发的情感反应比文字更强烈。

7. 分类器组合与选择

7.1 分类器组合方式

为了提高分类准确率，可以使用分类器组合的方式，如堆叠、投票或提升。这些组合方式涉及训练不同的分类器，使它们相互补充，并将它们的输出结合起来。以下是具体的组合方式说明：
- 堆叠 ：将多个分类器的输出作为输入，再训练一个新的分类器来综合这些输出。
- 投票 ：多个分类器对样本进行分类，然后根据多数投票的结果确定最终分类。
- 提升 ：通过迭代训练多个弱分类器，每个弱分类器都关注前一个分类器分类错误的样本，最终组合成一个强分类器。

7.2 分类技术选择依据

在神经营销研究中，分类技术的选择通常取决于所测量的神经活动和应用场景。以下是具体的考虑因素：
- 神经活动测量 ：不同的神经活动可能需要不同的分类技术来捕捉其特征。例如，如果关注的是特定脑电波的变化，可能需要选择能够有效处理频率特征的分类技术。
- 应用场景 ：不同的应用场景对分类的要求不同。如果是用于实时预测，可能需要选择计算速度快的分类技术；如果是用于高精度的分类，可能需要选择复杂但更准确的分类技术。

7.3 常用分类技术

支持向量机（SVM）和线性判别分析（LDA）是最常用的分类技术，约超过一半的基于脑电图的神经营销研究基于这些技术。以下是对这两种技术的简要介绍：
- 支持向量机（SVM） ：通过寻找最优的超平面来对数据进行分类，能够处理高维数据和非线性分类问题。
- 线性判别分析（LDA） ：通过找到一个投影方向，使得不同类别的数据在该方向上的投影尽可能分开，从而实现分类。

graph LR
    A[分类技术选择] --> B{神经活动测量}
    A --> C{应用场景}
    B --> D[选择合适特征处理技术]
    C --> E[考虑实时性或高精度需求]
    D --> F[SVM或其他技术]
    E --> F

8. 不同类型分类技术详解

8.1 迁移学习

迁移学习技术旨在通过利用从另一个数据集或任务学习时获得的知识来提高学习算法的性能。例如，在一个数据集上训练的模型可以将学到的特征或模式应用到另一个相关的数据集上，从而减少在新数据集上的训练时间和数据需求。

8.2 矩阵和张量分类器

矩阵和张量分类器也称为多向数组，它们将数据通过适当步骤直接映射到特定空间，不涉及特征选择和过滤。这种分类器能够直接处理高维数据，在处理复杂的数据结构时具有优势。

8.3 自适应分类器

自适应分类器的因素（包括特征权重）根据最近的神经元活动不断审查和更新。这使得分类器能够适应数据的动态变化，提高分类的准确性和稳定性。

8.4 深度学习

深度神经网络（DNNs）受人类神经系统启发，通过连接节点创建多层，能实现比单个节点更复杂的计算。多层感知器（MLP）是用于脑机接口（BCI）应用最常见的DNN形式。例如，Teo等使用旋转的3D对象通过深度学习技术识别选择，结果表明深度网络比其他机器学习技术（如KNN、SVM和RF）更有效。他们还通过深度网络配置加上dropout和80%刺激tanh增强了结果的准确性。

9. 未来神经营销发展趋势

9.1 深度学习的广泛应用

随着深度学习技术的不断发展，它在神经营销中的应用将越来越广泛。深度学习能够处理复杂的脑电图信号，挖掘其中隐藏的信息，从而更准确地预测客户的选择和偏好。例如，通过深度神经网络可以自动提取脑电图信号中的特征，避免了传统方法中手动特征提取的繁琐和不准确。

9.2 多模态数据融合

未来的神经营销研究可能会结合多种模态的数据，如脑电图信号、眼动追踪数据、皮肤电反应数据等。多模态数据融合能够提供更全面的信息，从而更准确地了解客户的心理和行为。例如，将脑电图信号和眼动追踪数据结合，可以同时了解客户的大脑活动和视觉注意力，更深入地分析客户对产品或广告的反应。

9.3 个性化营销

基于神经营销技术，企业可以实现个性化营销。通过分析客户的脑电图信号和其他生理数据，了解每个客户的独特偏好和需求，从而为客户提供个性化的产品推荐和广告。例如，根据客户对不同产品的脑电图反应，为客户精准推送符合其兴趣的产品信息。

9.4 伦理和隐私问题的关注

随着神经营销技术的发展，伦理和隐私问题将受到更多关注。企业在收集和使用客户的脑电图数据时，需要确保数据的安全性和合法性，保护客户的隐私。同时，也需要制定相应的伦理准则，规范神经营销技术的应用。

graph LR
    A[未来神经营销发展] --> B[深度学习广泛应用]
    A --> C[多模态数据融合]
    A --> D[个性化营销]
    A --> E[关注伦理和隐私问题]

综上所述，基于脑电图信号的选择分类技术在神经营销领域具有巨大的潜力，但也面临着一些挑战。未来，随着技术的不断进步和研究的深入，神经营销有望为企业提供更精准的市场分析和营销策略，同时也需要关注伦理和隐私等问题，确保技术的合理应用。