取消
NMSBA徽标子

基于脑电图的情绪识别算法

伊戈尔·齐敏(Igor Zimin)
博客

该研究旨在创建和开发基于EEG数据的情绪识别算法。尽管在神经营销中研究情绪是很普遍的做法,但是大多数现有模型都专注于情绪过程的独立特征:主要是情绪参与和化合价。测量精确的情绪状态的更复杂的方法可以帮助公司更好地了解客户,其行为以及不同目标受众群体对广告的认知差异。情感成分在品牌,徽标,包装等的感知中变得尤为重要。了解情感反应的哪些特定组合是吸引消费者内心的关键,这可能对商业生产很有用。

在这项研究中,目的是建立一个预测模型,以评估八种特定情绪反应的显着性,这可能对评估广告刺激的感知有用。我们希望结果能够使我们揭示刺激的情感模式,并有助于获得对潜在客户体验的复杂且与众不同的理解。

方法

为了确定情绪反应的特定模式,我们首先从日常商业研究的角度确定了似乎值得研究的情绪。其次,我们预选了激发所识别情绪的视频刺激。从不同来源手动选择各种视频内容,并验证了刺激与预期情感反应的相关性。在试点期间,我们要求参与者进行评估并描述他们的情绪状态。然后我们根据收集到的答案将所有视频分为八类:惊喜,温柔,喜悦,笑声,无聊,愤怒,悲伤和恐惧。飞行员研究证实,我们预先选择的视频引起的情绪反应是突出且一致的(同一时间仅引起一种情绪反应,大多数参与者对此也有类似的描述)。受访者(250名年龄在25至55岁之间的男性和女性)观看了旨在诱发上述情绪反应的所选视频。总共显示了16个视频(每个类别两个),持续10到120秒。在每个视频之后,要求参与者命名视频引起的情绪,并使用10点利克特量表(Likert scale)填写简短的问卷,以效价,参与度和每种研究的情绪反应的存在来描述他们的情绪状态。在研究期间同时记录脑电数据。预计收集的数据将用于机器学习中以得出情绪识别算法。

结果

获得的数据用于确定自我评估情绪状态与脑电活动之间的关系。大量的EEG参数(例如光谱功率,香农熵和theta,α,β1,β2和γ波段中20个电极之间的相干性)作为独立变量纳入分析。情绪反应的类别被视为8个二元因变量。对于每种情绪反应,都建立了预测模型。该模型可以计算出刺激中情绪出现的可能性。在一个学习样本上计算了八个模型(每个情绪一个)。结果表明,识别目标情绪的准确性为56%至83%。模型的结果以及所收集的数据创建了一种独特的情绪模式,反映了对刺激的复杂感知。每个测试视频中所有八种情绪的存在的预测值与自我评估情绪状况高度相关。

结论

研究结果表明,提取的模型可用作对EEG数据进行情感识别的指标,反映了感知情感刺激时的复杂情感状态。创建的指标可能会揭示一些细微的细节,从而将情感和令人难忘的广告与其他广告区分开来。它可以帮助营销人员创建具有更高效率和“销售功能”的高性能,针对性更强的广告。我们认为,我们的情绪识别算法是长期过程中的第一步,可以更好地理解人脑中复杂的情绪过程。但是,初步的进展似乎令人鼓舞。需要更多的数据,更多的刺激因素和更专注的研究人员来创建更好的工具,以帮助我们更好地了解人们的感受。但是奖品是无价的。它将在商业世界中创建神经营销应用的新水平,不仅为应用神经营销和商业生产做出贡献,也为科学界做出贡献。

联系信息
伊戈尔·齐敏(Igor Zimin) (神经趋势)

本文最初发表在《神经营销年鉴》上。 立即订购