[論文レビュー] Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning

Pankaj Pandey, Raunak Swarnkar+2 more|arXiv (Cornell University)|Jul 21, 2020

EEG and Brain-Computer Interfaces参考文献 16被引用数 4

ひとこと要約

本研究では、EEG信号と機械学習を用いて、映画予告編の消費者の好みを72％の正確さで予測した。神経的相関（特にベータ周波数帯域）が、自己報告のスコアをはるかに超えて、個々の視聴好みを効果的に解読できることを示している。

ABSTRACT

Neuromarketing aims to understand consumer behavior using neuroscience. Brain imaging tools such as EEG have been used to better understand consumer behavior that goes beyond self-report measures which can be a more accurate measure to understand how and why consumers prefer choosing one product over another. Previous studies have shown that consumer preferences can be effectively predicted by understanding changes in evoked responses as captured by EEG. However, understanding ordered preference of choices was not studied earlier. In this study, we try to decipher the evoked responses using EEG while participants were presented with naturalistic stimuli i.e. movie trailers. Using Machine Learning tech niques to mine the patterns in EEG signals, we predicted the movie rating with more than above-chance, 72% accuracy. Our research shows that neural correlates can be an effective predictor of consumer choices and can significantly enhance our understanding of consumer behavior.

研究の動機と目的

• EEG信号が映画予告編の順序付けられた消費者の好みを予測できるかどうかを調査すること。
• 非侵襲的脳イメージングと機械学習を用いて、消費者選好の神経的相関を探ること。
• 神経マーケティングにおける自己報告測定の限界を克服し、客観的な神経データを活用すること。
• 機械学習が自然な刺激（例：映画予告編）に対する脳の反応を解読する有効性を評価すること。

提案手法

• Net Stationデバイスを用いて、18名の参加者が12本の映画予告編を視聴した際の128チャネルEEGデータを収集した。
• EEGLabおよびアーチファクト除去技術（EOG、EMG、運動、接触関連問題）を用いてEEG信号を前処理した。
• 離散ウェーブレット変換（DWT）をdb-8ウェーブレットを用いて実行し、5つの周波数帯域（0–60 Hz）におけるパワーとエントロピー特徴を抽出した。
• 特徴量の削減に再帰的特徴量削除（RFE）と逐次後退選択（SBS）を適用した。
• 10分割交差検証を用いて、9種類の機械学習分類器（例：kNN、ランダムフォレスト、SVM）を縮小された特徴量セットで訓練した。
• Pythonを用いて反復的にハイパーパrameter最適化を行い、65サンプルのテストセットでの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 EEG信号は、自己報告のスコアよりも高い正確さで、個々の映画予告編の好みを予測できるか？
• RQ2 どのEEG周波数帯域と特徴量（パワー、エントロピー）が消費者の好みに対して最も予測的か？
• RQ3 異なる機械学習分類器は、好みに関連する神経パターンを解読する際にどの程度有効か？
• RQ4 神経的相関は、行動的自己報告よりも、順序付けられた好みランク付けを予測する際にどの程度優れているか？

主な発見

• 再帰的特徴量削除を用いたk-Nearest Neighbors（kNN）分類器が、映画予告編のスコア予測において最高のテスト正確度72.37％を達成した。
• 全5つの周波数帯域（デルタ、シータ、アルファ、ベータ、ガンマ）が分類に寄与する識別的情報を提供した。
• ベータ帯域の活動は、好まない／好ましい好みの予測において強く予測的であり、vmPFCおよび報酬処理に関する先行研究と整合的であった。
• SBSおよびRFEによる特徴量除去は、次元削減とノイズ低減により、モデル性能を顕著に向上させた。
• 高次元特徴量（n-large-p問題）に対して、小さなサンプルサイズ（n=216）が主な課題となり、モデルの一般化能力が制限された。
• PCAは性能向上に寄与しなかったが、非線形次元削減（例：t-SNE、UMAP）およびディープラーニング技術が、今後の有望な方向性であると同定された。