[논문 리뷰] Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning

Pankaj Pandey, Raunak Swarnkar외 2명|arXiv (Cornell University)|2020. 07. 21.

EEG and Brain-Computer Interfaces참고 문헌 16인용 수 4

한 줄 요약

이 연구는 뇌파 패턴을 기반으로 소비자 선호도를 예측하기 위해 EEG 신호와 기계학습을 활용하여 영화 예고편에 대한 소비자 선호도를 72%의 정확도로 예측한다. 이는 특히 베타 주파수 대역에서의 신경 반응이 자가 보고된 평가를 초월해 개인의 시청 선호도를 효과적으로 해독할 수 있음을 보여준다.

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.

연구 동기 및 목표

• EEG 신호가 영화 예고편에 대한 순서화된 소비자 선호도를 예측할 수 있는지 조사하기 위해.
• 비침습적 뇌 영상 기술과 기계학습을 활용하여 소비자 선택의 신경 기제를 탐색하기 위해.
• 신경 기반 데이터를 활용하여 신뢰할 수 있는 객관적 정보를 제공함으로써 신뢰성에 떨어지는 자가 보고 측정의 한계를 극복하기 위해.
• 자연스러운 자극인 영화 예고편에 대한 뇌 반응을 해독하는 데 기계학습의 효과성을 평가하기 위해.

제안 방법

• 128채널 EEG 데이터를 18명의 참가자가 12개의 영화 예고편을 시청하는 동안 Net Station 장치를 사용하여 촬영하였다.
• EEGLab와 아티팩트 제거 기법(EOG, EMG, 운동, 접촉 문제)을 사용하여 EEG 신호를 사전 처리하였다.
• 5개 주파수 대역(0–60 Hz) 전역에서 에너지 및 엔트로피 특징을 추출하기 위해 db-8 웨이브릿을 사용한 이산 웨이브릿 변환(DWT)을 적용하였다.
• 특징 감소를 위해 순차적 뒤집기 선택(Sequential Backward Selection, SBS)과 재귀적 특징 제거(Recursive Feature Elimination, RFE)를 사용하였다.
• 10겹 교차검증을 사용하여 감소된 특징 집합에 대해 9종의 기계학습 분류기(kNN, 랜덤 포레스트, SVM 등)를 훈련시켰다.
• 파이썬을 사용하여 반복적으로 초모델 하이퍼파rameter를 최적화하고, 65개 샘플로 구성된 테스트 세트에서 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 EEG 신호는 자가 보고된 평가보다 더 높은 정확도로 개인의 영화 예고편 선호도를 예측할 수 있는가?
• RQ2 어느 EEG 주파수 대역과 특징(에너지, 엔트로피)이 소비자 선호도를 가장 잘 예측하는가?
• RQ3 다양한 기계학습 분류기는 선호도와 관련된 뇌파 패턴을 해독하는 데 얼마나 효과적인가?
• RQ4 신경 기반 반응은 순서화된 선호도 순위 예측에서 행동적 자가 보고 측정보다 얼마나 뛰어난가?

주요 결과

• 재귀적 특징 제거를 사용한 k-최근접 이웃(kNN) 분류기가 영화 예고편 평가 예측에서 최고의 테스트 정확도 72.37%를 기록하였다.
• 모든 5개 주파수 대역(delt, theta, alpha, beta, gamma)이 분류에 기여하는 분류 정보를 제공하였다.
• 베타 대역 활동은 좋아요/싫어요 선호도에 강력한 예측력을 보였으며, 이는 이전 연구에서 전측피질 및 보상 처리와 관련된 vmPFC와 일치하였다.
• SBS와 RFE를 통한 특징 제거는 차원 축소와 노이즈 감소를 통해 모델 성능을 크게 향상시켰다.
• 고차원 특징(특징 수가 참가자 수보다 훨씬 많음)에 비해 작은 표본 크기(n=216)는 모델 일반화 능력에 심각한 도전 과제를 제기하였다.
• PCA는 성능 향상에 기여하지 않았지만, 비선형 차원 축소(예: t-SNE, UMAP) 및 딥러닝 기법은 향후 연구에서 유망한 방향으로 제시되었다.