[论文解读] 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 4

一句话总结

本研究利用脑电信号与机器学习技术，以72%的准确率预测观众对电影预告片的偏好，表明神经相关性——尤其是β频段——能够有效解码个体的观影偏好，超越自我报告评分。

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.

研究动机与目标

• 探究脑电信号是否能够预测消费者对电影预告片的排序偏好。
• 利用非侵入性脑成像与机器学习技术，探索消费者选择的神经相关性。
• 通过利用客观的神经数据，克服神经营销中自我报告测量方法的局限性。
• 评估机器学习在解码自然刺激（如电影预告片）相关脑响应方面的有效性。

提出的方法

• 使用Net Station设备从18名参与者处采集128导脑电信号，其观看12段电影预告片。
• 利用EEGLab及去伪影技术（眼动、肌电、运动、接触问题）对脑电信号进行预处理。
• 采用db-8小波的离散小波变换（DWT）在五个频段（0–60 Hz）内提取功率与熵特征。
• 使用递归特征消除（RFE）与顺序后向选择（SBS）进行特征降维。
• 在降维后的特征集上，使用九种机器学习分类器（如kNN、随机森林、SVM）进行训练，并采用10折交叉验证。
• 通过Python迭代优化超参数，并在65个样本的测试集上评估性能。

实验结果

研究问题

• RQ1 脑电信号能否以高于自我报告评分的准确率预测个体对电影预告片的偏好？
• RQ2 哪些脑电频段及特征（功率、熵）对消费者偏好最具预测性？
• RQ3 不同机器学习分类器在解码与偏好相关的神经模式方面效果如何？
• RQ4 神经相关性在预测有序偏好排名方面，相较于行为自我报告在多大程度上表现更优？

主要发现

• 采用递归特征消除的k近邻（kNN）分类器在预测电影预告片评分方面达到最高测试准确率72.37%。
• 所有五个频段（δ、θ、α、β、γ）均提供了具有判别力的信息用于分类。
• β频段活动对喜好/厌恶偏好的预测能力较强，与先前关于vmPFC及奖赏处理的研究结果一致。
• 通过SBS与RFE进行特征剔除，显著提升了模型性能，有效降低了维度与噪声。
• 由于样本量较小（n=216），而特征维度较高（n-large-p问题），导致模型泛化能力受限，构成主要挑战。
• 尽管主成分分析（PCA）未提升性能，但非线性降维方法（如t-SNE、UMAP）及深度学习技术被识别为未来有前景的研究方向。