对感官刺激的长期感情反应的预测

摘要

本发明公开了一种预测个体对至少一种预定感官刺激的长期感情反应的方法。该方法包括步骤(a)根据暴露模式在暴露的初始时间段内使个体暴露于至少一种感官刺激若干次、(b)对于每次暴露，获得表示所述个体对所述至少一种感官刺激的感情反应的数据、(c)将表示所述个体的感情反应的数据和所述暴露模式提供给机器学习算法、以及(d)在暴露的初始时间段之后的预定的预测时间段的时间点，通过机器学习算法预测所述个体对所述感官刺激的长期感情反应。

说明书

技术领域

本发明总体涉及一种预测个体或观众对诸如嗅觉刺激的至少一种预定感官刺激的长期感情反应，诸如长期喜好的方法。

背景技术

个体对给定感官刺激的第一次暴露可以引起某种感情或情绪反应。然而，相同的感官刺激在随后的暴露中不一定产生相同的感情反应，使得对给定感官刺激的初始感情反应通常不能在以后的时间可靠地确定对相同感官刺激的感情反应。相反，对给定感官刺激的感情反应随时间和重复暴露而变化。然而，感情反应随时间的演变通常是事先未知的。

本发明的目的是预估长期感情反应，使得产品开发可集中于制造具有感官刺激的消费品，该感官刺激具有将随着时间改善或至少不下降的感情反应。这样，可减少花费在具有不投入使用并最终告终的相当大风险的消费品的开发和最终制造上的时间和能量。

因此，本发明的目的是提供一种允许精简包括至少一种感官刺激的消费品的开发的方法，从而避免浪费并且节省资源。

发明内容

本发明涉及一种预测个体对至少一种预定感官刺激的长期感情反应的由计算机实现的方法，包括(a)根据暴露模式在暴露的初始时间段内使个体暴露于至少一种感官刺激若干次、(b)对于每次暴露，获得表示个体对至少一种感官刺激的感情反应的数据、(c)将表示个体的感情反应的数据和暴露模式提供给机器学习算法、以及(d)在暴露的初始时间段之后的预定的预测时间段的时间点，通过机器学习算法预测个体对感官刺激的长期感情反应。

由此，该方法允许使用机器学习算法来预测个体在首次暴露于给定感官刺激之后的特定时间对给定感官刺激的感情反应。在专业设置中，个体将在暴露的初始时间段期间被暴露于某种感官刺激不止一次，而是多次。暴露的次数、每次暴露的时长以及在暴露的初始时间段期间连续暴露之间的时间间隔确定暴露模式。

在某些实施方式中，个体在相对短的暴露的初始时间段内暴露于感官刺激至少两次，优选三次或更多次。例如，个体在一周内可以暴露于感官刺激两次或三次。在其他实施方式中，个体可以在短时间内，诸如一小时内，经受一系列暴露于感官刺激，诸如三次，并且这可以在暴露的初始时间段内，诸如一周内重复多次，诸如两次或三次。暴露的初始时间段优选为一周或更短。预定的预测时间段优选为三个月或更长。

当个体在暴露的初始时间段期间暴露于感官刺激时，该个体对相同感官刺激的长期感情反应是当从暴露的初始时间段结束时测量的预测时间段已经过去时所述个体对该感官刺激的感情反应。在一个实施方式中，个体对感官刺激的感情反应是该个体对该感官刺激的喜好。然而，长期感情反应的其他测量也是可能的。

暴露模式可以对个体对预定感官刺激的长期感情反应有影响。因此，当训练机器学习算法时，应当提供具有不同暴露次数、后续暴露期间的间隔和暴露的初始时间段的训练数据。

至少一种感官刺激可以选自包括嗅觉、听觉、触觉、味觉和视觉刺激的组。个体可以仅暴露于单个感官刺激，或者暴露于可以针对相同感官或不同感官的两种或更多种感官刺激。例如，个体可能暴露于嗅觉刺激而没有任何进一步的感官刺激。如果要针对两种或更多种感官刺激测试个体的感情反应，则同时向每个个体呈现两种或更多种感官刺激，使得每次暴露可以不仅与一种感官刺激相关联，而且与两种或更多种感官刺激的同时发生相关联。例如，个体可以同时暴露于嗅觉刺激和视觉刺激。个体可能暴露于的感官刺激的另一种组合是味觉刺激和视觉刺激。感官刺激的其它组合也是可能的。当提及感官刺激时，这应当被理解为还涉及多种感官刺激的组合，除非是不适当的。

个体的感情反应可以通过获得个体对至少一种感官刺激的心理反应来确定。优选地，将个体的心理反应与该个体对感官刺激的心理测量反应的数据相结合。

将表示个体对至少一种感官刺激的感情反应的数据馈送到机器学习算法中。优选地，所述机器学习算法使用先前在大量个体和感官刺激的实例中收集的大量数据集先前进行了训练、交叉验证和测试。该机器学习算法可以针对给定感官刺激在个体水平上产生预测。

本发明还涉及一种预测观众对至少一种预定感官刺激的长期感情反应的由计算机实现的方法。对于代表大量观众的多个不同个体，诸如消费群体，重复在个体水平上执行的上述方法。然后，组合对每个个体的长期感情反应的预测，以预测观众的长期感情反应。

本发明还涉及一种包括用于执行上述方法的装置的数据处理设备、一种包括指令的计算机程序，当计算机执行该程序时，该指令使计算机执行上述方法，以及一种包括指令的计算机可读介质，当计算机执行该指令时，该指令使计算机执行上述方法。

本发明还涉及一种设计消费品的方法，该方法包括执行上述由计算机实现的方法的步骤，该方法预测个体或观众对多种感官刺激中的至少一种预定感官刺激的长期感情反应，并且确定多个感官刺激中具有最大长期感情反应的感官刺激，该方法还包括设计含有所确定的感官刺激的消费品的步骤。可以使用统计方法，诸如标准显著性检验，来确定或确认来自多种感官刺激的具有最大长期感情反应的感官刺激。最大长期感情反应可以是具有最高值的长期感情反应，该最高值表示对某一感官刺激的最强烈的正面情绪反应。

本发明还涉及一种配置为预测个体对至少一种预定感官刺激的长期感情反应的系统。该系统包括测量单元，其配置为对于根据暴露模式在暴露的初始时间段内使个体暴露于至少一种感官刺激若干次的每次暴露，测量表示所述个体对所述至少一种感官刺激的感情反应的数据；以及控制单元，其配置为基于由测量单元测量的表示个体的感情反应的数据和所述暴露模式，通过机器学习算法针对暴露的初始时间段之后的预定的预测时间段的时间点预测个体对感官刺激的长期感情反应。测量单元可以包括EEG(脑电图)测量装置、GSR(皮肤电反应)测量装置、眼动仪和视频记录装置中的至少一个。EEG测量装置通常配置为优选地非侵入性地测量个体大脑的电活动。也可以使用用于测量大脑活动的其他测量装置，一个示例是fMRI(功能磁共振成像)。GSR测量装置通常配置成测量个体的皮肤电导。眼动仪通常配置为测量个体的眼睛位置、眼球移动、注视点以及瞳孔扩张和收缩中的至少一个。

附图说明

图1示出了说明根据本发明的方法的流程图。

图2示出了说明用于训练、交叉验证和测试根据本发明的方法中所使用的机器学习算法的方法的流程图。

图3示出了一种用于预测个体或观众对至少一种感官刺激的长期感情反应的系统。

图4示出了0.5秒内从一个电极记录的原始EEG信号。

图5示出了利用汉宁窗函数，在2秒时间窗上使用快速傅立叶变换计算得的一个电极的EEG数据的功率谱。

图6示出了15秒的GSR记录。

具体实施方式

描述了预测对至少一种预定感官刺激的长期感情反应的由计算机实现的方法。具体地，在此描述的方法包括预测个体对至少一种预定感官刺激的长期感情反应，以及预测观众对至少一种预定感官刺激的长期感情反应。观众包括大量个体。

图1中的流程图示出了一种预测个体对至少一种预定感官刺激的长期感情反应的方法。该方法包括在暴露的初始时间段期间第一次使个体暴露于预定感官刺激(110)。该个体可以仅暴露于该感官刺激一次，使得所述暴露的初始时间段具有单次暴露的长度。为了实现更可靠的预测，优选地，在所述暴露的初始时间段的过程中，该个体重复地暴露于该感官刺激。例如，该个体在一周内暴露于所述感官刺激三次。在每次暴露期间测量该个体的生理反应，诸如来自EEG、GSR、眼动跟踪和/或面部视频的生理反应(120)。附加地或可选地，在每次暴露期间测量该个体的心理反应，诸如来自自我报告和/或反应时间测试(140)。在从生理数据中去除噪声(130)以及校准和清除心理测量数据(150)之后，从所述数据中提取显著特征(160)。然后，将所提取的显著特征用作人工神经网络的输入(170)，当适当地训练、交叉验证和测试时，该人工神经网络产生关于该个体对所述预定感官刺激的长期感情反应的预测(180)。所预测的长期感情反应通常被表示为在从负无穷到正无穷的范围内的值，其中低于0的值表示负感情反应，0值表示无差异，并且高于0的值表示对特定感官刺激的正感情反应。

图2示出了说明了一种用于训练、交叉验证和测试图1的方法中所使用的人工神经网络的方法的流程图。本发明不限于神经网络，并且可以使用其他机器学习算法。通过在暴露的初始时间段期间使个体暴露于预定感官刺激来获得训练数据(210)。在每次暴露期间测量所述个体的生理和/或心理反应(220、240)。该心理测量数据没有噪声(230)，使得可以提取显著特征(260)。类似地，在校准和数据清除(250)之后，从所述心理测量数据中提取显著特征(260)。对于大量个体，以不同的暴露的初始时间段长度和暴露模式，以及对于各种感官刺激，重复这些步骤。从每个暴露的初始时间段(涉及特定的个体和特定的感官刺激或感官刺激的组合)提取的显著特征连同对应的暴露模式一起被输入到所述人工神经网络中，以用于训练目的。

在预定的预测时间段之后，优选为暴露的初始时间段之后不少于3个月，收集每个先前已测试的个体的进一步数据(280)。这样，获得了关于长期情绪反应的数据，其可以用于训练所述机器学习算法。例如，对于每个个体，观察具有在暴露的初始时间段期间使用的感官刺激或感官刺激组合的消费品的实际购买或重新购买行为(290)。也可以再次使每个个体暴露于与暴露的初始时间段期间遇到的相同的感官刺激或感官刺激组合，并且获得指示感情反应的数据。附加地或可选地，进行消费品的喜好的自我报告和/或购买意向的自我报告，所述消费品结合了包括这种消费品的感官刺激/刺激因素和/或选择实验(300)。

当尚未以统一的方式收集关于长期感情反应的数据时，即，在尝试评估与长期感情反应有关的固有潜在变量的同时测量了不同的明显变量时，为了仍然能够利用这些不同类型的长期感情反应的测量用于训练目的，需要对它们进行协调。这是通过形成来自研究的潜在变量模型来实现的，其中一起使用评估长期感情反应的多种模式。这些模型提供了一种从训练数据中可用的测量结果估算潜在变量得分的方法。

可选地，为了避免需要协调，可以在被测者之间以统一的方式收集关于长期感情反应的数据，并且这些测量结果直接用于训练机器学习算法。

在训练过程期间，提供输入(从步骤260获得的所提取的特征)和期望输出(在步骤310中获得的长期感情反应)这两者，并且所述人工神经网络处理该输入并将所得输出与期望输出进行比较。在认为训练过程完成之后，在步骤220、240、290和300期间获得的一些数据被用于测试经训练的人工神经网络。如本领域技术人员所知，该人工神经网络也是交叉验证的。

下面更详细地解释使用如图3所示的系统400的心理数据收集以及从这些数据的特征提取。

使用EEG信号测量装置410收集原始EEG信号。在一个实施方式中，EEG信号测量装置410具有14至20个电极或信道，以及128Hz与500Hz之间的采样率。图4中示出了在0.5秒内从位置F7、Fp1和Fp2处的三个电极记录的示例性原始EEG信号。

附加地或可选地，使用EDA信号测量装置420，诸如GSR信号测量装置，收集原始EDA(皮肤电活动)信号。在一个实施方式中，GSR信号测量装置420具有一个电极或信道，以及在5Hz与128Hz之间的采样率。图6中示出了在15秒内记录的示例性原始GSR信号。

附加地或可选地，使用眼动仪430收集原始眼动跟踪信号。在一个实施方式中，所述眼动跟踪信号是相对于屏幕的2D笛卡尔坐标。采样率可以是30Hz。

附加地或可选地，使用诸如网络摄像机的视频记录装置440来捕获个体的视频信号，优选地捕获面部的视频信号。视频信号可以具有各种分辨率和采样率。

当测量对感官刺激的感情或情绪反应时，重要的是确切地知道个体何时开始体验感官刺激。因此，在一个优选实施方式中，一旦已经收集了原始数据信号，就使它们同步。虽然视觉刺激在其显示在屏幕上时可以被容易地控制或定时，但是对于嗅觉、味觉或触觉刺激，本发明考虑了使所述个体的视频信号与诸如EEG、GSR或眼动跟踪信号的其它数据信号同步。通过相对于收集数据的控制单元450的系统时钟定期检查每个数据信号的时钟或时间戳来同步所述数据信号。当所述数据信号之间发生任何漂移时，可以进行调整，以便消除漂移。

在一个实施方式中，在可以由控制单元450执行的EEG信号处理期间，低通和高通滤波器被应用于原始EEG信号，以便去除具有高于50Hz和低于0.5Hz的频率的信号分量。此后，执行独立分量分析(ICA)，并且机器学习算法将独立分量与非大脑信号(例如，眨眼、头部运动)匹配并去除被识别为非大脑信号的独立分量。对于每个信道，所述EEG信号然后被分成重叠的时间窗。每个时间窗可以是2秒长，每0.5秒开始一个新的时间窗。为每个时间窗计算Higuchi分形维数(HFD)。进一步地，对于每个时间窗，应用汉宁窗并且计算快速傅立叶变换(FFT)，以便获得EEG功率谱。图5中示出了两秒时间窗期间在一个电极处的示例性EEG功率谱。

在一个实施方式中，在可以由控制单元450执行的眼动跟踪后处理期间，所述原始数据被分成表示幻灯片图像连续显示在屏幕上的时间的时间窗。对于每个窗，使用高斯核估计，笛卡尔坐标被用于生成热图(具有与屏幕上的图像相同的维度的矩阵)。所述热图可以作为最终输出而绘制在所述图像的顶部。

在一个实施方式中，在可以由控制单元450执行的GSR后处理期间，应用连续分解分析以将原始GSR信号分解为时相性分量(快速移动)和紧张性(缓慢移动)分量。峰值检测算法可用于从原始GSR数据及时确定每个时间点的二元结果：所述个体是否处于情绪激动的状态。

如此处理的测量数据与暴露模式一起，优选地被表示为时间向量(阶跃函数)，然后用作控制单元450上对机器学习算法的输入，该控制单元450输出与所述测量数据相关联的所估计的长期感情反应。

在个体组上测试的香料A的预测结果的示例性表格示于表7中。16个个体的平均预测长期感情是0.12，这意味着香料A被预测为将被积极地长期接受。然而，平均起来，该感情反应不是非常明显，使得可以决定仍然需要改进香料A，以便实现更好的长期感情反应。