基于观众群体情感神经相似性的影视剧市场预测方法及系统

摘要

本发明公开了一种基于观众群体情感神经相似性的影视剧市场预测方法及系统，被试者观看不同情感诱发的影视剧片段，采用多通道脑电设备同时采集多名观众在观看影视剧时的脑电活动，基于脑电信号的预处理以及小波变换，获得每名观众对某影视剧片段每秒中的α频段能量值，实时计算每名观众对于影视剧情感诱发的RDM矩阵，并计算群体观众间RDM矩阵的相关系数矩阵以此量化群体情感神经相似性指数，最终通过CNN构建影视剧市场预测模型。本发明实现了群体观众情感的实时测量与分析，能够通过影视剧群体间情感神经相似性预测待上映影视剧市场，能够有效避免影视剧观众自报告中的事后采样、情感捕捉不明晰、社会期许偏差等问题，具有广泛的市场应用前景。

说明书

技术领域

本发明涉及影视剧观众群体情感计算技术领域，尤其涉及一种基于观众群体情感神经相似性的影视剧市场预测方法及系统。

背景技术

进入21世纪，技术发展推动影视行业跨越式前进，竞争越来越激烈。影视行业对于准确了解受众情感需求、偏好、体验、反馈提出了更高的要求。情感被誉为人类社会生活的文法(Grammar of Social Living)，对于情感的识别和理解是类人智能机器的重要功能之一。情感是一个抽象概念，感性存在，难以用语言进行准确描述。同时，又是一个复杂概念，体验感知，无法简单衡量。如何高精准的捕捉影视剧观众的群体情感，对于提前预测影视剧市场对于影视剧制作方、主创团队都至关重要，成为影视理论领域迫切需要突破的难点问题。

影视剧观众群体情感是指由于相同的影视剧片段对群体产生的共同情感体验，包含群体情感神经相似性程度。目前主流的研究技术、方法和实施的难度，对于准确的捕捉动态非线性情感，极其困难，而且以往研究更多聚焦于个体层面的情感分析和识别，忽视了群体层面的情感相似性计算。另一方面，现阶段群体情感相似性的测量，仍然主要以问卷、自我报告、行为实验等传统方式开展，缺乏客观的、过程化的群体情感相似性计算方法，进而缺乏基于观众群体情感神经相似性的有效预测影视剧市场的方法。因此，构建基于观众群体情感神经相似性的影视剧市场预测系统有助于影视剧制作方提前预测，降低风险和减少成本。

发明内容

本发明提供了一种基于观众群体情感神经相似性的影视剧市场预测方法及系统，采用如下的技术方案：

一种基于观众群体情感神经相似性的影视剧市场预测方法，包括以下步骤：

S1：招募多名影视剧观众作为实验被试者，为被试者同时佩戴多通道脑电测量设备；

S2：向被试者播放相同的影视剧片段使被试者置身于相同的情感诱发环境中，并同步采集多个被试者的原始脑电信号；

S3：对位于前额和前颞通道的原始脑电信号进行实时预处理和小波变换，得到α频段每秒钟的能量值；

S4：根据能量值实时计算每个被试者对于不同情感刺激的RDM矩阵；

S5：计算观众群体间的RDM矩阵的相关系数矩阵作为群体情感的神经相似性指数E；

S6：以每个观众对不同影视剧情感片段的α频段能量值作为输入值，以群体情感的神经相似性指数E作为输出值，对搭建好的卷积神经网络进行训练。

进一步地，在步骤S4中，单个被试者对于不同情感刺激的RDM矩阵计算公式如下：

D

其中，D

进一步地，在步骤S5中，计算观众群体间的RDM矩阵的相关系数矩阵作为群体情感的神经相似性指数E的具体方法为：

通过python的NeuroRA工具包计算观众群体间的RDM矩阵的相关系数矩阵作为群体情感的神经相似性指数E。

进一步地，当观众群体情感神经相似性指数E≥0.6，认定观众群体情感神经相似性强；

当0.4≤观众群体情感神经相似性指数E＜0.6，认定观众群体情感神经相似性趋同；

当观众群体情感神经相似性指数E＜0.4，认定观众群体情感神经相似性不足。

进一步地，在步骤S3中，前额和前颞通道选取方式为：电极点根据国际10-20系统及相关脑区分布配置，且表征情感激发程度的计算选取FP1、FPz、FP2、Fz、F3、F4、F7和F8电极点。

进一步地，在步骤S1中，多通道脑电测量设备采用32导电极帽，使用盐水或凝胶电极，各个电极点的阻抗低于5kΩ。

进一步地，重复步骤S1～S5从而获取多组训练数据，通过多组训练数据对搭建好的卷积神经网络进行训练，训练数据的组数大于等于100组。

一种基于观众群体情感神经相似性的影视剧市场预测系统，用于执行前述的基于观众群体情感神经相似性的影视剧市场预测方法，其特征在于，包含依次连接的影视剧情感诱发装置、脑电测量设备组和观众群体情感神经相似性计算单元，观众群体情感神经相似性计算单元包括依次连接的群体脑电信号预处理模块、群体情感神经相似性计算模块和影视剧市场预测模块；

情感诱发装置用于播放影视剧片段；

脑电测量设备组用于同步采集多位被试者的脑电信号，并将其传输给群体脑电信号预处理模块；

群体脑电信号预处理模块用于对采集的脑电信号进行预处理；

的群体情感神经相似性计算模块用于对预处理完毕的脑电信号进行小波变换，得到α频段每秒钟的能量值，随后实时计算群体间RDM矩阵的相关系数矩阵生成观众群体情感神经相似性指数E；

影视剧市场预测模块在经过训练后能够对输入的α频段每秒钟的能量值进行预测得到对应的观众群体情感神经相似性指数E。

进一步地，群体脑电信号预处理模块对采集的脑电信号进行的预处理是对采集的脑电信号进行放大、分析段截取、降噪、伪迹去除和带通滤波，伪迹去除包括去除眼电、肌电、心电和工频干扰。

进一步地，影视剧情感诱发装置包括影像呈现装置和影像处理与存储装置；

影像呈现装置用于呈现影视剧片段作为视觉刺激源；

影像处理与存储装置用于对影视剧片段进行处理与存储。

本发明的有益之处还在于所提供的基于观众群体情感神经相似性的影视剧市场预测方法及系统，从不同影视剧观众的情感神经相似性形成综合计算策略，且具有实时监测、可量化的特点，能够科学全面地分析观众群体情感的神经相似性。目前脑电识别的研究多是基于幅值特征，而忽视了多脑间相位同步特征。相位同步特性通过信号间的瞬时相位关系来检测信号对之间的相互关系，表征观众对影视剧的情感激发程度。通过表征相异矩阵的相关系数能够有效识别观众群体间情感的神经相似性。此外，本发明创新性地提出依托特定脑区脑电频段能量进行观众群体情感神经相似性指数计算的方法，通过RDM矩阵可以准确预测待上映影视剧观众群体间的神经相似性，预测准确率达到94.7％。最后通过CNN构建基于观众群体情感神经相似性的影视剧市场预测模型。

2、本发明的系统借助于EEG高时间分辨率的特点，实现了多人同步实时监测和动态分析，能够过程化、全流程对群体情感神经相似性进行研究，有效避免了传统测量手段事后采样、主观性强、社会期许偏差等问题。

3、本发明的预测系统具有动态预测和可视化的功能，能够帮助用户直观获取观众群体情感神经相似性的数据，从而帮助影视剧制作方做出科学决策。同时具有非侵入性、安全高效、成本较低的特点，可以推广商用于电影片段剪辑、广告效果评估、情感诱发材料筛选、VR沉浸效果评估、展厅沉浸体验评估、收视率预测等领域，具有广泛的市场应用前景。

附图说明

图1是本发明的基于观众群体情感神经相似性的影视剧市场预测系统的示意图；

图2是本发明的基于观众群体情感神经相似性的影视剧市场预测方法的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

情感体验主要由影视剧片段触发，引起大脑功能活动变化、外周自主神经系统的反应以及体内神经化学物质的改变。脑电信号(Electroencephalograph，EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，其包含了大量与情感相关的生理和心理信息，且具有直接客观、难以伪装、容易量化、特征多元等特点，是目前情感识别领域中具有显著效果的认知生理指标。通过同时监测多人脑电信号，基于脑间情感相关神经活动的关联，可以有效监测群体情感神经相似性。一种基于观众群体情感神经相似性的影视剧市场预测系统，利用联机多通道的脑电设备同时采集多人EEG数据并进行群体情感的实时动态分析，实现敏捷数据处理和展示。

如图1所示，基于观众群体情感神经相似性的影视剧市场预测系统，包括：

影视剧情感诱发装置，包括影像呈现装置和影像处理与存储装置，影像呈现装置用于呈现情感刺激材料(影视剧片段)，可以按照平时的观影习惯，以屏幕作为视觉刺激源。所述影像处理与存储装置用于对影视剧片段进行处理与存储。作为一可选实施例，一组被试者同时面对电影屏幕，通过电影片段的播放进行情感诱发。

脑电测量设备组，用于同步采集多位影视剧观众被试者的脑电信号，并将其传输给观众群体情感神经相似性计算单元。作为一可选实施例，可以使用EMOTIV EPOC FlexSaline Sensor Kit脑电采集系统(包含控制盒、信号接收器、EPOC Flex Cap、EPOC Flex盐水传感器等)，单一ADC，带宽0.16-43Hz，包含32通道数据，并在耳上配置参考电极2个，设备多机同步顺序采样。系统所用的主机配置：CPU:Intel Core i7-9700同等或更高配置；GPU:NVIDIA GeForce GTX 2080Ti同等或更高配置；内存：64GB RAM；1TB可用磁盘空间。

群体情感神经相似性计算单元，包括群体脑电信号预处理模块、群体情感神经相似性计算模块和影视剧市场预测模块。群体脑电信号预处理模块用于对采集的脑电信号进行放大、分析段截取、降噪、伪迹去除(去除眼电、肌电、心电、工频干扰等)、带通滤波的预处理，其中，伪迹去除包括去除眼电、肌电、心电和工频干扰。群体情感神经相似性计算模块用于对预处理完毕的脑电信号进行小波变换，实时计算α频段每秒钟的能量值，随后实时计算观众被试对不同情感刺激的神经表征相异矩阵，即RDM矩阵。通过基于python的NeuroRA工具包计算观众群体情感神经相似性指数。影视剧市场预测模块用于预测不同情感的影视剧片段的观众群体情感神经相似性指数，帮助用户把握不同影视剧的群体情感神经相似性，并提供决策的科学依据。影视剧市场预测模块通过卷积神经网络CNN对前述的计算数据进行训练学习，得到一个预测模块。后续操作中，直接检测受试者对某个影片的的α频段每秒钟的能量值，将得到的α频段每秒钟的能量值输入到预测模型可以得到具体的观众群体情感神经相似性指数。

如图2所示，为本发明的一种基于观众群体情感神经相似性的影视剧市场预测方法，基于上述的实时预测系统来实现，具体包括如下步骤：

S1：为多位被试者同时佩戴多通道脑电测量设备，采用32导电极帽，可使用盐水或凝胶电极，使各个电极点的阻抗低于5kΩ，电极位置配置采用国际统一标准的10-20系统。

S2：使被试者置身于相同的情感诱发环境中(播放相同的影视剧片段)，并同步采集多个被试者的原始脑电信号。应使被试者尽量减少头动或其他肢体动作，避免被试者之间的语言交流，减少无关视觉或听觉刺激源的干扰。

S3：对位于前额和前颞通道的原始脑电信号进行实时预处理和小波变换，实时计算α频段每秒钟的能量值。前额和前颞通道选取方式为：根据国际10-20系统及相关脑区分布配置电极点，表征情感激发程度的计算选取FP1、FPz、FP2、Fz、F3、F4、F7和F8电极点。

S4：根据S3得到的不同情感刺激下的能量值实时计算每个被试者的表征相异矩阵，即RDM矩阵。

RDM矩阵的计算公式如下：

D

其中，D

S5：根据S4的每个被试的RDM矩阵实时计算观众群体间RDM矩阵的相关系数矩阵，即观众群体情感神经相似性指数E。基于python的NeuroRA工具包，该工具包可用于表征与分析多模态神经数据，通过该工具包计算群体间的相关性(inter-subject correlation，ISC)，即神经相关系数，用以表征群体情感的神经相似性指数E。通过可以输入不同被试者的数据，获得被试间对于影视剧片段的情感相关性，此为观众群体对于同一刺激的情感神经相似性指数E。对神经相似性进行评估和分级的标准为：当群体情感神经相似性指数E≥0.6，认定群体情感神经相似性强；当0.4≤E＜0.6，认定群体情感神经相似性趋同；当E＜0.4，认定群体情感神经相似性不足。

S6：根据所述群体情感的神经相似性指数，然后将该部分观众的神经相似性指数采用卷积神经网络(CNN)进行训练，以每个观众对不同影视剧情感片段的α频段能量值作为输入值，群体情感的神经相似性指数E作为输出值，对搭建好的卷积神经网络CNN进行训练。训练好的卷积神经网络能够在输入α频段每秒钟的能量值的情况下预测出群体情感的神经相似性指数E，进而作为衡量影视剧的一个重要考虑因素。

可以理解的是，重复步骤S1～S5从而获取多组训练数据，通过多组训练数据对搭建好的卷积神经网络进行训练，训练数据的组数大于等于100组。

将每个被试者RDM矩阵对于不同情感刺激作为深度学习的训练素材，其中α频段每秒钟的能量值作为输入值，群体情感的神经相似性指数E作为输出值，群体情感的神经相似性指数E越高说明观众群体对于该影视剧的情感共鸣越高，该影视剧市场成功率越高。然后根据小样本群体的训练素材所训练成的卷积神经网络预测模型来预测影视剧市场表现。

卷积神经网络模型的训练为一般的卷积神经网络训练过程，以下简单介绍卷积神经网络的训练步骤：

1.对于每个被试对不同刺激的脑电数据，提取α频段每秒钟的能量值。卷积神经网络的输入特征需要进行标准化处理，因此对α频段每秒钟的能量值数据进行标准归一化处理至[0，1]区间。

2.对不同影视剧片段刺激下α频段能量值的进行卷积层计算，卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小。卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量：

式中的求和部分等价于求解一次交叉相关(cross-correlation)。b为偏差量，Z

3.在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

式中，步长s

4.全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。

5.分类器接收来自全连接层数据最终实现偏好分类。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。