CN116350240A - 一种社交推荐的结果分析方法、系统 - Google Patents

一种社交推荐的结果分析方法、系统 Download PDF

Info

Publication number
CN116350240A
CN116350240A CN202310325749.2A CN202310325749A CN116350240A CN 116350240 A CN116350240 A CN 116350240A CN 202310325749 A CN202310325749 A CN 202310325749A CN 116350240 A CN116350240 A CN 116350240A
Authority
CN
China
Prior art keywords
data
electroencephalogram
phase
cleaning
imported
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310325749.2A
Other languages
English (en)
Inventor
金佳
潘煜
戴璐
郭珊珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai international studies university
Original Assignee
Shanghai international studies university
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai international studies university filed Critical Shanghai international studies university
Priority to CN202310325749.2A priority Critical patent/CN116350240A/zh
Publication of CN116350240A publication Critical patent/CN116350240A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及大数据处理技术领域中的一种社交推荐的结果分析方法、系统，包括以下步骤：测试组的推荐者向同一测试组的消费者推荐共同刺激产品，实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；将原始脑电信号一、原始脑电信号二各自数据导入处理，对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；将脑电导入数据一和脑电导入数据二清洗处理，分别得到清洗数据一和清洗数据二；计算清洗数据一的每个带通中的瞬时相位一，计算数据清洗数据二的每个带通中的瞬时相位二；计算锁相值，基于锁相值分析脑间相位同步性，解决了现有技术无法有效评估社会环境中个体对消费决策的影响问题。

Description

一种社交推荐的结果分析方法、系统
技术领域
本发明涉及大数据处理技术领域，具体涉及一种社交推荐的结果分析方法、系统。
背景技术
脑-脑耦合是指个体的大脑活动通过环境中的特定信息的传递与另一个体的大脑活动发生的关联。它依赖于刺激脑-脑耦合所提供的信息，其中该信息必须产生于另一个大脑或者有机体，而非物理环境中无生命的物体。人都是生活在社会当中的，离不开和其他个体进行互动，此过程自然就会伴随脑-脑耦合的产生。但是，在现有研究当中，绝大部分都是研究单独的个体及其脑活动，这些研究可以鲜明看出个人是如何变化的，但无法达到同步分析的效果。且脑-脑耦合正是要研究两人或多人如何进行脑信号交互，从而影响行为。
社交推荐主要是利用信任或亲密的人所感兴趣的东西，即用户关系链中的推荐内容，进而对用户进行推荐，然而现有技术中无法有效评估社会环境中个体对消费决策的影响机制。
发明内容
本发明针对现有技术中的缺点，提供了一种社交推荐的结果分析方法、系统，解决了现有技术无法有效评估社会环境中个体对消费决策的影响问题。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种社交推荐的结果分析方法，包括以下步骤：
测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；
将所述原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；
将所述脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二；
基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；
基于所述瞬时相位一、瞬时相位二计算锁相值，基于所述锁相值分析脑间相位同步性。
可选的，对导入后的所有脑电通道进行外围排除处理，包括以下步骤：排除易受肌肉和运动伪迹影响的外围脑电通道。
可选的，对导入后的所有脑电通道进行差值处理，包括以下步骤：
对导入后的所有脑电通道的数据执行滚动检查处理，其中，滚动检查处理时，放大或缩小导入后的所有脑电通道的数据；
筛选未滤波的数据，并将所述未滤波的数据执行插值处理。
可选的，将所述脑电导入数据一和脑电导入数据二进行清洗处理，包括以下步骤：
设定标准电压差值、重叠率和重叠时长，并基于所述标准电压差值、重叠率以及重叠时长剔除脑电导入数据一、脑电导入数据二中的眼动伪迹。
可选的，所述清洗处理还包括以下步骤：
选择ICA成分，并对眼动伪迹剔除后的脑电导入数据一、脑电导入数据二进行差值坏导以及重参考；
执行自动/手动伪迹检测处理。
可选的，计算锁相值的公式为：
Figure BDA0004153175130000021
其中，N为trail的次数，/>
Figure BDA0004153175130000022
为通道/>
Figure BDA0004153175130000023
的观察量k在时间t的相位，对应瞬时相位一，/>
Figure BDA0004153175130000024
为通道/>
Figure BDA0004153175130000025
的观察量k在时间t的相位，对应瞬时相位二。
可选的，基于所述锁相值分析脑间相位同步性，包括以下步骤：
所述锁相值越接近“1”，则代表脑间相位同步，所述锁相值越接近“0”，则代表脑间相位不同步。
可选的，测试组的推荐者向同一测试组的消费者推荐共同刺激产品前，还包括以下步骤：
将测试群体划分为推荐者群体和消费者群体，并组建测试组，其中，所述测试组由一名推荐者和一名消费者随机构成；
对所述测试组进行前测实验，根据所述前测实验筛选所述测试组的共同刺激产品。
一种社交推荐的结果分析系统，包括采集单元、第一预处理单元、第二预处理单元、计算单元和分析单元；
所述采集单元用于使测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；
所述第一预处理单元用于将所述原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；
所述第二预处理单元用于将所述脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二；
所述计算单元用基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；
所述分析单元用于基于所述瞬时相位一、瞬时相位二计算锁相值，基于所述锁相值分析脑间相位同步性。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述任意一项所述的社交推荐的结果分析方法。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
通过采集推荐者与消费者的原始脑电信号，用于分析消费者在看到推荐产品时，消费者与推荐者的大脑信息流方向，从而获取到消费者与推荐者面对同一产品时，脑际间的连通性，并具体通过由原始脑电信号得到的锁相值量化推荐者与消费者的脑际间连通性是否一致，为有效评估社会环境中个体对消费决策影响提供可靠依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例一提出的一种社交推荐的结果分析方法流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例一
一种社交推荐的结果分析方法，包括以下步骤：将测试群体划分为推荐者群体和消费者群体，并组建测试组，其中，测试组由一名推荐者和一名消费者随机构成；对测试组进行前测实验，根据前测实验筛选测试组的共同刺激产品；具体地，根据实验前收集到的测试群体的基本信息，例如姓名、性别、兴趣爱好等，然后将测试群体进行两两配对组合，并保证两者互为陌生人，且为保证抽样的随机性，可利用Excel随机将测试群体划分为推荐者群体和消费者群体，在本实施例中，消费者群体即为被推荐者，然后将一位推荐者和一位消费者划分到同一组测试组中，其中，在进行正式测试前，还需要进行前测实验，以此筛选出测试组的共同刺激产品，共同刺激产品为推荐者推荐的产品，且消费者偏好适中的产品。
测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；具体地，同步采用两台练级多通道的脑电记录系统，为推荐者和消费者佩戴多通道脑电测量设备组，同步采集推荐者和消费者的脑电信号，并分类保存为属于推荐者的原始脑电信号一、属于消费者的原始脑电信号二，其中推荐者与消费者之间具有同一刺激源。
将原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二，具体地，对导入后的所有脑电通道进行外围排除处理，包括以下步骤：排除易受肌肉和运动伪迹影响的外围脑电通道；对导入后的所有脑电通道进行差值处理，包括以下步骤：对导入后的所有脑电通道的数据执行滚动检查处理，其中，滚动检查处理时，放大或缩小导入后的所有脑电通道的数据；筛选未滤波的数据，并将未滤波的数据执行插值处理。
具体地，对推荐者和消费者的同步实验过程中的原始脑电信号一和原始脑电信号二进行实时预处理，于matlab导入数据，对原始脑电信号一和原始脑电信号二进行预处理，原始脑电信号一和原始脑电信号二均由*.eeg文件、*.vhdr文件、*.vmrk文件信息组成，然后导入所有的脑电通道，或者还可通过手动输入通道名从处理中排除某些通道，如一些外围通道特别容易受肌肉和运动伪迹的影响，而由于是独立成分分析，可以先将眼电(EOG)电极排除在外。
另一方面，还需进行差值处理，即插值通道检测和滤波，而在确定哪些通道需要进行插值时，首先要确定噪声最大的通道，连接每个推荐者和消费者的所有可用数据，对数据进行滚动检查，查看未滤波的数据，并放大或缩小以检查数据，方能决定在后面的步骤中插值哪些通道，从而得到脑电导入数据一和脑电导入数据二。
进一步地，需将脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二，具体包括以下步骤：设定标准电压差值、重叠率和重叠时长，并基于标准电压差值、重叠率以及重叠时长剔除脑电导入数据一、脑电导入数据二中的眼动伪迹；选择ICA成分，并对眼动伪迹剔除后的脑电导入数据一、脑电导入数据二进行差值坏导以及重参考；执行自动/手动伪迹检测处理。
具体地，在ICA前需清理数据，首先继续对所有数据进行ICA分解步骤分段后的EEG数据段再次连为连续数据，即将得到的脑电导入数据一和脑电导入数据二各自连为连续数据，然后，使用以下标准来剔除所有通道中的眼动伪迹：在本实施例中，标准电压差值可以设置为200μV，重叠率可以设置为50％，重叠时长可以设置为200ms，即在具有50％重叠的200ms段内(即100ms)，最大和最小电压之间的差异不能超过200μV，其中，ICA分解可使用默认方法“runica”进行。
然后选择ICA成分，插值坏导并数据重参考，具体地，检查ICA成分并将某些成分手动标记为眼睛伪影，在对消费者和推荐者的连续数据分别进行眼动成分识别之后，校正眼动伪影，并且，设置顶点Cz或左右乳突通道作为记录参考；然后自动和手动伪迹检测，从而通过进行自动伪迹检测以进一步清理数据选最小-最大阈值，且设定最小值或最大值是否超过默认值±75ΜV，进而得到清洗数据一和清洗数据二。
基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；基于瞬时相位一、瞬时相位二计算锁相值，基于锁相值分析脑间相位同步性；其中，计算锁相值的公式为：
Figure BDA0004153175130000051
其中，N为trail的次数，/>
Figure BDA0004153175130000052
为通道/>
Figure BDA0004153175130000053
的观察量k在时间t的相位，对应瞬时相位一，/>
Figure BDA0004153175130000054
为通道/>
Figure BDA0004153175130000055
的观察量k在时间t的相位，对应瞬时相位二。
具体地，为推荐者和消费者的数据选择带通，默认设置包括成人数据的以下带通：1、theta[4–7Hz]；2、alpha[8–12Hz]；3、beta[13–30Hz]；4、gamma[31–48Hz]，并且估计还估计每个带通中的希尔伯特相位。
然后计算锁相值PLV，具体地，通过希尔伯特转获得每个数据点的瞬时相位，对所有可能的电极配对，根据每个采样点所对应的瞬时相位计算锁相值PLV，进而判断脑间相位同步性，而基于锁相值分析脑间相位同步性，包括以下步骤：锁相值越接近“1”，则代表脑间相位同步，锁相值越接近“0”，则代表脑间相位不同步。
需要说明的是，脑间相位同步是通过检查来自消费者和推荐者的两个电极来估计的，从每个消费者和推荐者个体的额叶(F3、F4、Fz)、中央(C3、C4、Cz)、顶叶(P3、P4、Pz)和枕叶(O1、O2、Oz)区域选择12个代表性电极进行脑间相同步分析。
实施例二
一种社交推荐的结果分析系统，包括采集单元、第一预处理单元、第二预处理单元、计算单元和分析单元；采集单元用于使测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；第一预处理单元用于将原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；第二预处理单元用于将脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二；计算单元用基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；分析单元用于基于瞬时相位一、瞬时相位二计算锁相值，基于锁相值分析脑间相位同步性。
由于本实施例所公开的社交推荐的结果分析系统为执行实施例一所述的社交推荐结果分析方法，因此具体系统如何执行，在本实施例中不做详细赘述。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，实现实施例一任意一项所述的社交推荐的结果分析方法。
计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块、模组或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元、模组或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
所述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种社交推荐的结果分析方法，其特征在于，包括以下步骤：
测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；
将所述原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；
将所述脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二；
基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；
基于所述瞬时相位一、瞬时相位二计算锁相值，基于所述锁相值分析脑间相位同步性。
2.根据权利要求1所述的一种社交推荐的结果分析方法，其特征在于，对导入后的所有脑电通道进行外围排除处理，包括以下步骤：排除易受肌肉和运动伪迹影响的外围脑电通道。
3.根据权利要求2所述的一种社交推荐的结果分析方法，其特征在于，对导入后的所有脑电通道进行差值处理，包括以下步骤：
对导入后的所有脑电通道的数据执行滚动检查处理，其中，滚动检查处理时，放大或缩小导入后的所有脑电通道的数据；
筛选未滤波的数据，并将所述未滤波的数据执行插值处理。
4.根据权利要求1所述的一种社交推荐的结果分析方法，其特征在于，将所述脑电导入数据一和脑电导入数据二进行清洗处理，包括以下步骤：
设定标准电压差值、重叠率和重叠时长，并基于所述标准电压差值、重叠率以及重叠时长剔除脑电导入数据一、脑电导入数据二中的眼动伪迹。
5.根据权利要求4所述的一种社交推荐的结果分析方法，其特征在于，所述清洗处理还包括以下步骤：
选择ICA成分，并对眼动伪迹剔除后的脑电导入数据一、脑电导入数据二进行差值坏导以及重参考；
执行自动/手动伪迹检测处理。
6.根据权利要求1所述的一种社交推荐的结果分析方法，其特征在于，计算锁相值的公式为：
Figure FDA0004153175100000011
其中，N为trail的次数，/>
Figure FDA0004153175100000012
为通道/>
Figure FDA0004153175100000013
的观察量k在时间t的相位，对应瞬时相位一，/>
Figure FDA0004153175100000014
为通道/>
Figure FDA0004153175100000015
的观察量k在时间t的相位，对应瞬时相位二。
7.根据权利要求1所述的一种社交推荐的结果分析方法，其特征在于，基于所述锁相值分析脑间相位同步性，包括以下步骤：
所述锁相值越接近“1”，则代表脑间相位同步，所述锁相值越接近“0”，则代表脑间相位不同步。
8.根据权利要求1所述的一种社交推荐的结果分析方法，其特征在于，测试组的推荐者向同一测试组的消费者推荐共同刺激产品前，还包括以下步骤：
将测试群体划分为推荐者群体和消费者群体，并组建测试组，其中，所述测试组由一名推荐者和一名消费者随机构成；
对所述测试组进行前测实验，根据所述前测实验筛选所述测试组的共同刺激产品。
9.一种社交推荐的结果分析系统，其特征在于，包括采集单元、第一预处理单元、第二预处理单元、计算单元和分析单元；
所述采集单元用于使测试组的推荐者向同一测试组的消费者推荐共同刺激产品，并实时采集推荐者的原始脑电信号一以及消费者的原始脑电信号二；
所述第一预处理单元用于将所述原始脑电信号一、原始脑电信号二各自数据导入处理，并对导入后的所有脑电通道进行外围排除处理和差值处理，分别得到脑电导入数据一和脑电导入数据二；
所述第二预处理单元用于将所述脑电导入数据一和脑电导入数据二进行清洗处理，分别得到清洗数据一和清洗数据二；
所述计算单元用基于窄带滤波和希尔伯特变换，计算清洗数据一的每个带通中的瞬时相位一，同时计算数据清洗数据二的每个带通中的瞬时相位二；
所述分析单元用于基于所述瞬时相位一、瞬时相位二计算锁相值，基于所述锁相值分析脑间相位同步性。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-8任意一项所述的社交推荐的结果分析方法。
CN202310325749.2A 2023-03-29 2023-03-29 一种社交推荐的结果分析方法、系统 Pending CN116350240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310325749.2A CN116350240A (zh) 2023-03-29 2023-03-29 一种社交推荐的结果分析方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310325749.2A CN116350240A (zh) 2023-03-29 2023-03-29 一种社交推荐的结果分析方法、系统

Publications (1)

Publication Number Publication Date
CN116350240A true CN116350240A (zh) 2023-06-30

Family

ID=86918839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310325749.2A Pending CN116350240A (zh) 2023-03-29 2023-03-29 一种社交推荐的结果分析方法、系统

Country Status (1)

Country Link
CN (1) CN116350240A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150099962A1 (en) * 2013-10-07 2015-04-09 The Regents Of The University Of California Methods and Systems To Identify Phase-Locked High-Frequency Oscillations In The Brain
CN109522873A (zh) * 2018-12-06 2019-03-26 华东师范大学 一种脑间同步性分析方法、装置及存储介质
CN112773365A (zh) * 2019-10-22 2021-05-11 上海交通大学 潜航员潜航作业脑力负荷监测系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150099962A1 (en) * 2013-10-07 2015-04-09 The Regents Of The University Of California Methods and Systems To Identify Phase-Locked High-Frequency Oscillations In The Brain
CN109522873A (zh) * 2018-12-06 2019-03-26 华东师范大学 一种脑间同步性分析方法、装置及存储介质
CN112773365A (zh) * 2019-10-22 2021-05-11 上海交通大学 潜航员潜航作业脑力负荷监测系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
^哪来的&永远~: "从公式到代码详细解析PLV（锁相值）", pages 1 - 5, Retrieved from the Internet <URL:https://blog.csdn.net/qq_45538220/article/details/124435846> *
吴佳忆: "盲盒售卖对消费者产品态度的影响研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 2, 15 February 2023 (2023-02-15), pages 17 - 18 *
张雪峰: "基于脑电ERP的营销刺激对消费者影响的脑认知研究", 中国博士学位论文全文数据库基础科学辑, pages 92 - 95 *
李乐: "不同推荐来源的商品信息对购买意愿的影响", 《中国优秀硕士学位论文全文数据库哲学与人文科学辑》, no. 12, 15 December 2022 (2022-12-15), pages 27 *
赵文鹏: "盾构机司机驾驶疲劳分析与评估", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, pages 29 - 32 *
赵文鹏: "盾构机司机驾驶疲劳分析与评估", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, pages 29 - 32 *
车良慧: "联合营销中品牌知名度和虚拟元素稀缺性对消费者购买意愿的影响研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 2, 15 February 2023 (2023-02-15), pages 27 - 28 *
金佳 等: "神经营销学：打开消费决策的"黑箱"", 《张江科技评论》, no. 2, 30 April 2021 (2021-04-30), pages 32 - 33 *

Similar Documents

Publication Publication Date Title
Chang et al. Evaluation of artifact subspace reconstruction for automatic artifact components removal in multi-channel EEG recordings
Clayson et al. How does noise affect amplitude and latency measurement of event‐related potentials (ERPs)? A methodological critique and simulation study
Rangaprakash et al. Study of phase synchronization in multichannel seizure EEG using nonlinear recurrence measure
Jafarifarmand et al. Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach
Shen et al. A physiology-based seizure detection system for multichannel EEG
Klug et al. Zapline‐plus: A Zapline extension for automatic and adaptive removal of frequency‐specific noise artifacts in M/EEG
Acharjee et al. Independent vector analysis for gradient artifact removal in concurrent EEG-fMRI data
Namazi et al. Complexity-based classification of EEG signal in normal subjects and patients with epilepsy
US20240057888A1 (en) Method And System For Determining Brain-State Dependent Functional Areas Of Unitary Pooled Activity And Associated Dynamic Networks With Functional Magnetic Resonance Imaging
WO2006072150A1 (en) Muscle artifact removal from encephalograms
Omidvarnia et al. Towards fast and reliable simultaneous EEG-fMRI analysis of epilepsy with automatic spike detection
Chen et al. Scalp EEG-based pain detection using convolutional neural network
Baravalle et al. Discriminating imagined and non-imagined tasks in the motor cortex area: Entropy-complexity plane with a wavelet decomposition
Turnip et al. Adaptive principal component analysis based recursive least squares for artifact removal of EEG signals
Tian et al. Mental fatigue estimation using EEG in a vigilance task and resting states
Wei et al. Motion sickness-susceptible participants exposed to coherent rotating dot patterns show excessive N2 amplitudes and impaired theta-band phase synchronization
Li et al. Spatial fusion of maximum signal fraction analysis for frequency recognition in SSVEP-based BCI
Chuckravanen Approximate entropy as a measure of cognitive fatigue: an eeg pilot study
CN114366103A (zh) 注意力评估方法、装置及电子设备
Turnip Automatic artifacts removal of EEG signals using robust principal component analysis
Narmada et al. A novel adaptive artifacts wavelet Denoising for EEG artifacts removal using deep learning with Meta-heuristic approach
Sutharsan et al. Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks
CN116350240A (zh) 一种社交推荐的结果分析方法、系统
Wang et al. A novel model based on a 1D-ResCNN and transfer learning for processing EEG attenuation
Gholamipour et al. Estimation of the independent components reliability of EEG signal in a clinical application

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination