DE202020005493U1

DE202020005493U1 - Vorhersage der langfristigen hedonischen Reaktion auf einen Sinnesreiz

Info

Publication number: DE202020005493U1
Application number: DE202020005493.3U
Authority: DE
Original assignee: Symrise AG
Current assignee: Symrise AG
Priority date: 2019-08-08
Filing date: 2020-08-04
Publication date: 2021-06-18
Anticipated expiration: 2030-08-05
Also published as: KR20220042444A; CN112789632A; CO2022002691A2; US20220346723A1; BR112021007088A2; WO2021023736A1; SG10201907343SA

Abstract

System (400), das zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum konfiguriert ist, wobei das System umfasst:
eine Messeinheit (410-440), die so konfiguriert ist, dass sie, für jedes Exponieren eines Individuums zumindest einem Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, Daten misst, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, und
eine Steuereinheit (450), die so konfiguriert ist, dass sie basierend auf den Daten, die indikativ für die von der Messeinheit (410-440) gemessene hedonische Reaktion des Individuums sind, und dem Expositionsmuster die langfristige hedonische Reaktion des Individuums auf den Sinnesreiz durch einen Algorithmus des maschinellen Lernens für einen Zeitpunkt vorhersagt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.

Description

GEBIET DER ERFINDUNG
Die vorliegende Offenbarung bezieht sich allgemein auf ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion, wie z.B. das langfristige Gefallen, auf zumindest einen vorbestimmten Sinnesreiz, wie z.B. einen olfaktorischen Reiz, entweder für ein Individuum oder ein Publikum.
HINTERGRUND DER ERFINDUNG
Die erste Exposition (engl. „exposure“; dt. auch „Aussetzung“) eines Individuums einem gegebenen Sinnesreiz kann eine bestimmte hedonische oder emotionale Reaktion hervorrufen. Derselbe Sinnesreiz erzeugt jedoch nicht notwendigerweise dieselbe hedonische Reaktion bei einer späteren Exposition, so dass die anfängliche hedonische Reaktion auf einen gegebenen Sinnesreiz im Allgemeinen nicht zuverlässig die hedonische Reaktion auf denselben Sinnesreiz zu einem späteren Zeitpunkt bestimmt. Vielmehr verändert sich die hedonische Reaktion auf einen gegebenen Sinnesreiz im Laufe der Zeit und bei wiederholter Exposition. Die Entwicklung der hedonischen Reaktion im Laufe der Zeit ist jedoch im Allgemeinen im Voraus unbekannt.
Es ist ein Ziel der vorliegenden Erfindung, die langfristige hedonische Reaktion abzuschätzen, so dass sich die Produktentwicklung auf die Herstellung von Verbraucherprodukten mit Sinnesreizen konzentrieren kann, die eine hedonische Reaktion aufweisen, die sich im Laufe der Zeit verbessert oder zumindest nicht abnimmt. Auf diese Weise kann der Zeit- und Energieaufwand für die Entwicklung und schließlich die Herstellung von Verbraucherprodukten reduziert werden, bei denen ein erhebliches Risiko besteht, dass sie nicht in Gebrauch genommen werden und schließlich auf der Mülldeponie landen.
Es ist daher ein Ziel der vorliegenden Erfindung, ein Verfahren bereitzustellen, das es ermöglicht, die Entwicklung von Verbraucherprodukten, die zumindest einen Sinnesreiz enthalten, zu rationalisieren (engl. „to streamline“) und dadurch Abfall zu vermeiden und Ressourcen zu sparen.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung betrifft ein computer-implementiertes Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum, umfassend (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, und (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
Die Methode erlaubt es also, mit Hilfe eines Algorithmus des maschinellen Lernens, die hedonische Reaktion eines Individuums auf einen bestimmten Sinnesreiz zu einem bestimmten Zeitpunkt vorherzusagen, nachdem sie dem gegebenen Sinnesreiz zum ersten Mal exponiert wurde. In einem professionellen Setup würde das Individuum einem bestimmten Sinnesreiz nicht nur einmal, sondern mehrere Male während einer anfänglichen Expositionszeitspanne exponiert werden. Die Anzahl der Expositionen, die Länge jeder Exposition und die Zeitintervalle zwischen aufeinanderfolgenden Expositionen während der anfänglichen Expositionszeitspanne bestimmen das Expositionsmuster.
In bestimmten Ausführungsformen wird das Individuum zumindest zweimal, vorzugsweise dreimal oder öfter dem Sinnesreiz über eine relativ kurze anfängliche Expositionszeitspanne exponiert. Zum Beispiel kann das Individuum dem Sinnesreiz zwei- oder dreimal innerhalb einer Woche exponiert werden. In anderen Ausführungsformen kann das Individuum innerhalb einer kurzen Zeitspanne, z.B. einer Stunde, einer Reihe von Expositionen dem Sinnesreiz unterzogen werden, z.B. dreimal, und dies kann innerhalb der anfänglichen Expositionszeitspanne, z.B. einer Woche, mehrmals wiederholt werden, z.B. zwei- oder dreimal. Die anfängliche Expositionszeitspanne beträgt vorzugsweise eine Woche oder weniger. Die vorgegebene Vorhersagezeitspanne beträgt vorzugsweise drei Monate oder mehr.
Wenn ein Individuum einem Sinnesreiz während einer anfänglichen Expositionszeitspanne exponiert war, ist die langfristige hedonische Reaktion des Individuums auf denselben Sinnesreiz die hedonische Reaktion des Individuums auf diesen Sinnesreiz, wenn eine Vorhersagezeitspanne, gemessen vom Ende der anfänglichen Expositionszeitspanne, verstrichen ist. In einer Ausführungsform ist die hedonische Reaktion eines Individuums auf einen Sinnesreiz das Gefallen des Individuums dieses Sinnesreizes. Es sind jedoch auch andere Maße für die langfristige hedonische Reaktion möglich.
Das Expositionsmuster kann einen Einfluss auf die langfristige hedonische Reaktion eines Individuums auf einen vorbestimmten Sinnesreiz haben. Daher sollten beim Training des Algorithmus des maschinellen Lernens Trainingsdaten mit unterschiedlicher Anzahl von Expositionen, unterschiedlichen Intervallen während den nachfolgenden Expositionen und unterschiedlichen anfänglichen Expositionszeitspannen bereitgestellt werden.
Der zumindest eine Sinnesreiz kann aus einer Gruppe ausgewählt werden, die olfaktorische, auditive, haptische, geschmackliche und visuelle Reize umfasst. Das Individuum kann nur einem einzigen Sinnesreiz oder zwei oder mehr Sinnesreizen exponiert werden, die denselben Sinn oder verschiedene Sinne ansprechen können. Zum Beispiel kann ein Individuum einem olfaktorischen Reiz ohne weitere Sinnesreize exponiert werden. Wenn die hedonische Reaktion des Individuums auf zwei oder mehr Sinnesreize getestet werden soll, werden die zwei oder mehr Sinnesreize dem Individuum gleichzeitig präsentiert, so dass jede Exposition nicht nur mit einem Sinnesreiz, sondern mit dem Zusammentreffen der zwei oder mehr Sinnesreize in Verbindung gebracht werden kann. Zum Beispiel kann ein Individuum gleichzeitig einem olfaktorischen Reiz und einem visuellen Reiz exponiert werden. Eine andere Kombination von Sinnesreizen, denen ein Individuum exponiert sein kann, ist ein Geschmacksreiz zusammen mit einem visuellen Reiz. Andere Kombinationen von Sinnesreizen sind ebenfalls möglich. Wenn auf einen Sinnesreiz Bezug genommen wird, sollte dies so verstanden werden, dass es sich auch auf eine Kombination mehrerer Sinnesreize bezieht, sofern dies nicht unangebracht ist.
Die hedonische Reaktion des Individuums kann bestimmt werden, indem die psychologische Reaktion des Individuums auf den zumindest einen Sinnesreiz ermittelt wird. Vorzugsweise wird die psychologische Reaktion des Individuums mit Daten über die psychometrische Reaktion des Individuums auf den Sinnesreiz kombiniert.
Die Daten, die die hedonische Reaktion auf den zumindest einen Sinnesreiz für das Individuum anzeigen, werden in einen Algorithmus des maschinellen Lernens eingespeist.
Vorzugsweise wurde der Algorithmus des maschinellen Lernens zuvor trainiert, kreuzvalidiert und getestet, wobei ein umfangreicher Datensatz verwendet wurde, der zuvor über eine große Anzahl von Individuen und Instanzen von Sinnesreizen gesammelt wurde. Der Algorithmus des maschinellen Lernens kann Vorhersagen auf der Ebene des Individuums für einen gegebenen Sinnesreiz erstellen.
Die vorliegende Erfindung bezieht sich auch auf ein computer-implementiertes Verfahren zur Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf zumindest einen vorgegebenen Sinnesreiz. Das oben beschriebene Verfahren, das auf der Ebene eines Individuums durchgeführt wird, wird für eine Anzahl verschiedener Individuen wiederholt, die repräsentativ für ein großes Publikum sind, z.B. für eine Verbraucherbasis. Die Vorhersagen über die langfristige hedonische Reaktion der einzelnen Individuen werden dann kombiniert, um die langfristige hedonische Reaktion des Publikums vorherzusagen.
Die vorliegende Erfindung betrifft des Weiteren eine Datenverarbeitungsvorrichtung, die Mittel zur Ausführung der obigen Verfahren umfasst, ein Computerprogramm, das Anweisungen umfasst, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, die obigen Verfahren auszuführen, und ein computerlesbares Medium, das Anweisungen umfasst, die, wenn es von einem Computer ausgeführt wird, den Computer veranlassen, die obigen Verfahren auszuführen.
Die vorliegende Erfindung betrifft des Weiteren ein Verfahren zur Entwicklung eines Verbraucherprodukts, wobei das Verfahren den Schritt der Durchführung des obigen computer-implementierten Verfahrens zur Vorhersage der langfristigen hedonischen Reaktion eines Individuums oder eines Publikums auf zumindest einen vorbestimmten Sinnesreiz für eine Vielzahl von Sinnesreizen und die Bestimmung eines Sinnesreizes aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, umfasst, wobei das Verfahren ferner den Schritt der Entwicklung eines Verbraucherprodukts umfasst, das den bestimmten Sinnesreiz umfasst. Der Sinnesreiz aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, kann mit statistischen Methoden, wie z.B. einem Standard-Signifikanztest, ermittelt oder bestätigt werden. Die maximale langfristige hedonische Reaktion kann die langfristige hedonische Reaktion mit dem höchsten Wert sein, der die stärkste positive emotionale Reaktion auf einen bestimmten Sinnesreiz anzeigt.
Die vorliegende Erfindung bezieht sich des Weiteren auf ein System, das zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum konfiguriert ist. Das System umfasst eine Messeinheit, die so konfiguriert ist, dass sie, für jedes Exponieren eines Individuums zumindest einem Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, Daten misst, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, und eine Steuereinheit, die so konfiguriert ist, dass sie basierend auf den Daten, die indikativ für die von der Messeinheit gemessene hedonische Reaktion des Individuums sind, und dem Expositionsmuster die langfristige hedonische Reaktion des Individuums auf den Sinnesreiz durch einen Algorithmus des maschinellen Lernens für einen Zeitpunkt vorhersagt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt. Die Messeinheit kann zumindest eines der folgenden Geräte umfassen: ein EEG-Messgerät (Elektroenzephalographie), ein GSR-Messgerät (galvanische Hautreaktion), einen Eye-Tracker und ein Videoaufnahmegerät. Ein EEG-Messgerät ist im Allgemeinen so konfiguriert, dass es, vorzugsweise nicht-invasiv, die elektrische Aktivität des Gehirns eines Individuums misst. Es können auch andere Messgeräte zur Messung der Gehirnaktivität verwendet werden, ein Beispiel ist fMRI (funktionelle Magnetresonanztomographie). Ein GSR-Messgerät ist im Allgemeinen so konfiguriert, dass es den Hautleitwert eines Individuums misst. Ein Eye-Tracker ist im Allgemeinen so konfiguriert, dass er zumindest eines der folgenden Elemente misst: Augenposition, Augenbewegung, Blickpunkt sowie Pupillenerweiterung und -verengung eines Individuums.
Figurenliste

1 zeigt ein Flussdiagramm, das ein Verfahren gemäß der vorliegenden Erfindung illustriert.
2 zeigt ein Flussdiagramm, das ein Verfahren zum Trainieren, Kreuzvalidieren und Testen eines Algorithmus des maschinellen Lernens illustriert, der in dem Verfahren gemäß der vorliegenden Erfindung verwendet wird.
3 zeigt ein System zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen Sinnesreiz für ein Individuum oder ein Publikum.
4 zeigt ein EEG-Rohsignal, das von einer Elektrode über 0,5 Sekunden aufgezeichnet wurde.
5 zeigt ein Leistungsspektrum von EEG-Daten für eine Elektrode, berechnet mit einer Fast-Fourier-Transformation über ein 2-Sekunden-Zeitfenster, mit der Hann-Fensterfunktion.
6 zeigt eine GSR-Aufzeichnung über 15 Sekunden.

DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
Es werden computer-implementierte Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz beschrieben. Insbesondere umfassen die hier beschriebenen Verfahren die Vorhersage der langfristigen hedonischen Reaktion eines Individuums auf zumindest einen vorbestimmten Sinnesreiz und die Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf zumindest einen vorbestimmten Sinnesreiz. Ein Publikum umfasst eine große Anzahl von Individuen.
Ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum ist als Flussdiagramm in 1 gezeigt. Das Verfahren beinhaltet, dass ein Individuum während einer anfänglichen Expositionszeitspanne (110) zum ersten Mal einem vorbestimmten Sinnesreiz exponiert wird. Das Individuum kann dem Sinnesreiz nur einmal exponiert werden, so dass die anfängliche Expositionszeitspanne die Länge der einmaligen Exposition hat. Um zuverlässigere Vorhersagen zu erhalten, wird das Individuum vorzugsweise wiederholt dem Sinnesreiz im Verlauf der anfänglichen Expositionszeitspanne exponiert. Zum Beispiel wird das Individuum dem Sinnesreiz dreimal über eine Woche exponiert. Die physiologischen Reaktionen des Individuums, wie z.B. von EEG, GSR, Eye-Tracking und/oder Video des Gesichts, werden während jeder Exposition gemessen (120). Zusätzlich oder alternativ werden die psychometrischen Reaktionen des Individuums, z.B. aus Selbstberichten und/oder Reaktionszeittests, während jeder Exposition gemessen (140). Nach der Entfernung des Rauschens aus den physiologischen Daten (130) sowie der Kalibrierung und Bereinigung der psychometrischen Daten (150) werden aus den Daten hervorstechende Merkmale extrahiert (160). Die extrahierten hervorstechenden Merkmale werden dann als Eingabe in ein künstliches neuronales Netzwerk (170) verwendet, das, wenn es richtig trainiert, kreuzvalidiert und getestet wurde, eine Vorhersage über die langfristige hedonische Reaktion auf den vorbestimmten Sinnesreiz für das Individuum liefert (180). Die vorhergesagte langfristige hedonische Reaktion wird im Allgemeinen als ein Wert innerhalb eines Bereichs von minus unendlich bis plus unendlich ausgedrückt, wobei ein Wert unter 0 eine negative hedonische Reaktion bedeutet, ein Wert von 0 Gleichgültigkeit bedeutet und ein Wert über 0 eine positive hedonische Reaktion auf einen bestimmten Sinnesreiz bedeutet.
2 zeigt ein Flussdiagramm, das ein Verfahren zum Trainieren, Kreuzvalidieren und Testen eines künstlichen neuronalen Netzes illustriert, das in dem Verfahren von 1 verwendet werden soll. Die vorliegende Erfindung ist nicht auf neuronale Netze beschränkt und es können auch andere Algorithmen des maschinellen Lernens verwendet werden. Trainingsdaten werden gewonnen, indem ein Individuum während einer anfänglichen Expositionszeitspanne (210) einem vorbestimmten Sinnesreiz exponiert wird. Die physiologischen und/oder psychometrischen Reaktionen des Individuums werden während jeder Exposition gemessen (220, 240). Die psychologischen Messdaten werden vom Rauschen befreit (230), so dass hervorstechende Merkmale extrahiert werden können (260). In ähnlicher Weise werden aus den psychometrischen Messdaten (260) nach Kalibrierung und Datenbereinigung (250) hervorstechende Merkmale extrahiert. Diese Schritte werden für eine große Anzahl von Individuen wiederholt, mit unterschiedlichen Längen der anfänglichen Expositionszeitspanne und Expositionsmustern sowie für verschiedene Sinnesreize. Die extrahierten hervorstechenden Merkmale aus jeder anfänglichen Expositionszeitspanne (bezogen auf ein bestimmtes Individuum und einen bestimmten Sinnesreiz oder eine Kombination von Sinnesreizen) werden zusammen mit dem entsprechenden Expositionsmuster in das künstliche neuronale Netz zu Trainingszwecken eingegeben.
Nach einer vorbestimmten Vorhersagezeitspanne, die vorzugsweise nicht weniger als 3 Monate nach der anfänglichen Expositionszeitspanne beträgt, werden weitere Daten für jedes zuvor getestete Individuum (280) gesammelt. Auf diese Weise erhält man Daten zur langfristigen emotionalen Reaktion, die zum Trainieren des maschinellen Lernalgorithmus verwendet werden können. Beispielsweise wird für jedes Individuum das tatsächliche Kauf- oder Wiederkaufverhalten eines Verbraucherprodukts mit dem Sinnesreiz oder der Kombination von Sinnesreizen, die während der anfänglichen Expositionszeitspanne verwendet wurden, beobachtet (290). Es ist auch möglich, jedes Individuum erneut dem gleichen Sinnesreiz oder der gleichen Kombination von Sinnesreizen auszusetzen, wie sie während der anfänglichen Expositionszeitspanne aufgetreten sind, und Daten zu erhalten, die die hedonische Reaktion anzeigen. Zusätzlich oder alternativ werden Selbstberichte über das Gefallen und/oder Selbstberichte über die Kaufabsicht eines Verbraucherprodukts, das den Sinnesreiz/die Sinnesreize enthält, und/oder Auswahlexperimente mit einem solchen Verbraucherprodukt durchgeführt (300).
Wenn die Daten zur langfristigen hedonischen Reaktion nicht auf einheitliche Weise erhoben wurden, d.h. verschiedene manifeste Variablen gemessen wurden, während versucht wurde, inhärente latente Variablen in Bezug auf die langfristige hedonische Reaktion zu erfassen, müssen diese harmonisiert werden, um diese verschiedenen Arten der Messung der langfristigen hedonischen Reaktion für Trainingszwecke nutzen zu können. Dies wird erreicht, indem latente Variablenmodelle aus Studien gebildet werden, in denen mehrere Arten der Messung der langfristigen hedonischen Reaktion zusammen verwendet wurden. Diese Modelle bieten eine Methode zur Zuschreibung (engl. „imputing“) latenter Variablenwerte aus den Messungen, die in den Trainingsdaten verfügbar waren.
Um die Notwendigkeit einer Harmonisierung zu vermeiden, könnten alternativ Daten zur langfristigen hedonischen Reaktion auf einheitliche Weise bei allen Befragten erhoben und diese Messungen direkt zum Training des maschinellen Lernalgorithmus verwendet werden.
Während des Trainingsprozesses werden sowohl die Eingaben (die in Schritt 260 erhaltenen extrahierten Merkmale) als auch die gewünschten Ausgaben (die in Schritt 310 erhaltene langfristige hedonische Reaktion) bereitgestellt, und das künstliche neuronale Netz verarbeitet die Eingaben und vergleicht die resultierenden Ausgaben mit den gewünschten Ausgaben. Nachdem der Trainingsprozess als abgeschlossen betrachtet wird, werden einige der in den Schritten 220, 240, 290 und 300 erhaltenen Daten zum Testen des trainierten künstlichen neuronalen Netzes verwendet. Das künstliche neuronale Netz wird auch kreuzvalidiert, wie es dem Fachmann bekannt ist.
Die psychologische Datenerfassung mit einem System 400, wie in 3 gezeigt, und die Merkmalsextraktion aus diesen Daten wird im Folgenden näher erläutert.
Rohe EEG-Signale werden mit einem EEG-Signalmessgerät 410 erfasst. In einer Ausführungsform hat das EEG-Signalmessgerät 410 14 bis 20 Elektroden oder Kanäle und eine Abtastrate zwischen 128 Hz und 500 Hz. Beispielhafte EEG-Rohsignale, die von drei Elektroden an den Positionen F7, Fp1 und Fp2 über 0,5 Sekunden aufgezeichnet wurden, sind in 4 gezeigt.
Zusätzlich oder alternativ werden rohe EDA-Signale (elektrodermale Aktivität) mit einem EDA-Signalmessgerät 420, wie z.B. einem GSR-Signalmessgerät, erfasst. In einer Ausführungsform hat das GSR-Signalmessgerät 420 eine Elektrode oder einen Kanal und eine Abtastrate zwischen 5 Hz und 128 Hz. Ein beispielhaftes GSR-Rohsignal, das über 15 Sekunden aufgezeichnet wurde, ist in 6 gezeigt.
Zusätzlich oder alternativ werden Eye-Tracking-Rohsignale mit einem Eye-Tracker 430 erfasst. In einer Ausführungsform sind die Eye-Tracking-Signale 2D kartesische Koordinaten relativ zu einem Bildschirm. Die Abtastrate kann 30 Hz betragen.
Zusätzlich oder alternativ werden Videosignale des Individuums, vorzugsweise des Gesichts, mit einem Videoaufnahmegerät 440, z.B. einer Webcam, erfasst. Das Videosignal kann verschiedene Auflösungen und Abtastraten haben.
Bei der Messung der hedonischen oder emotionalen Reaktion auf einen Sinnesreiz ist es wichtig zu wissen, wann genau ein Individuum beginnt, den Sinnesreiz zu erleben. Daher werden in einer bevorzugten Ausführungsform die Rohdatensignale, sobald sie erfasst wurden, synchronisiert. Während ein visueller Reiz leicht kontrolliert oder zeitlich gesteuert werden kann, da er auf einem Bildschirm angezeigt wird, sieht die vorliegende Erfindung für einen olfaktorischen, geschmacklichen oder taktilen Reiz vor, ein Videosignal des Individuums mit den anderen Datensignalen, wie den EEG-, GSR- oder Eye-Tracking-Signalen, zu synchronisieren. Die Datensignale werden synchronisiert, indem die Uhr oder der Zeitstempel jedes Datensignals regelmäßig mit der Systemuhr der Steuereinheit 450, die die Daten sammelt, verglichen wird. Wenn eine Drift zwischen den Datensignalen auftritt, können Anpassungen vorgenommen werden, um die Drift zu beseitigen.
In einer Ausführungsform werden während der EEG-Signalverarbeitung, die von der Steuereinheit 450 durchgeführt werden kann, Tiefpass- und Hochpassfilter auf die EEG-Rohsignale angewendet, um Signalkomponenten mit Frequenzen über 50 Hz und unter 0,5 Hz zu entfernen. Danach wird eine unabhängige Komponentenanalyse (ICA) durchgeführt, und ein Algorithmus des maschinellen Lernens vergleicht die unabhängigen Komponenten mit Nicht-Hirn-Signalen (z.B. Augenblinzeln, Kopfbewegung) und entfernt die unabhängigen Komponenten, die als Nicht-Hirn-Signale identifiziert wurden. Für jeden Kanal wird das EEG-Signal dann in überlappende Zeitfenster aufgeteilt. Jedes Zeitfenster kann 2 Sekunden lang sein, wobei alle 0,5 Sekunden ein neues Zeitfenster beginnt. Die Higuchi Fractal Dimension (HFD) wird für jedes Zeitfenster berechnet. Außerdem wird für jedes Zeitfenster ein Hann-Fenster angewendet und eine Fast Fourier-Transformation (FFT) berechnet, um das EEG-Leistungsspektrum zu erhalten. Ein beispielhaftes EEG-Leistungsspektrum an einer Elektrode während eines Zeitfensters von zwei Sekunden ist in 5 gezeigt.
In einer Ausführungsform werden die Rohdaten während der Nachbearbeitung des Eye-Trackings, die von der Steuereinheit 450 durchgeführt werden kann, in Zeitfenster aufgeteilt, die die Zeit repräsentieren, in der ein Dia-Bild kontinuierlich auf einem Bildschirm angezeigt wurde. Für jedes Fenster werden die kartesischen Koordinaten verwendet, um eine Heatmap (eine Matrix mit den gleichen Abmessungen wie das Bild auf dem Bildschirm) unter Verwendung der Gauß'schen Kernel-Schätzung zu erzeugen. Die Heatmap kann als endgültige Ausgabe über dem Bild geplottet werden.
In einer Ausführungsform wird während der GSR-Nachbearbeitung, die von der Steuereinheit 450 durchgeführt werden kann, eine kontinuierliche Zerlegungsanalyse angewendet, um das GSR-Rohsignal in phasische (sich schnell bewegende) und tonische (sich langsam bewegende) Komponenten zu zerlegen. Ein Spitzenerkennungsalgorithmus kann verwendet werden, um aus den GSR-Rohdaten zu jedem Zeitpunkt ein binäres Ergebnis zu bestimmen: ob sich das Individuum in einem emotional erregten Zustand befindet oder nicht.
Die so verarbeiteten Messdaten dienen dann zusammen mit dem Expositionsmuster, vorzugsweise ausgedrückt als Zeitvektor (Schrittfunktion), als Eingabe für den maschinellen Lernalgorithmus auf der Steuereinheit 450, der eine geschätzte langfristige hedonische Reaktion ausgibt, die mit den Messdaten verbunden ist.

Eine beispielhafte Tabelle der vorhergesagten Ergebnisse für einen Duft A, der an einer Gruppe von Individuen getestet wurde, ist in Tabelle 7 dargestellt. Die durchschnittliche vorhergesagte langfristige Hedonik für die 16 Individuen beträgt 0,12, was bedeutet, dass der Duft A langfristig positiv wahrgenommen werden wird. Im Durchschnitt ist die hedonische Reaktion jedoch nicht sehr ausgeprägt, so dass entschieden werden kann, dass Duft A möglicherweise noch verbessert werden muss, um eine bessere langfristige hedonische Reaktion zu erzielen.

Individuum	Vorhergesagte langfristige hedonische Reaktion
1	0,27
2	0,18
3	-0,10
4	-0,23
5	0,41
6	0,21
7	0,83
8	0,08
9	0,99
10	-0,29
11	0,44
12	-0,36
13	-0,50
14	-0,65
15	0,21
16	0,47

Die vorliegende Offenbarung bezieht sich des Weiteren auf die folgenden Ausführungsformen:

1. Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum, umfassend:
1. (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster,
2. (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind,
3. (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens,
4. (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
2. Verfahren nach Ausführungsform 1, wobei die langfristige hedonische Reaktion des Individuums das langfristige Gefallen des Individuums des zumindest einen vorbestimmten Sinnesreizes ist.
3. Verfahren nach Ausführungsform 1, wobei der maschinelle Lernalgorithmus auf einem künstlichen neuronalen Netzwerk basiert.
4. Verfahren nach Ausführungsform 1, wobei die Daten, die indikativfür die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, durch Messen psychologischer und/oder psychometrischer Reaktionen des Individuums erhalten werden.
5. Verfahren nach Ausführungsform 1, wobei die Daten, die indikativfür die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, Daten umfassen, die sich auf die Gehirnaktivität des Individuums beziehen.
6. Verfahren nach Ausführungsform 4, wobei die psychologischen und/oder psychometrischen Antworten des Individuums synchron gemessen werden.
7. Verfahren nach Ausführungsform 4 oder 5, wobei das Messen der psychologischen Reaktion des Individuums das Messen von Daten umfasst, die aus einer Gruppe erhalten werden, die EEG, GSR, Eye-Tracking und Video des Gesichts umfasst.
8. Verfahren nach einer der Ausführungsformen 1 bis 7, wobei Schritt (a) das zumindest dreimalige Exponieren des Individuums dem zumindest einen Sinnesreiz umfasst.
9. Verfahren nach einer der Ausführungsformen 1 bis 8, wobei die vorbestimmte Vorhersagezeitspanne zumindest 10-mal länger ist als die anfängliche Expositionszeitspanne.
10. Verfahren nach einer der Ausführungsformen 1 bis 9, wobei der zumindest eine Sinnesreiz aus einer Gruppe ausgewählt ist, die einen olfaktorischen, auditiven, haptischen, geschmacklichen und visuellen Reiz umfasst.
11. Verfahren zur Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf zumindest einen vorbestimmten Sinnesreiz unter Verwendung des Verfahrens nach einer der Ausführungsformen 1 bis 10, umfassend:
- Wiederholen der Schritte (a) bis (d) von Anspruch 1 für jedes Individuum einer Gruppe von Individuen, wobei eine Anzahl der Individuen in der Gruppe von Individuen kleiner ist als eine Anzahl von Individuen in dem Publikum, und
- Ableiten einer langfristigen hedonischen Reaktion auf den zumindest einen Sinnesreiz der Gruppe von Individuen basierend auf der langfristigen hedonischen Reaktion jedes Individuums, um die langfristige hedonische Reaktion des Publikums vorherzusagen.
12. Verfahren zur Entwicklung eines Verbraucherprodukts, wobei das Verfahren umfasst:
- Durchführung des in einer der Ausführungsformen 1 bis 11 definierten Verfahrens für eine Vielzahl von Sinnesreizen,
- Bestimmen eines Sinnesreizes aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, und
- Entwickeln eines Verbraucherprodukts, das den ermittelten Sinnesreiz umfasst.

Claims

System (400), das zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum konfiguriert ist, wobei das System umfasst: eine Messeinheit (410-440), die so konfiguriert ist, dass sie, für jedes Exponieren eines Individuums zumindest einem Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, Daten misst, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, und eine Steuereinheit (450), die so konfiguriert ist, dass sie basierend auf den Daten, die indikativ für die von der Messeinheit (410-440) gemessene hedonische Reaktion des Individuums sind, und dem Expositionsmuster die langfristige hedonische Reaktion des Individuums auf den Sinnesreiz durch einen Algorithmus des maschinellen Lernens für einen Zeitpunkt vorhersagt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
System nach Anspruch 1, wobei die Steuereinheit (450) des Weiteren so konfiguriert ist, dass sie eine langfristige hedonische Reaktion auf den zumindest einen Sinnesreiz einer Gruppe von Individuen basierend auf der langfristigen hedonischen Reaktion jedes Individuums ableitet, um die langfristige hedonische Reaktion eines Publikums vorherzusagen, wobei eine Anzahl der Individuen in der Gruppe von Individuen kleiner ist als eine Anzahl von Individuen in dem Publikum.
System nach Anspruch 1 oder 2, wobei die Messeinheit (410-440) zumindest eine aus der Gruppe umfasst, die eine EEG-Messvorrichtung (410), eine GSR-Messvorrichtung (420), einen Eye-Tracker (430) und eine Videoerfassungsvorrichtung (440) umfasst.
Datenverarbeitungsvorrichtung mit Mitteln zur Durchführung eines Verfahrens zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
Computerprogramm mit Befehlen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
Computerlesbares Medium mit Befehlen, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion auf zumindest einen vorbestimmten Sinnesreiz für ein Individuum auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt.
Datenverarbeitungsvorrichtung mit Mitteln zur Durchführung eines Verfahrens zur Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf mindestens einen vorbestimmten Sinnesreiz, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Wiederholen der Schritte (a) bis (d) für jedes Individuum einer Gruppe von Individuen, wobei eine Anzahl der Individuen in der Gruppe von Individuen kleiner ist als eine Anzahl von Individuen in dem Publikum, und (f) Ableiten einer langfristigen hedonischen Reaktion auf den zumindest einen Sinnesreiz der Gruppe von Individuen basierend auf der langfristigen hedonischen Reaktion jedes Individuums, um die langfristige hedonische Reaktion des Publikums vorherzusagen.
Computerprogramm mit Befehlen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf mindestens einen vorbestimmten Sinnesreiz auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Wiederholen der Schritte (a) bis (d) für jedes Individuum einer Gruppe von Individuen, wobei eine Anzahl der Individuen in der Gruppe von Individuen kleiner ist als eine Anzahl von Individuen in dem Publikum, und (f) Ableiten einer langfristigen hedonischen Reaktion auf den zumindest einen Sinnesreiz der Gruppe von Individuen basierend auf der langfristigen hedonischen Reaktion jedes Individuums, um die langfristige hedonische Reaktion des Publikums vorherzusagen.
Computerlesbares Medium mit Befehlen, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, ein Verfahren zur Vorhersage der langfristigen hedonischen Reaktion eines Publikums auf mindestens einen vorbestimmten Sinnesreiz auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Wiederholen der Schritte (a) bis (d) für jedes Individuum einer Gruppe von Individuen, wobei eine Anzahl der Individuen in der Gruppe von Individuen kleiner ist als eine Anzahl von Individuen in dem Publikum, und (f) Ableiten einer langfristigen hedonischen Reaktion auf den zumindest einen Sinnesreiz der Gruppe von Individuen basierend auf der langfristigen hedonischen Reaktion jedes Individuums, um die langfristige hedonische Reaktion des Publikums vorherzusagen.
Datenverarbeitungsvorrichtung mit Mitteln zur Durchführung eines Verfahrens zur Entwicklung eines Verbraucherprodukts, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Durchführung der Schritte (a) bis (d) für eine Vielzahl von Sinnesreizen, (f) Bestimmen eines Sinnesreizes aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, und (g) Entwickeln eines Verbraucherprodukts, das den ermittelten Sinnesreiz umfasst.
Computerprogramm mit Befehlen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, ein Verfahren zur Entwicklung eines Verbraucherprodukts auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Durchführung der Schritte (a) bis (d) für eine Vielzahl von Sinnesreizen, (f) Bestimmen eines Sinnesreizes aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, und (g) Entwickeln eines Verbraucherprodukts, das den ermittelten Sinnesreiz umfasst.
Computerlesbares Medium mit Befehlen, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, ein Verfahren zur Entwicklung eines Verbraucherprodukts auszuführen, wobei das Verfahren umfasst: (a) Exponieren des Individuums dem zumindest einen Sinnesreiz für eine Anzahl von Malen über eine anfängliche Expositionszeitspanne gemäß einem Expositionsmuster, (b) für jede Exposition, Erhalten von Daten, die indikativ für die hedonische Reaktion des Individuums auf den zumindest einen Sinnesreiz sind, (c) Bereitstellen der Daten, die indikativ für die hedonische Reaktion des Individuums sind, und des Expositionsmusters für einen Algorithmus des maschinellen Lernens, (d) Vorhersagen der langfristigen hedonischen Reaktion des Individuums auf den Sinnesreiz durch den Algorithmus des maschinellen Lernens für einen Zeitpunkt, der eine vorbestimmte Vorhersagezeitspanne nach der anfänglichen Expositionszeitspanne liegt, (e) Durchführung der Schritte (a) bis (d) für eine Vielzahl von Sinnesreizen, (f) Bestimmen eines Sinnesreizes aus der Vielzahl von Sinnesreizen, der die maximale langfristige hedonische Reaktion aufweist, und (g) Entwickeln eines Verbraucherprodukts, das den ermittelten Sinnesreiz umfasst.