KR20110100271A

KR20110100271A - 신경-반응 데이터를 이용한 브레인 패턴 분석기

Info

Publication number: KR20110100271A
Application number: KR1020117015964A
Authority: KR
Inventors: 아나사 프라딥; 로버트 디. 나이트; 라마칸드란 그루무어시
Original assignee: 뉴로포커스, 인크.
Priority date: 2008-12-09
Filing date: 2009-11-20
Publication date: 2011-09-09
Also published as: EP2377084A1; US20100145215A1; EP2377084A4; JP2012511397A; WO2010068392A1; IL213459A0

Abstract

시스템은 자극 물질에 노출되는 대상자로부터 중추 신경계, 자율 신경계, 및 작동체계 측정치와 같은 신경-반응 데이터를 획득한다. 자극 물질이 분류되고 및/또는 태그된다. 조사 기반 반응 및 이에 따른 언어, 지각, 표현, 및/또는 운동 반응을 얻어, 신경-반응 데이터와 통합하여, 뇌 패턴 분석기 저장소에 저장한다. 예, 아니오, 구매, 구매품, 획득, 좋아함, 싫어함, 정확함, 부정확함과 같은 개념에 대한 신경학적 시그너처가 그룹, 서브그룹, 또는 개인 단위로 결정될 수 있고, 뇌 패턴 분석기 저장소에 저장될 수 있다. 뇌 패턴 분석기 저장소를 이용하여, 특정 대상자 그룹에 대한 대응하는 신경-반응 패턴을 이끌어내는, 마찬가지로 분류 및 태그된 자극 물질 및 신경학적 시그너처에 근거하여 거동을 예측할 수 있다.

Description

신경-반응 데이터를 이용한 브레인 패턴 분석기 {BRAIN PATTERN ANALYZER USING NEURO-RESPONSE DATA}

관련 출원에 대한 상호 참조

본 출원은 2009년 8월 20일자 미국특허출원 제12/544,921호(발명의 명칭: Brain Pattern Analyzer Using Neuro-Response Data)에 기초하여 우선권을 주장하고, 이 선출원은 20089년 12월 9일자 미국특허가출원 제61/120,938호(발명의 명칭: Brain Pattern Analyzer Device Utilizing Central Nervous System, Automatic Nervous System and Effector System Measurements)에 기초하여 우선권을 주장하며, 그 내용 전체는 모든 용도로 본 발명에 참고자료로 포함된다.

본 발명은 신경-반응 데이터를 이용하여 뇌 패턴을 분석하는 것에 관한 발명이다.

뇌 패턴 분석을 수행하기 위한 종래의 시스템은 제한된다. 일부 종래의 시스템은 포스트-조음(post-articulation) 분석기, 또는 수동 언어 선택 기기, 또는, 조사-기반 언어 분석으로부터 결과를 제공하여 청각/시각/촉각/후각/미각 자극에 대한 반응을 측정한다. 그러나, 종래의 시스템은 정확하고 반복가능한 분석을 방지하는 뇌 패턴, 의미론적, 구문론적, 은유적, 문화적, 및 해석학적 오류에 빠지기 쉽다.

결과적으로, 중추 신경계, 자율 신경계, 및 작동체계(effector system) 측정과 같은 신경-반응 데이터를 이용하는 뇌 패턴 분석기를 제공하기 위한 개선된 방법 및 장치를 제공하는 것이 바람직하다.

본 발명은 특정 예의 실시예를 도시하는 첨부 도면과 연계하여 제시되는 다음의 상세한 설명을 참조함으로써 가장 잘 이해될 수 있다.
도 1은 신경-반응 데이터를 이용하여 뇌 패턴 분석을 수행하기 위한 시스템의 일례를 도시한다.
도 2는 저장소(repository)에 포함될 수 있는 자극 속성의 예 도면.
도 3은 뇌 패턴 분석기와 함께 사용될 수 있는 데이터 모델의 예 도면.
도 4는 뇌 패턴 분석기와 함께 사용될 수 있는 질의의 일례의 도면.
도 5는 뇌 패턴 분석기를 이용하여 발생되는 리포트의 일례의 도면.
도 6은 뇌 패턴 분석을 수행하기 위한 기술의 일례의 도면.
도 7은 뇌 패턴 분석을 수행하기 위한 기술의 일례의 도면.
도 8은 하나 이상의 메커니즘을 구현하는데 사용될 수 있는 시스템의 일례를 제공한다.

예를 들어, 본 발명의 기술 및 메커니즘은 중추 신경계, 자율 신경계, 및 작동체 데이터와 같은 특정 타입의 데이터의 범주에서 설명될 것이다. 그러나, 본 발명의 기술 및 메커니즘은 다양한 다른 타입의 데이터에 적용될 수 있다. 다양한 메커니즘 및 기술이 임의의 타입의 자극에 적용될 수 있다.

명세서에서 비록 단수로 표현된다 하더라도 복수의 대상을 포함하는 것임을 이해하여야 한다.

개관

예시 실시예

일반적으로, 청각/시각/촉각/후각/미각 자극 물질에 대한 반응을 측정하기 위해 뇌 패턴 분석기 장치는 포스트-조음 분석기, 수동 언어 선택 기기, 또는 조사-기반 언어 분석으로부터의 결과를 포함한다. 그러나, 종래의 뇌 패턴 분석기 장치는 자극 물질에 따라 나타나는 표현(구두, 운동, 등)에 관한 어떤 예측 기능도 갖추지 못한다.

종래의 장치는 뇌 패턴, 구문론적, 은유적, 문화적, 및 해석학적 오류에 빠지기 쉬운 결과를 또한 생성하여, 다용도로 정확하고 반복가능한 분석을 방지한다. 종래의 시스템은 사용자 반응을 평가함에 있어 신경-거동 및 신경-생리학적 반응이 혼합된 표현을 이용하지 않으며, 자극에 대한 맞춤화된 신경-생리학적 및/또는 신경-거동적 반응을 나타내지 않는다. 종래의 시스템은 언어적, 인지적, 및/또는 운동적 반응의 선택/예측의 나타나는 척도를 완전히 드러내거나 비준하기 위해 복수의 데이터 세트를 혼합하거나, 복수의 데이터세트, 개인 및 양식 사이에서의 멀티-모드 반응의 혼합된 표현을 혼합하는데 또한 실패한다.

이러한 형태에서, 본 발명에 따른 중추 신경계, 자율 신경계, 및 작동체계 측정치를 이용하는 뇌 패턴 분석기 장치는 종래의 개념 및 설계로부터 실질적으로 벗어나며, 복수의 인구통계에 대해 청각/시각/촉각/후각/미각 자극에 대한 표현적 반응의 프리-조음(pre-articulation), 반응 표현 선택, 및 언어/인지/운동 반응의 신경-분석을 위한 메커니즘을 제공한다.

다양한 실시예에 따르면, 자극 물질에 대한 주의력, 점화력(priming), 기억력 및 감정적 반응 특성과 같은 특성들을 측정할 수 있을 뿐 아니라, 다양한 인구통계 군의 사용자에게 제공되는 자극 물질에 대한 언어/인지/운동 반응, 반응 표현 선택, 및 반응 표현의 프리-조음 예측의 신경 분석도 수행할 수 있는 기술 및 메커니즘이 제공된다.

다양한 실시예에 따르면, 뇌 패턴 분석기를 이용하여 소비자 경로를 따라 소비자 상태 및 구매 거동(예를 들어, 정보, 고려사항, 구매품, 충성도, 지지도)을 예측할 수 있다. 일부 예에서, 뇌 패턴 분석기는 그룹, 서브그룹, 개인에 대해 참, 거짓, 구매, 구매품, 획득, 정확, 부정확, 좋음, 싫음, 등과 같은 개념에 대한 신경학적 시그너처를 결정한다. 특정 신경학적 시그너처를 나타내는 자극 물질이 사용자에게 제공되고, 신경학적 시그너처를 검출하여 소비자 상태 및 거동을 예측한다. 다른 예에서, 실제 포스트 자극 소비자 거동과 함께 신경학적 반응이 다양한 자극 및 소비자 그룹 및 서브그룹에 대해 레코딩된다. 평가되는 자극 물질이 수신될 때, 복수의 대상자로부터의 신경-반응 데이터를 얻어, 이를 이용하여, 뇌 패턴 분석기 저장소의 대응하는 신경-반응 데이터를 찾아낸다. 대응하는 신경-반응 데이터와 관련된 소비자 상태 및 이에 따른 거동을 이용하여, 평가되는 자극 물질에 대한 소비자 상태 및 이에 따른 거동을 예측할 수 있다.

다양한 실시예에 따르면, 본 발명의 기술 및 메커니즘은 조사 기반 반응, 통계 데이터, 및/또는 신경-반응 측정(가령, 중추 신경계, 자율 신경계, 및 작동체 측정)과 같은 다양한 메커니즘을 이용하여, 뇌 패턴 분석을 개선시킬 수 있다. 중추 신경계 측정 메커니즘의 일부 예는, fMRI(Functional Magnetic Resonance Imaging), EEG(Elctroencephalography), MEG(Magnetoencephlography), 및 광학 이미징을 포함한다. 광학 이미징을 이용하여, 신경 단위 점화와 관련된 뇌 또는 신경의 화학 물질 농도에 관련된 빛의 흡수 또는 산란을 측정할 수 있다. MEG는 뇌의 전기적 활동에 의해 생성되는 자기장을 측정한다. fMRI는 신경 활동 증가와 상관되는 뇌 내의 혈 산화(blood oxygenation)를 측정한다. 그러나, fMRI의 현재의 구현예는 몇초 안되는 불량한 일시적 분해능을 갖는다. EEG는 밀리초 범위에서 발생하는 포스트 시냅스 전류(post synaptic current)와 상관된 전기적 활동을 측정한다. 두개하 EEG는, 뼈와 피층이 넓은 범위의 주파수 투과를 약화시키기 때문에, 가장 정확하게 전기적 활동을 측정할 수 있다. 그럼에도 불구하고, 표면 EEG는 적절히 분석될 경우 풍부한 전계-생리학적 정보를 제공한다. 건식 전극을 갖춘 휴대형 EEG 조차도 다량의 신경-반응 정보를 제공한다.

자율 신경계 측정 메커니즘은 GSR(Galvanic Skin Response), EKG(Electrocardiograms), 동공 확장(pupillary dilation: '산동'이라고도 함), 등을 포함한다. 작동체 측정 메커니즘은 EOG(Electrooculogrphy), 시선 추적(eye tracking), 표정 인코딩, 반응 시간, 등을 포함한다.

다양한 실시예에 따르면, 본 발명의 기술 및 메커니즘은, 복수의 모드 및 표현의 예지 신경 시그너처를 인지 신경 시그너처 및 포스트인지 신경학적 표현과 지능적으로 혼합하여 더욱 정확하게 뇌 패턴 분석을 수행할 수 있다. 일부 예에서, 자율 신경계 측정은 그 자체를 이용하여 중추 신경계 측정을 비준할 수 있다. 작동체 및 거동 반응은 다른 측정치와 혼합 및 조합된다. 다양한 실시예에 따르면, 중추 신경계, 자율 신경계, 및 작동체계 측정이 뇌 패턴 분석을 가능하게 하는 하나의 측정치로 집합화될 수 있다.

특정 실시예에서, 대상자는 자극 물질에 노출되고, 중추 신경계, 자율 신경계, 및 작동체 데이터와 같은 데이터가 노출 중 수집된다. 다양한 실시예에 따르면, 공명 데이터를 평가하는 복수의 구성요소 측정치를 집합화하는 공명 측정치를 결정하기 위해 데이터가 수집된다. 특정 실시예에서, 대상자가 자극에 노출되기 전과, 대상자가 자극에 노출된 후 각각의 시기마다 뇌의 여러 영역에 대해 구체적 사건 관련 전위(뇌파)(ERP) 분석 및/또는 사건 관련 파워 스펙트럼 섭동(ERPSP)이 평가된다.

다양한 실시예에 따르면, 뇌의 여러 영역에서 ERP 시간 도메인 구성요소의 프리-자극 및 포스트-자극 차이와, 표적 및 방해 자극 차이 측정치가 결정된다(DERP). 세타, 알파, 베타, 감마, 및 하이 감마를 포함하는, 그러나 이에 제한되지 않는, 복수의 주파수 대역에서 주의력, 감정, 및 기억력을 평가하기 위한 이러한 차이 반응의 사건 관련 시간-주파수 분석(DERPSP)이 수행된다. 특정 실시예에서, 단일의 시도 및/또는 평균화된 DERP 및/또는 DERPSP를 이용하여, 공명 측정치를 개선시킬 수 있고, 다양한 제품 및 서비스에 대한 점화 레벨을 결정할 수 있다.

엔터테인먼트 및 판매 물질, 미디어 스트림, 빌보드, 인쇄 광고, 테스트 스트림, 음악, 공연, 감각적 경험, 등과 같은 다양한 자극 물질이 분석될 수 있다. 자극 물질은 시각, 청각, 촉각, 후각, 미각, 등을 포함할 수 있다. 다양한 실시예에 따르면, 양식-내 측정치 개선 및 양식-간 측정치 개선을 모두 수행하는 데이터 분석기를 이용하여 개선된 신경-반응 데이터가 발생된다. 다양한 실시예에 따르면, 뇌 활동을 측정하여, 활동 영역을 결정할 수 있을 뿐 아니라, 다양한 영역들 간의 상호작용 및 상호작용의 타입을 결정할 수 있다. 본 발명의 기술 및 메커니즘은 신경 영역 간의 상호작용이 조직화 및 체계화된 거동을 지원함을 인지한다. 주의력, 감정, 기억, 및 그외 다른 능력은 뇌의 일부분에만 근거하는 것이 아니라, 뇌 영역들 간의 네트워크 상호작용에 의존한다.

본 발명의 기술 및 메커니즘은, 다-영역 통신에 사용되는 여러가지 주파수 대역들이 자극의 유효성을 표시할 수 있음을 또한 인지한다. 특정 실시예에서, 각각의 대상자에 대한 평가가 조정되고, 대상자들 간에 동기화된다. 특정 실시예에서, 프리 및 포스트 자극 차이를 측정하기 위한 기준선(baseline)을 생성하기 위해 대상자에 대해 템플릿이 생성된다. 다양한 실시예에 따르면, 자극 발생기는 지능형이어서, 분석되는 각각의 대상자에 대한 노출 길이 및 시간구간과 같은 특정 파라미터를 적응식으로 수정한다.

EEG, GSR, EKG, 동공 확대, EOG, 시선 추적, 표정 인코딩, 반응 시간, 등을 포함하는, 다양한 양식이 이용될 수 있다. EEG와 같은 개별 양식들은 신경 영역 통신 경로를 지능적으로 인지함으로써 개선된다. 중추 신경계, 자율 신경계, 작동체 시그너처의 합성 및 해석학적 혼합을 이용하여 양식간 분석이 개선된다. 시간 및 위상 시프트, 상관, 및 모드-내 결정 비준과 같은 메커니즘에 의한 합성 및 분석에 따라, 다양한 데이터 반응의 중요성을 특성화하는 복합 출력이 발생될 수 있다.

다양한 실시예에 따르면, 자극 물질이 분류되고 및/또는 태그되어, 유사 자극 물질 또는 자극 물질 부분을 식별하게 할 수 있다. 특정 실시예에서, 특정 그룹의 사용자에 대한, 조사-기반의 실제 표현되는 반응 및 액션이 자극 물질 및 신경-반응 데이터와 함께 통합되어 뇌 패턴 분석기 저장소에 저장된다. 특정 실시예에 따르면, 신경-반응 데이터를 분석함으로써, 다양한 자극 물질에 대한 표현 반응의 프리-조음 예측이 이루어질 수 있다. 특정 실시예에서, 뇌 패턴 분석기 저장소로부터, 앞서와 마찬가지로 분류되는 자극 물질을, 대응하는 신경 반응 데이터와 함께 획득하여, 평가되고 있는 자극 물질에 대한 표현 반응을 예측할 수 있다. 신경-반응 데이터를 이용하여, 감정, 기억의 측정치를 결정함에 추가하여, 대상자의 지각, 인지, 및/또는 운동 의향을 평가 및/또는 예측할 수 있다.

도 1은 중추 신경계, 자율 신경계, 및/또는 작동체 측정치를 이용하여 뇌 패턴 분석을 수행하는 시스템의 일례를 도시한다. 다양한 실시예에 따르면, 뇌 패턴 분석 시스템은 자극 제시 장치(101)를 포함한다. 특정 실시예에서, 자극 제시 장치(101)는 사용자에게 자극 물질을 디스플레이하는 디스플레이, 모니터, 스크린, 등에 불과하다. 자극 물질은 미디어 클립, 광고, 테스트 페이지, 브랜드 이미지, 공연, 잡지 광고, 영화, 오디오 제시일 수 있고, 특정 맛, 냄새, 직물, 및/또는 소리를 포함할 수도 있다. 자극은 다양한 감각을 포함할 수 있고, 사람의 감독 하에, 또는 사람의 감독없이 발생될 수 있다. 연속 모드 및 이산 모드가 지원된다. 다양한 실시예에 따르면, 자극 제시 장치(101)는 여러 시장에서 복수의 대상자에게 제공되는 자극의 지능형 맞춤화를 가능하게 하는 프로토콜 발생 기능을 또한 갖는다.

다양한 실시예에 따르면, 자극 제시 장치(101)는, 여러가지 네트워크, 로컬 네트워크, 케이블 채널, 연합 소스, 웹사이트, 인터넷 콘텐트 집합소, 포털, 서비스 제공자, 등으로부터 광고 및 엔터테인먼트를 포함한, 그러나 이에 제한되지 않는, 자극을 제시하기 위한 TV, 케이블 단말기, 컴퓨터 및 모니터, 프로젝션 시스템, 디스플레이 장치, 스피커, 촉각형 표면, 등과 같은 장치를 포함할 수 있다.

다양한 실시예에 따르면, 대상자(103)는 데이터 수집 장치(105)에 연결된다. 데이터 수집 장치(105)는 EEG, EOG, MEG, EKG, 동공 확대, 시선 추적, 표정 인코딩, 및 반응 시간 장치, 등과 같은 신경학적 및 신경생리학적 측정 시스템을 포함하는, 다양한 신경-반응 측정 메커니즘을 포함할 수 있다. 다양한 실시예에 따르면, 신경-반응 데이터는 중추 신경계, 자율 신경계, 및 작동체 데이터를 포함한다. 특정 실시예에서, 데이터 수집 장치(105)는 EEG(111), EOG(113), 및 fMRI(115)를 포함한다. 일부 예에서는, 단 하나의 데이터 수집 장치가 사용된다. 데이터 수집이 사람의 감독 하에, 또는 사람의 감독없이 진행될 수 있다.

데이터 수집 장치(105)는 복수의 소스로부터 신경-반응 데이터를 수집한다. 이는 중추 신경계 소스(EEG), 자율 신경계 소스(GSR, EKG, 동공 확대), 및 작동체 소스(EOG, 시선 추적, 표정 인코딩, 반응 시간)과 같은 장치들의 조합을 포함한다. 특정 실시예에서, 수집되는 데이터는 디지털 방식으로 샘플링되어 차후 분석을 위해 저장된다. 특정 실시예에서, 수집되는 데이터가 실시간으로 분석될 수 있다. 특정 실시예에 따르면, 디지털 샘플링 속도는 측정되고 있는 신경생리학적 및 신경학적 데이터에 근거하여 적응식으로 선택된다.

특정 일 실시예에서, 뇌 패턴 분석 시스템은 스칼프 레벨 전극을 이용하도록 구성된 EEG(111) 측정과, 시선 데이터를 추적하기 위해 차폐된 전극을 이용하도록 구성된 EOG(133) 측정과, 차이 측정 시스템을 이용하여 실행되는 fMRI(115) 츠정과, 안면 상의 특정 위치에 배치되는 차폐 전극을 통한 안면 근육 측정과, 각각의 개인에 대해 적응식으로 도출되는 안면 영향 그래픽 및 비디오 분석기를 포함한다.

특정 실시예에서, 데이터 수집 장치는 자극 제시 장치(101)와 클럭 동기화된다. 특정 실시예에서, 데이터 수집 장치(105)는 대상자의 상태, 수집 중인 데이터, 그리고 데이터 수집 기기를 연속적으로 모니터링하는 상태 모니터링 및 시각화 구성요소와, 경보, 자동 트리거를 제공하는 조건 평가 서브시스템을 또한 포함한다. 조건 평가 서브시스템은 또한, 시각적 경보를 제시할 수 있고, 치료용 액션을 자동적으로 트리거링할 수 있다. 다양한 실시예에 따르면, 데이터 수집 장치는 자극 물질에 대한 대상자 신경-반응을 모니터링하는 메커니즘을 포함할 뿐 아니라, 자극 물질을 식별 및 모니터링하기 위한 메커니즘을 또한 포함한다. 예를 들어, 데이터 수집 장치(105)는 채널 변화를 모니터링하기 위해 셋톱 박스와 동기화될 수 있다. 다른 예에서, 데이터 수집 장치(105)는 대상자가 자극물질에 더 이상 주의를 기울이지 않을 때를 모니터링하도록 지향성으로 동기화될 수 있다. 또 다른 예에서, 자극이 프로그램, 광고, 인쇄 물질, 또는 창 밖의 풍경인 지에 관계없이, 데이터 수집 장치(105)는 대상자가 보고 있는 자극 물질을 수신 및 저장할 수 있다. 수집되는 데이터를 이용하여, 신경-반응 정보를 분석할 수 있고, 정보를 (대상자가 관심을 거두지 않고 있는) 실제 자극 물질에 상관시킬 수 있다.

다양한 실시예에 따르면, 뇌 패턴 분석 시스템은 데이터 청소 장치(data cleanser device)(121)를 또한 포함한다. 특정 실시예에서, 데이터 청소 장치(121)는 고정식 및 적응식 필터링, 가중 평균화, 응용형 구성요소 추출(가령, PCA, ICA), 벡터 및 구성요소 분리 방법, 등을 이용하여, 노이즈, 아티팩트, 및 그외 다른 관련없는 데이터를 제거하기 위해 수집된 데이터를 필터링한다. 이 장치는 외인성 노이즈(소스가 대상자의 생리체계 외부에 있는 경우, 예를 들어, 대상자가 비디오를 보고있을 때 울리는 전화 소리)와 내인성 아티팩트(소스가 신경생리학적일 수 있는 경우, 예를 들어, 근육 움직임, 눈 깜박임, 등)를 모두 제거함으로써 데이터를 청소한다.

아티팩트 제거 서브시스템은, 반응 데이터를 선택적으로 분리시키고 리뷰하여, 라인 주파수, 눈 깜박임, 및 근육 움직임과 같은 아티팩트에 대응하는 시간 도메인 및/또는 주파수 도메인 속성을 갖는 시기를 식별하는 메커니즘을 포함한다. 그후 아티팩트 제거 서브시스템은 이 시기를 생략함으로써, 또는, 이러한 시기 데이터를 다른 깨끗한 데이터에 근거한 추정치(예를 들어, EEG 최근접 가중화 평균 기법)로 대체함으로써 아티팩트를 청소한다.

다양한 실시예에 따르면, 데이터 청소 장치(121)는 하드웨어, 펌웨어, 및/또는 소프트웨어를 이용하여 구현된다. 데이터 청소 장치(121)가 데이터 수집 장치(105) 다음에 배치되는 것으로 도시되고 있으나, 데이터 청소 장치(121)가 다른 구성요소처럼, 시스템 구현예에 기초하여 변하는 위치 및 기능을 가질 수 있다. 예를 들어, 일부 시스템은 자동화된 데이터 청소 장치를 이용하지 않을 수도 잇고, 다른 시스템에서는 데이터 청소 장치가 데이터 수집 장치 내로 통합될 수도 있다.

특정 실시예에서, 조사 및 인터뷰 시스템은 사용자 조사 및 인터뷰 반응을 수집하고 통합하여 신경-반응 데이터와 조합하여, 전달 콘텐트를 더욱 효과적으로 선택할 수 있다. 다양한 실시예에 따르면, 조사 및 인터뷰 시스템은 연령, 성별, 유입 레벨, 위치, 관심사, 구매 선호도, 취미, 등과 같은 사용자 특성에 관한 정보를 획득한다. 조사 및 인터뷰 시스템을 이용하여, 특정 조각의 자극 물질에 대한 사용자 응답을 획득할 수도 있다.

다양한 실시예에 따르면, 뇌 패턴 분석 시스템은 데이터 청소기(121)와 관련된 데이터 분석기(123)를 포함한다. 데이터 분석기(123)는 시스템 내 하부 데이터를 분석하기 위한 다양한 메커니즘을 이용하여 반응을 결정할 수 있다. 다양한 실시예에 따르면, 데이터 분석기(123)는 각각의 양식에서 각각의 개인에 대해 독립적인 신경학적 및 신경생리학적 파라미터들을 맞춤화하고 추출하여, 양식 내의, 그리고 양식 간의, 추정치를 혼합하여, 제시되는 자극 물질에 대한 개선된 응답을 나타내게 된다. 특정 실시예에서, 데이터 분석기(123)는 데이터세트 내 대상자들 간에 반응 측정치를 집합화한다.

다양한 실시예에 따르면, 시간 도메인 분석 및 주파수 도메인 분석을 이용하여 신경학적 및 신경-생리학적 시그너처들이 측정된다. 이러한 분석은 개인 간에 공통인 파라미터와, 각 개인에게 고유한 파라미터를 이용한다. 이러한 분석은 합성된 반응의 시간 및 주파수 성분으로부터의 통계적 파라미터 추출 및 퍼지 로직 기반 속성 추정을 또한 포함할 수 있다.

일부 예에서, 혼합된 유효성 추정에 사용되는 통계 파라미터는 주의력, 감정적 사항 및 기억력 반응의 비대칭, 피크, 제 1, 2 모멘트, 분포의 추정치 및, 퍼지 추정의 평가치를 포함한다.

다양한 실시예에 따르면, 데이터 분석기(123)는 양식-내 반응 합성기 및 양식-간 반응 합성기를 포함할 수 있다. 특정 실시예에서, 양식-내 반응 합성기는 각각의 양식에서 각각의 개인에 대해 독립적인 신경학적 및 신경-생리학적 파라미터들을 맞춤화하고 추출하여, 양식 내의 추정치를 해석학적으로 추정하여, 제시되는 자극에 대한 개선된 응답을 나타내게 된다. 특정 실시예에서, 양식-내 반응 합성기는 데이터세트 내 여러 다른 대상자들로부터의 데이터를 또한 집합화한다.

다양한 실시예에 따르면, 양식-간 반응 합성기 또는 퓨전 장치는, 원시 신호 및 신호 출력을 포함하는, 여러가지 양식-간 반응을 혼합한다. 신호들의 조합은 양식 내 유효성의 측정을 개선시킨다. 양식간 반응 퓨전 장치는 데이터 세트 내 여러 다른 대상자로부터의 데이터를 또한 집합화할 수 있다.

다양한 실시예에 따르면, 데이터 분석기(123)는 각각의 양식으로부터의 추정치와 개선된 반응을 조합하는 개선된 복합 유효성 추정기(CEEE)를 또한 포함하여, 혼합된 유효성 추정을 제공할 수 있다. 특정 실시예에서, 혼합된 추정은, 공명 특성을 평하기 위해 시간에 걸쳐 평가된다. 다양한 실시예에 따르면, 각각의 혼합된 추정치에 수치 값이 할당된다. 이러한 수치 값은 신경-반응 측정의 강도, 피크의 주목도, 피크 간의 변화, 등에 대응할 수 있다. 수치 값이 높다는 것은 신경-반응 강도의 주목도가 높다는 것을 의미할 수 있다. 수치 값이 낮다는 것은 신경-반응 활동의 주목도가 낮거나 무시할만한 수준임을 의미할 수 있다. 다른 예에서, 신경-반응 주목도의 혼합된 추정치는 그래픽 방식으로 제시되어 반복된 노출 후 변화를 나타내게 된다.

다양한 실시예에 따르면, 데이터 분석기(123)는, 반응 패턴을 평가 및 추출하는 공명 추정기에 데이터를 전달한다. 특정 실시예에서, 공명 추정기는 다양한 자극 세그먼트에서의 실체 위치를 결정하고, 단속성 운동(saccades)을 주의력, 기억력, 및 감정적 사항의 신경 평가와 상관시키면서, 위치 정보를 시선 추적 경로와 부합시킨다. 특정 실시예에서, 공명 추정기는 점화 저장소 시스템에 데이터를 저장한다. 시스템 내 다양한 구성요소들과 함께, 다양한 저장소들이 시스템의 나머지 및 사용자와 함께 배치될 수도 있고, 원격 위치에서 구현될 수도 있다.

다양한 저장소로부터의 데이터가 혼합되고 뇌 패턴 분석 엔진에 전달되어, 패턴, 반응, 및 예측(125)을 발생시킨다. 일부 실시예에서, 뇌 패턴 분석 엔진은 종래 사용자와 관련된 패턴 및 표현들을 분석하여 현 사용자의 패턴을 예측한다. 다양한 실시예에 따르면, 패턴 및 표현은 조사, 인구통계, 및 선호도 데이터와 상관된다. 특정 실시예에서, 언어, 지각, 및/또는 운동 반응이 나타나고 예측된다. 반응 표현 선택 및 표현적 반응의 프리-조음 예측이 또한 평가된다.

도 2는 뇌 패턴 분석 시스템에서 사용자일 수 있는 데이터 모델의 예를 도시한다. 다양한 실시예에서 자극 속성 데이터 모델(201)은 채널(203), 미디어 타입(205), 시간 구간(207), 청중(209), 및 인구통계 정보(211)를 포함한다. 자극 용도 데이터 모델(213)은 의향(215) 및 목적(217)을 포함한다. 다양한 실시예에 따르면, 자극 용도 데이터 모델(213)은 실체와, 셀치 사이에 나타나는 관계에 관한 공간적 및 시간적 정보(219)를 또한 포함한다.

다양한 실시예에 따르면, 다른 자극 속성 데이터 모델(221)은 생성 속성(223), 오너십 속성(225), 방송 속성(227), 그리고, 다른 속성과의 신경-생리학적 및 신경-거동적 반응을 자극과 관련된 메타-정보와 자동적으로 통합하기 위한, 통계, 인구통계, 및/또는 조사 기반 식별자(229)를 포함한다.

다양한 실시예에서, 자극 점화 데이터 모델(231)은 다양한 점화 레벨(237) 및 청중 공명 반응(239)와 관련될 수 있는 장면(235) 및 광고 중단(233)을 식별하기 위한 필드를 포함한다. 특정 실시예에서, 데이터 모델(231)은 점화 레벨 및 청중 공명 측정과 관련될 수 있는 광고, 장면, 이벤트, 위치, 등에 대한 시간적 및 공간적 정보를 제공한다. 일부 예에서, 다양한 제품, 서비스, 신청사항(offerings), 등에 대한 점화 레벨이 영화, 빌보드, 광고, 방송 광고, 가게 선반, 등과 같은 소스 물질의 시간적 및 공간적 정보와 상관된다. 일부 예에서, 데이터 모델은 점화되는 서비스 및 제품의 카테고리를 표시하는 프리-브레이크 콘텐트에 대한 한 세트의 메타-태그를 쇼의 각 초와 상관시킨다. 다양한 삽입 지점에서 제품 또는 서비스의 각 카테고리와 관련된 점화 레벨이 또한 제공될 수 있다. 다양한 장면 및 광고 중단에 대한 청중 공명 측정 및 최대 청중 공명 측정이 유지될 수 있고, 제품, 서비스, 신청사항, 등의 세트와 상관될 수 있다.

점화 및 공명 정보를 이용하여, 특정 레벨의 점화 및 공명에 적합한 자극 콘텐트를 선택할 수 있다.

도 3은 공명의 측정 및 추적과 관련된 정보의 저장에 사용될 수 있는 데이터 모델의 예를 도시한다. 다양한 실시예에 따르면, 데이터 세트 모델(301)은 실험명(303) 및/또는 식별자, 클라이언트 속성(305), 대상자 풀(307), 상세 계획 정보(logistics information)(예를 들어, 테스트의 위치, 날짜, 및 시간), 자극 물질(311)(자극 물질 속성 포함)을 포함한다.

특정 실시예에서, 대상자 속성 데이터 모델(315)은 대상자명(317) 및/또는 식별자, 연락 정보(321), 및 (신경학적 및 신경-생리학적 데이터의 리뷰에 사용될 수 있는) 인구통계 속성(319)을 포함한다. 적절한 인구통계 속성의 일부 예는 결혼 상태, 고용 상태, 직업, 가구 수입, 가구 크기 및 가구 구성원, 민족성, 지리적 위치, 성별, 인종, 등을 포함한다. 데이터 모델(315)에 포함될 수 있는 다른 필드로는, 쇼핑 선호도, 엔터테인먼트 선호도, 및 경제적 선호도와 같은 대상자 선호도(323)가 있다. 쇼핑 선호도는 선호 매장, 쇼핑 빈도, 쇼핑 품목, 선호 브랜드를 포함한다. 엔터테인먼트 선호도는 네트워크/케이블/위성 액세스 기능, 선호 쇼, 선호 쟝르, 및 선호 배우를 포함한다. 경제적 선호도는 선호 보험 회사, 선호 투자 형태, 금융 선호도, 및 선호 온라인 금융 회사를 포함한다. 다양한 제품 및 서비스 속성과 선호도가 또한 포함될 수 있다. 다양한 대상자 속성이 대상자 속성 데이터 모델(315)에 포함될 수 있고, 데이터 모델이 기설정되어 있을 수도 있고, 특정 용도에 부합하도록 맞춤형으로 발생될 수도 있다.

다양한 실시예에 따르면, 신경-피드백 관계(325)에 대한 데이터 모델은 실험적 프로토콜(327), 포함되는 양식(329)(가령, EEG, EOG, GSR), 수행되는 조사, 그리고, 실험 설계 파라미터(333)(가령, 세그먼트 및 세그먼트 속성)를 식별한다. 다른 필드로는 실험 제시 스크립트, 세그먼트 길이, 세그먼트 세부사항(가령, 사용되는 자극 물질, 대상자-간 변화, 대상자-내 변화, 명령, 제시 순서, 사용되는 조사 질문, 등)이 있을 수 있다. 다른 데이터 모델은 데이터 수집 데이터 모델(337)을 포함할 수 있다. 다양한 실시예에 따르면, 데이터 수집 데이터 모델(337)은 레코딩 속성(339)(가령, 스테이션 및 위치 식별자, 레코딩 날짜 및 시간, 조작자 세부사항, 등)을 포함한다. 특정 실시예에서, 장비 속성(341)은 증폭기 식별자 및 센서 식별자를 포함한다.

레코딩되는 양식(343)은 사용되는 필터, 샘플링 주파수, 액티브 채널, EEG 캡 레이아웃과 같은 양식 특정 속성을 포함할 수 있다. EOG 특정 속성은 사용되는 센서의 수 및 타입, 부착되는 센서의 위치, 등을 포함한다. 시선 추적 특정 속성은 사용되는 추적기의 타입, 데이터 레코딩 주파수, 레코딩되는 데이터, 레코딩 포맷, 등을 포함한다. 다양한 실시예에 따르면, 데이터 저장 속성(345)은 파일 저장 규약(포맷, 명칭법, 날짜 규약), 저장 위치, 기록 속성, 만료 속성, 등을 포함한다.

기설정 질의 데이터 모델(349)은 질의명(351) 및/또는 식별자, 액세스되는 데이터 컬렉션(353)(예를 들어, 관련 데이터 세그먼트(모델, 데이터베이스/큐브, 테이블, 등)), 누가 어떤 타입의 액세스를 갖는 지에 관한 액세스 보안 속성(355), 질의 만료, 리프레시 주파수, 등과 같은 리프레시 속성(357)을 포함한다. 자동 푸시 보고 구동기 또는 사용자-종동 보고서 불러오기 시스템을 식별하기 위해 푸시-풀 선호도와 같은 다른 필드도 또한 포함될 수 있다.

도 4는 뇌 패턴 분석과 관련된 데이터를 얻기 위해 수행될 수 있는 질의의 예를 도시한다. 다양한 실시예에 따르면, 질의는 일반적인 또는 맞춤화된 스크립팅 언어로부터 규정되고, 시각적 메커니즘, 기설정 질의들의 라이브러리, 드릴-다운 진단을 포함하는 진단 질의, 및 가정 시나리오 표현을 구성한다. 다양한 실시예에 따르면, 대상자 속성 질의(415)는 인구통계 속성(419)과, 테스트 시간 및 날짜와 같은 세션 정보(421)와, 위치(417) 또는 지리적 정보를 이용하여 신경-정보 저장소로부터 데이터를 얻도록 구성될 수 있다. 인구통계 속성은 가구 수입, 가구 크기 및 상태, 교육 수준, 자녀 연령, 등을 포함한다.

다른 질의는 대상 참가자의 쇼핑 선호도, 용모, 생리학적 평가, 완성 상태에 기초하여 자극 물질을 불러들일 수 있다. 예를 들어, 사용자는 제품 분류, 쇼핑한 제품, 자주 방문하는 점포, 대상자 시력 교정 상태, 색맹 여부, 대상자 상태, 측정되는 반응의 신호 강도, 알파 주파수 대역 링어, 근육 움직임 평가, 완료된 세그먼트, 등과 관련된 데이터에 대해 질의할 수 있다. 실험적 설계에 기반한 질의는 실험 프로토콜(427), 제품 분류(429), 포함된 조사(431), 및 제공된 자극(433)에 근거하여 신경-정보 저장소로부터 데이터를 얻을 수 있다. 사용될 수 있는 다른 필드는 사용되는 프로토콜 반복의 수, 사용되는 프로토콜의 조합, 및 조사의 이용 구조(usage configuration of surveys)를 포함한다.

고객 및 산업 지반 질의는 테스트에 포함되는 산업의 타입, 테스트되는 구체적 분류, 관련된 고객 회사, 및 테스트되는 브랜드에 근거하여 데이터를 얻을 수 있다. 반응 평가 기반 질의(437)는 주의 점수(439), 감정 점수(441), 기억력 점수(443), 유효성 점수(445)를 포함할 수 있다. 이러한 질의는 특정 점수를 나타내는 물질을 얻을 수 있다. 특정 실시예에서, 예측 질의는 언어 반응(449), 지각 반응(451), 인지 반응(453), 및 운동 반응(455)을 포함할 수 있다.

반응 측정 프로파일 기반 질의는 평균 측정 임계치, 분산 측정, 검출된 피크의 수, 등을 이용할 수 있다. 그룹 반응 질의는 평균, 분산, 첨도(kurtosis), p-값, 등과 같은 그룹 통계와, 그룹 크기와, 이상치(outlier) 평가 측정치를 포함할 수 있다. 또 다른 질의는 테스트 위치, 시간 주기, 테스트 반복 카운트, 테스트 스테이션, 테스트 조작자 필드와 같은 테스트 속성을 포함할 수 있다. 다양한 타입 및 질의 타입의 조합을 이용하여 데이터를 효과적으로 추출할 수 있다.

도 5는 발생될 수 있는 보고서의 예를 도시한다. 다양한 실시예에 따르면, 고객 평가 요약 보고서(501)는 유효성 측정치(053), 구성요소 평가 측정치(505) 및 공명 측정치(507)를 포함한다. 유효성 평가 측정치는 시간에 따른 유효성 프로파일의 전개와, 정밀 튜닝 특정 요소, 세그먼트 수정, 또는 물질 제거와 같은 액션가능한 그룹형성 평가와, 산업/카테고리/고객 특정 배치(퍼센트, 순위, 등)와, 복합 평가 측정치를 포함한다. 특정 실시예에서, 구성요소 평가 보고서는 주의력, 감정적 사항 점수, 퍼센트 배치, 순위, 등과 같은 구성요소 평가 측정치를 포함한다. 구성요소 프로파일 측정치는 프로파일 통계 평가와, 구성요소 측정치의 시간 기반 전개를 포함한다. 다양한 실시예에 따르면, 보고서는 물질이 평가되는 횟수, 사용되는 복수 제시의 속성, 복수 제시에 걸친 반응 평가 측정치의 전개, 및 이용 추천사항을 포함한다.

다양한 실시예에 따르면, 고객 누적 보고서(511)는 평가되는 자극의 시간/위치 그룹 보고(517)와, 평가되는 자극의 캠페인 그룹 보고(515), 및 평가되는 모든 자극의 미디어 그룹 보고(513)를 포함한다. 다양한 실시예에 따르면, 산업 누적 및 신디케이트 보고서(521)는 집합적 평가 반응 측정치(523), 고실적군(top perfomer) 리스트(525), 저실적군(bottom performer) 리스트, 이상치(529), 및 트렌드 보고(531)를 포함한다. 특정 실시예에서, 추적 및 보고는 특정 제품, 분류, 회사, 브랜드를 포함한다. 다양한 실시예에 따르면, 예측 보고서(533)가 또한 발생된다. 예측 보고서는 브랜드 친화도 예측(535), 제품 경로 예측(537), 및 구매 의향 예측(539)을 포함할 수 있다.

도 6은 뇌 패턴 분석의 일례를 도시한다. 단계 601에서, 자극 물질이 복수의 대상자에게 제공된다. 다양한 실시예에 따르면, 자극은 비디오 및 오디오의 스트리밍을 포함한다.특정 실시예에서, 대상자는 자신의 집에서 그룹으로 또는 개별적 세팅으로 자극을 본다. 일부 예에서, 신경-반응 측정없이 이용을 위해 구두(verbal) 및 수기(written) 반응이 수집된다. 다른 예에서, 구두 및 수기 반응은 신경-반응 측정과 상관된다. 단계 603에서, EEG, ERP, EOG, GSR, 등과 같은 다양한 양식을 이용하여 대상자 신경-반응 측정을 수집한다. 단계 605에서, 데이터의 해석을 더욱 어렵게 만드는 노이즈 및 아티팩트를 제거하기 위해 데이터가 데이터 청소기를 통과한다. 다양한 실시예에 따르면, 데이터 청소기는 깜박임 및 다른 내인성/외인성 아티팩트와 관련된 EEG 전기적 활동을 제거한다.

다양한 실시예에 따르면, 데이터 분석이 수행된다. 데이터 분석은 양식-내 반응 합성과, 양식-간 반응 합성을 포함하여, 유효성 측정을 개선시킬 수 있다. 일부 특정 예에서, 일 타입의 합성이 다른 타입의 합성 수행없이 수행될 수 있다. 예를 들어, 양식-간 반응 합성이 양식-내 합성과 함께, 또는, 양식-내 합성없이 수행될 수 있다.

다양한 메커니즘을 이용하여 데이터 분석을 수행할 수 있다. 특정 실시예에서, 자극 속성 저장소에 액세스하여, 용도, 의향, 목적, 등과 함께, 자극물질의 속성 및 특성을 얻는다. 특정 실시예에서, EEG 반응 데이터를 합성하여 개선된 유효성 평가를 제공한다. 다양한 실시예에 따르면, EEG는 뇌의 서로 다른 부분과 관련된 수천개의 동시적 신경 프로세스로부터 발생하는 전기적 활동을 측정한다. EEG 데이터는 다양한 대역에서 분류될 수 있다. 다양한 실시예에 따르면, 뇌파 주파수는 델타, 세타, 알파, 베타, 및 감마 주파수 범위를 포함한다. 델타-파는 4Hz보다 작은 주파수로 분류되고, 깊은 잠을 자는 동안 현저하게 나타난다. 세타-파는 3.5 내지 7.5 Hz 사이의 주파수를 가지며, 기억, 주의력, 감정, 감각과 관련된다. 세타-파는 내부 초점(internal focus)의 상태 중 일반적으로 현저하게 나타난다.

알파 주파수는 7.5 내지 13 Hz 사이에 위치하며, 10Hz 근처에서 피크를 나타내는 것이 일반적이다. 알파-파는 이완 상태 중 현저하게 나타난다. 베타-파는 14 내지 30 Hz 사이의 주파수 범위를 갖는다. 베타-파는 의사 결정, 판단, 해석학적 문제 해결, 뇌 영역들 간의 긴 범위 동기화, 운동 제어 상태 중 현저하게 나타난다. 감마-파는 30 내지 60 Hz 사이에서 발생하며, 주의력 및 기억력에서 뿐만 아니라, 소정의 인지 또는 운동 기능을 수행하기 위한 용도를 위해 신경들의 서로 다른 부분을 하나의 신경망으로 묶는 과정에 포함된다. 두개골 및 피층이 이러한 주파수 버위의 파들을 감소시키기 때문에, 75-80Hz 이상의 뇌파는 검출이 어렵고, 자극 반응 평가를 위해 자주 사용되지 않는다.

그러나, 본 발명의 기술 및 메커니즘은, 세타, 알파, 베타, 및 로우 감마 대역 측정에 추가하여, 하이 감마 대역(카파-대역, 60Hz 이상) 측정의 분석이 신경학적 주의력, 감정적 사항, 및 기억력 성분 추정을 개선시킴을 인지한다. 특정 실시예에서, 하이 감마 또는 카파 대역 측정을 검출하기 어려운 EEG 측정이 획득되고, 개선되며, 평가된다. 세타, 알파, 베타, 감마, 및 카파 대역 내 대상자 및 작업 특정 시그너처 서브-대역이 식별되어 개선된 반응 추정을 제공한다. 다양한 실시예에 따르면, 80Hz 이상의 하이 감마-파(카파 대역)(일반적으로 서브-크래니얼 EEG 및/또는 뇌자도(magnetoencephalography))를 자극에 대한 주파수 반응의 역 모델 기반 개선에 사용될 수 있다.

본 발명의 다양한 실시예는, 각 주파수 내의 특정 서브대역들이 소정의 활동 중 특별한 현저함을 나타낸다는 것을 인지한다. 특정 대역 내 주파수 서브세트는 서브대역이라 불린다. 예를 들어, 일 서브대역이 감마 대역 내 40-45Hz 범위를 포함할 수 있다. 특정 실시예에서, 서로 다른 대력 내의 복수의 서브대역이 선택되고 나머지 주파수들은 대역 통과 필터링된다. 특정 실시예에서, 복수의 서브대역 반응이 개선될 수 있고, 나머지 주파수 반응들은 감쇠될 수 있다.

정보 이론 기반 대역-가중화 모델은 선택적 데이터 세트 특정, 대상자 특정, 작업 특정 대역의 적응성 추출을 위해 사용되어 유효성 측정을 개선시킨다. 적응성 추출은 퍼지 스케일링(fuzzy scaling)을 이용하여 수행될 수 있다. 자극은 복수의 제시사항 간의 변화 프로파일을 결정하기 위해 복수회 결정되는 제시 및 개선된 측정일 수 있다. 다양한 프로파일을 결정함으로써, 쇼핑 및 엔터테인먼트 자극의 수명뿐 아니라 주-반응의 평가를 개선시킬 수 있다. 콘서트에서 제시되는 자극에 대한 복수의 개인의 동기적 반응은 유효성의 대상자 동기성 측정 간에 개선점을 결정하도록 측정된다. 다양한 실시예에 따르면, 동기식 반응은 동일 위치에 배치된 복수의 대상자에 대해, 또는, 서로 다른 위치에 놓인 복수의 대상자에 대해 결정도리 수 있다.

다양한 합성 메커니즘이 설명되지만, 임의의 개수의 메커니즘이 직렬로, 또는 병렬로, 메커니즘 간 상호작용과 함께, 또는 메커니즘 간 상호작용없이, 적용될 수 있음을 이해하여야 할 것이다.

양식-내 합성 메커니즘이 개선된 주목도 데이터를 제공하지만, 추가적인 양식-간 합성 메커니즘도 적용될 수 있다. EEG, 시선 추적, GSR, EOG, 표정 인코딩과 같은 다양한 메커니즘이 양식-간 합성 메커니즘에 연결된다. 다른 메커니즘과, 기존 메커니즘에 대한 변화 및 개선사항이 또한 포함될 수 있다. 다양한 실시예에 따르면, 특정 양식으로부터의 데이터가, 하나 이상의 다른 양식으로부터의 데이터를 이용하여 개선될 수 있다. 특정 실시예에서, EEG는 알파, 베타, 감마, 등과 같은 서로 다른 대역에서 주파수 측정을 행하여, 주목도의 추정을 제공한다. 그러나, 본 발명의 기술은 중요도 측정이 다른 양식으로부터의 정보를 이용하여 추가적으로 개선될 수 있음을 인지한다.

예를 들어, 표정 인코딩 측정을 이용하여 EEG 감정 사항 측정의 유의성(valence)을 개선시킨다. 대상 실체의 EOG 및 시선 추적의 경련 측정을 이용하여, 기억력, 감정적 사항, 및 기억력을 포함하는, 그러나 이에 제한되지 않는, 주목도의 EEG 추정을 개선시킬 수 있다. 다양한 실시예에 따르면, 양식-간 합성 메커니즘이 서로 다른 양식들로부터의 데이터를 정렬시키도록 데이터의 시간 및 위상 시프트를 수행한다. 일부 예에서, 표정 측정 변화 시기의 수백밀리초 이전에 EEG 반응이 자주 나타날 것임을 이해할 수 있다. 상관이 이루어지고 개인 단위로 그리고 그룹 단위로 시간 및 위상 시프트가 이루어진다. 다른 예에서, 특정 EEG 반응 전후로 발생하는 경련형 시선 움직임이 결정될 수 있다. 다양한 실시예에 따르면, 시간 교정된 GSR 특정을 이용하여 감쇠, 감정적 사항, 및 기억력 측정을 포함한 주목도의 EEG 추정을 스케일링 및 개선시킬 수 있다.

특정 영역에서 (DERP와 같은) 특정 시간 도메인 차이 이벤트-관련 전위 성분의 발생 증거 또는 발생하지 않은 증거는 특정 자극에 대한 대상자 반응성과 상관된다. 다양한 실시예에 따르면, ERP 측정은 쇼핑 및 엔터테인먼트 자극의 제시에 따라 EEG 시간-주파수 측정(ERPSP)을 이용하여 개선된다. 특정 부분을 추출 및 분리시켜서, 수행해야할 ERP, DERP, 및 DRPSP 분석을 식별한다. 특정 실시예에서, 주의력, 감정, 및 기억력의 EEG 주파수 추정(ERPSP)을, ERP, DERP, 및 시간-도메인 반응 분석을 개선시킴에 있어 공통 인자로 사용한다.

EOG는 자극의 특정 개체에 주의력의 존재를 결정하기 위한 단속적 운동(saccades)을 측정한다. 시선 추적은 자극의 특정 개체에 대한 대상자의 주시 경로, 위치, 망설임(dwell)을 측정한다. 다양한 실시예에 따르면, EOG 및 시선 추적은 EOG 및 시선 추적 측정의 주목도를 추정하기 위해 단속적 운동-개시의 경사에 의해 트리거링되는, 후두부 및 가로무늬 피질 영역에서 진행중인 EEG의 람다-파(단속적 운동 유효성의 신경생리학적 인덱스)의 존재를 측정함으로써 개선된다. 특정 실시예에서, 단속적 운동-개시에 선행하는 FEF(Frontal Eye Field) 영역에서의 시간-주파수 반응에서의 코히어런스의 측정과 느린 전위 시프트와 같은 활동의 특정 EEG 시그너처가, 단속적 운동의 유효성을 개선시키기 위해 측정된다.

GSR은 제시되는 자극에 따른 일반적인 각성의 변화를 측정한다. 다양한 실시예에 따르면, GSR은 대상자 사항의 개선된 추정을 얻기 위해 EEG/ERP 반응 및 GSR 측정을 상관시킴으로써 개선된다. GSR 대기시간 기준선(latency baselines)은 자극에 대한 시간-교정 GSR 반응을 구성하는데 사용된다. 시간-교정 GSR 반응은 GSR 중요도 측정을 개선시키기 위해 EEG 측정과 공통 인자가 된다.

다양한 실시예에 따르면, 표정 인코딩은 테스트 세션 이전에 다양한 감정을 표현하는 개인의 안면 근육 위치 및 움직임을 측정함으로써 발생되는 템플릿을 이용한다. 이러한 개인 특정 표정 인코딩 템플릿은 대상자 감정 반응을 식별하기 위해 개인 반응과 매칭된다. 특정 실시예에서, 이러한 표정 인코딩 측정은 특정 주파수 대역에서의 EEG 반응의 반구-간 비대칭을 평가함으로써, 그리고, 주파수 대역 상호작용을 측정함으로써, 개선된다. 본 발명의 기술은 EEG 반응에서의 특정 주파수 대역이 주목되는 것만이 아니라, 뇌의 특정 영역들 사이의 통신에 사용되는 특정 주파수 대역도 주목할만한 것임을 인지한다. 결과적으로, 이러한 EEG 반응은 EMG, 그래픽 및 비디오 기반 표정 식별을 개선시킨다.

다양한 실시예에 따르면, 뇌의 복수의 영역에서 ERP 시간 도메인 성분의 포스트-자극 대 프리-자극 차이 측정이 단계 607에서 뇌의 복수의 영역에서 측정된다. 이러한 차이 측정은 자극에 기인한 반응을 나타내기 위한 메커니즘을 제공한다. 예를 들어, 광고로 기인한 메시징 반응이나, 복수의 브랜드에 기인한 브랜드 반응은 프리-공명 및 포스트-공명 추정을 이용하여 결정된다.

단계 609에서, 노의 여러 영역에 대해 표적 대 방해 자극 차이 반응(DERP)이 결정된다. 단계 611에서, 차이 반응의 사건 관련 시간-주파수 분석(DERPSP)을 이용하여, 복수의 주파수 대역 간에 주의력, 감정 및 기억력 측정을 평가한다. 다양한 실시예에 따르면, 복수의 주파수 대역이 세타, 알파, 베타, 감마, 및 하이-감마 또는 카파를 포함한다.

단계 613에서, 조사 반응 및 이에 따라 거동 정보가 통합된다. 다양한 실시예에 따르면, 조사 반응 및 결과적인 거동 정보가 인구통계 정보와 함께, 다양한 지리적 및 인구통계 그룹에서 다수의 대상자에 대한 신경-반응 데이터와 통합된다. 단계 617에서, 복수의 시도를 행하여 측정을 개선한다. 단계 619에서, 뇌 패턴 분석기 저장소에 통합된 데이터가 전송된다. 사용자에 관한 정보를 이용하여 새 자극 물질에 대한 노출로부터 나타나는 거동 및 이에 따른 신경-반응 데이터를 예측하는데 뇌 패턴 분석기 저장소가 사용될 수 있다. 다양한 실시예에 따르면, 좋아함, 싫어함, 구매량, 구매, 획득, 충성도, 등과 같은 개념에 대한 신경학적 시그너처가 뇌 패턴 분석기 저장소에 다양한 그룹, 서브그룹, 및 개인에 대해 저장된다. 신경학적 시그너처는 DERP 및/또는 DERPSP에 대응할 수 있다.

도 7은 뇌 패턴 분석을 위한 기술의 일례를 도시한다. 단계 701에서, 소스 물질의 특성이 결정된다. 다양한 실시예에 따르면, 소스 물질 자체가 다양한 제품, 서비스, 및 신청사항에 대한 점화 레벨을 표시하는 다양한 공간적 및 시간적 위치와 관련된 메타태그를 포함한다. 이러한 특성은 개인화 저장소 시스템으로부터 얻을 수도 있고, 데이터 분석기로부터 동적으로 얻을 수도 있다. 단계 703에서, 신경-반응 데이터가 복수의 양식을 이용하여 복수의 사용자에 대해 획득된다. 단계 705에서, 조사 및 이에 따른 거동 정보가 뇌 패턴 분석기 저장소로부터 통합된다.

다양한 실시예에 따르면, 단계 707에서 자극 물질이 분류되고, 유사 태그 및 특성을 갖는 다른 자극 물질이 식별된다. 일부 예에서, 자극 물질은 특성화될 필요가 없고, 신경학적 시그너처는 소비자 상태 및 거동을 예측하는데 사용될 수 있다. 단계 709에서, 사용자 지각, 인지, 및 운동 의향이 예측된다. 특정한 실시예에서, 유사한 자극 물질에 대한 유사한 신경-반응 패턴이 미리 나타난 표현을 결정하기 위해 참조된다.

다양한 실시예에 따르면, 데이터 수집 메커니즘, 양식-내 합성 메커니즘, 양식-간 합성 메커니즘, 등과 같은 다양한 메커니즘이 복수의 장치 상에 구현된다. 그러나, 단일 시스템 내에 다양한 메커니즘들이 하드웨어, 펌웨어, 및/또는 소프트웨어적으로 구현될 수도 있다. 도 8은 하나 이상의 메커니즘을 구현하는데 사용될 수 있는 시스템의 일례를 제공한다. 예를 들어, 도 8에 도시되는 시스템은 공명 측정 시스템을 구현하는데 사용될 수 있다.

특정 실시예에 따르면, 본 발명의 특정 실시예를 구현하기에 적합한 시스템(800)은 프로세서(801), 메모리(803), 인터페이스(811), 및 버스(815)(가령, PCI 버스)를 포함한다. 적절한 소프트웨어 또는 펌웨어의 제어 하에 작용할 때, 프로세서(801)는 패턴 발생과 같은 이러한 작업에 책임이 있다. 프로세서(801) 대신에, 또는, 프로세서(801)에 추가하여, 특별히 구성된 다양한 장치들이 또한 사용될 수 있다. 완전한 구현의 맞춤형 하드웨어에서 구현될 수도 있다. 인터페이스(811)는 네트워크를 통해 데이터 패킷 또는 데이터 세그먼트를 송신 및 수신하도록 구성되는 것이 일반적이다. 장치가 지원하는 인터페이스의 특정 예는 호스트 버스 어댑터(HBA) 인터페이스, 이더넷 인터페이스, 프레임 릴레이 인터페이스, 케이블 인터페이스, DSL 인터페이스, 토큰 링 인터페이스, 등이 있다.

특정 실시예에 따르면, 시스템(800)은 메모리(803)를 이용하여 데이터, 알고리즘, 및 프로그램 명령을 저장한다. 프로그램 명령은 예를 들어, 운영 체제 및/또는 하나 이상의 애플리케이션의 작동을 제어할 수 있다. 메모리는 수신한 데이터를 저장 및 처리하도록 구성될 수 있다.

이러한 정보 및 프로그램 명령을 이용하여 여기서 설명되는 시스템/방법을 구현할 수 있기 때문에, 본 발명은 여기서 설명되는 다양한 작동을 수행하기 위한 프로그램 명령, 상태 명령, 등을 포함하는, 유형의, 기계로 판독가능한 매체에 관련된다. 기계 판독형 매체의 예로는 CD-ROM 디스크 및 DVD와 같은 광학 매체, 광학 디스크와 같은 자기-광학 매체, ROM 및 RAM과 같은 프로그램 명령들을 저장 및 실행하도록 특별히 구성된 하드웨어 장치를 포함하지만, 이에 제한되지 않는다. 프로그램 명령의 예로는 컴파일러, 등에 의해 생성되는 기계 코드와, 인터프리터를 이용하여 컴퓨터에 의해 실행될 수 있는 하이어 레벨 코드를 지닌 파일, 등이 있다.

여기서 기재된 예들은 설명을 돕기 위한 목적으로 제시되는 예시적인 사항일 뿐이며, 본 발명의 범위를 제한하고자 하는 것이 아니다. 본 발명의 범위 내에서 수많은 수정 및 변형예가 가능하며, 본 발명의 범위는 청구범위에 의해서만 규정된다.

Claims

대상자에게 제시하기 위한 자극 물질의 특성을 결정하는 단계와,
자극 물질에 노출되는 대상자로부터 신경-반응 데이터를 획득하는 단계와,
신경-반응 데이터를 이용하여 뇌 패턴 분석기 저장소를 참조함으로써 자극 물질에 노출되는 대상자의 표현 반응을 예측하는 단계로서, 상기 뇌 패턴 분석기 저장소는 대상자에게 제시되는 자극 물질에 대응하는 특성을 갖는 물질에 노출되는 복수의 대상자로부터 수집되는, 통합된 표현 반응 및 신경-반응 데이터를 포함하는, 단계
를 포함하는, 방법.
제 1 항에 있어서,
표현 반응은 지각(perception)을 포함하는, 방법.
제 1 항에 있어서,
표현 반응은 인지(cognition)를 포함하는, 방법.
제 1 항에 있어서,
표현 반응은 운동 의향을 포함하는, 방법.
제 1 항에 있어서,
신경-반응 데이터는 EEG(Electroencephalography) 및 EOG(Electroculography)를 포함하는, 복수의 양식을 이용하여 수집되는, 방법.
제 1 항에 있어서,
신경-반응 데이터를 획득하는 단계는, 뇌의 복수의 영역에서 ERP(Event Related Potential) 시간 도메인 성분의 차이 측정을 결정하기 위해 표적 및 방해 자극 ERP를 획득(DERP)하는 단계를 포함하는, 방법.
제 1 항에 있어서,
신경-반응 데이터를 획득하는 단계는, 복수의 주파수 대역에서 주의력, 감정, 및 기억력을 평가하기 위해 차이 반응의 사건 관련 시간-주파수 분석을 획득(DERPSP)하는 단계를 포함하는, 방법.
제 1 항에 있어서,
뇌 패턴 분석기 저장소는 넓은 범위의 특성을 갖는 물질에 노출되는 복수의 대상자에 대한 통합된 조사 반응, 표현적 표현, 및 신경-반응 데이터를 포함하는, 방법.
제 1 항에 있어서,
표현 반응은 언어, 지각, 및 운동 반응을 포함하는, 방법.
제 1 항에 있어서,
표현 반응을 예측하는 단계는, 자극 물질에 노출되는 대상자에 대한 신경학적 시그너처를 결정하는 단계를 포함하는, 방법.
대상자에게 제시하기 위한 자극 물질의 특성을 결정하도록 구성되는 자극 제시 장치와,
자극 물질에 노출되는 대상자로부터 신경-반응 데이터를 획득하도록 구성되는 데이터 수집 장치와,
신경-반응 데이터를 이용하여 뇌 패턴 분석기 저장소를 참조함으로써 자극 물질에 노출되는 대상자의 표현 반응을 예측하도록 구성되는 데이터 분석기로서, 상기 뇌 패턴 분석기 저장소는 대상자에게 제시되는 자극 물질에 대응하는 특성을 갖는 물질에 노출되는 복수의 대상자로부터 수집되는, 통합된 표현 반응 및 신경-반응 데이터를 포함하는, 상기 데이터 분석기
를 포함하는, 장치.
제 11 항에 있어서,
표현 반응은 지각(perception)을 포함하는, 장치.
제 11 항에 있어서,
표현 반응은 인지(cognition)를 포함하는, 장치.
제 11 항에 있어서,
표현 반응은 운동 의향을 포함하는, 장치.
제 11 항에 있어서,
신경-반응 데이터는 EEG(Electonencephalography) 및 EOG(Electroculography)를 포함하는, 복수의 양식을 이용하여 수집되는, 장치.
제 11 항에 있어서,
신경-반응 데이터를 획득하는 구성은, 뇌의 복수의 영역에서 ERP(Event Related Potential) 시간 도메인 성분의 차이 측정을 결정하기 위해 표적 및 방해 자극 ERP를 획득(DERP)하는 구성을 포함하는, 장치.
제 11 항에 있어서,
신경-반응 데이터를 획득하는 구성은, 복수의 주파수 대역에서 주의력, 감정, 및 기억력을 평가하기 위해 차이 반응의 사건 관련 시간-주파수 분석을 획득(DERPSP)하는 구성을 포함하는, 장치.
제 11 항에 있어서,
뇌 패턴 분석기 저장소는 넓은 범위의 특성을 갖는 물질에 노출되는 복수의 대상자에 대한 통합된 조사 반응, 표현적 표현, 및 신경-반응 데이터를 포함하는, 장치.
제 11 항에 있어서,
표현 반응은 언어, 지각, 및 운동 반응을 포함하는, 장치.
대상자에게 제시하기 위한 자극 물질의 특성을 결정하는 수단과,
자극 물질에 노출되는 대상자로부터 신경-반응 데이터를 획득하는 수단과,
신경-반응 데이터를 이용하여 뇌 패턴 분석기 저장소를 참조함으로써 자극 물질에 노출되는 대상자의 표현 반응을 예측하는 수단으로서, 상기 뇌 패턴 분석기 저장소는 대상자에게 제시되는 자극 물질에 대응하는 특성을 갖는 물질에 노출되는 복수의 대상자로부터 수집되는, 통합된 표현 반응 및 신경-반응 데이터를 포함하는, 표현 반응 예측 수단
을 포함하는, 시스템.