KR20220042444A - 감각 자극에 대한 장기 쾌락 반응 예측 - Google Patents

감각 자극에 대한 장기 쾌락 반응 예측 Download PDF

Info

Publication number
KR20220042444A
KR20220042444A KR1020227007543A KR20227007543A KR20220042444A KR 20220042444 A KR20220042444 A KR 20220042444A KR 1020227007543 A KR1020227007543 A KR 1020227007543A KR 20227007543 A KR20227007543 A KR 20227007543A KR 20220042444 A KR20220042444 A KR 20220042444A
Authority
KR
South Korea
Prior art keywords
individual
term
long
sensory stimulus
response
Prior art date
Application number
KR1020227007543A
Other languages
English (en)
Inventor
코레이 여
조나단 제이콥스
Original Assignee
시므라이즈 아게
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 시므라이즈 아게 filed Critical 시므라이즈 아게
Publication of KR20220042444A publication Critical patent/KR20220042444A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531—Measuring skin impedance
    • A61B5/0533—Measuring galvanic skin response
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/12—Healthy persons not otherwise provided for, e.g. subjects of a marketing survey
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Dermatology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)

Abstract

개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하는 방법이 개시된다. 상기 방법은 (a) 노출 패턴에 따라 초기 노출 기간 동안 상기 개인을 상기 적어도 하나의 감각 자극에 복수 회 노출시키는 단계; (b) 각 노출에 대해 상기 적어도 하나의 감각 자극에 대한 상기 개인의 쾌락 반응을 나타내는 데이터를 획득하는 단계; (c) 상기 개인의 쾌락 반응 및 상기 노출 패턴을 나타내는 데이터를 러닝 머신 알고리즘에 제공하는 단계; 및 (d) 상기 초기 노출 기간 후 미리 결정된 예측 기간 동안 상기 머신 러닝 알고리즘에 의해 상기 감각 자극에 대한 상기 개인의 장기 쾌락 반응을 예측하는 단계를 포함한다.

Description

감각 자극에 대한 장기 쾌락 반응 예측
본 개시내용은 일반적으로 개인 또는 청중에 대해 후각 자극과 같은 적어도 하나의 미리 결정된 감각 자극에 대한 장기 호감도와 같은 장기 쾌락 반응을 예측하는 방법에 관한 것이다.
주어진 감각 자극에 대한 개인의 첫 노출은 특정의 쾌락적 또는 정서적 반응을 불러일으킬 수 있다. 그러나 동일한 감각 자극이 후속 노출에서 반드시 동일한 쾌락 반응을 생성하는 것은 아니므로 주어진 감각 자극에 대한 초기 쾌락 반응은 일반적으로 나중에 동일한 감각 자극에 대한 쾌락 반응을 확실하게 확인하지 못한다. 오히려 주어진 감각 자극에 대한 쾌락 반응은 시간의 경과에 따라 그리고 반복적인 노출에 따라 변한다. 그러나 시간 경과에 따른 쾌락 반응의 진화는 일반적으로 미리 알려져 있지 않다.
본 발명의 목적은 제품 개발이 시간의 경과에 따라 개선되거나 적어도 감소하지 않을 쾌락 반응을 갖는 감각 자극으로 소비재를 제조하는 데 집중할 수 있도록 장기간 쾌락 반응을 추정하기 위한 것다. 이러한 방식으로 사용되지 않고 결국 매장될 상당한 위험이 있는 소비재의 개발 및 제조에 소요되는 시간과 에너지를 줄일 수 있다.
따라서 본 발명의 목적은 적어도 하나의 감각 자극을 포함하는 소비재 개발의 간소화를 가능하게 하여 낭비를 피하고 자원을 절약하는 방법을 제공하는 것이다.
본 발명은 개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하는 컴퓨터 구현 방법에 관한 것으로, (a) 노출 패턴에 따른 노출의 초기 기간 동안 개인을 적어도 하나의 감각 자극에 여러 번 노출시키는 단계, (b) 각 노출에 대해, 적어도 하나의 감각 자극에 대한 개인의 쾌락 반응을 나타내는 데이터를 획득하는 단계, (c) 개인의 쾌락 반응을 나타내는 데이터 및 노출 패턴을 머신 러닝 알고리즘(machine learning algorithm)에 제공하는 단계, 및 (d) 초기 노출 기간 이후 미리 결정된 예측 기간 동안 머신 러닝 알고리즘에 의해 감각 자극에 대한 개인의 장기 쾌락 반응을 예측하는 단계를 포함한다.
따라서 이 방법은 머선 러닝 알고리즘을 사용하여 주어진 감각 자극에 처음 노출된 후 특정 시간에 주어진 감각 자극에 대한 개인의 쾌락 반응을 예측할 수 있다. 전문적인 환경에서, 개인은 특정 감각 자극에 한 번만 노출되는 것이 아니라 초기 노출 기간 동안 여러 번 노출된다. 노출의 초기 기간 동안 노출 횟수, 각 노출의 시간 길이 및 연속 노출 사이의 시간 간격이 노출 패턴을 결정한다.
특정 실시예에서, 개인은 비교적 짧은 초기 노출 기간 동안 감각 자극에 적어도 2회, 바람직하게는 3회 이상 노출된다. 예를 들어, 개인은 일주일 이내에 감각 자극에 두세 번 노출될 수 있다. 다른 실시예에서, 개인은 1시간과 같은 짧은 시간 내에 예를 들면 3회의 감각 자극에 노출될 수 있으며, 이는 예를 들면, 1주의 초기 노출 기간 내에서 예를 들면 2-3회 반복될 수 있다. 초기 노출 기간은 1주 이내가 바람직하다. 미리 결정된 예측 기간은 3개월 이상인 것이 바람직하다.
개인이 초기 노출 기간 동안 감각 자극에 노출되었을 때, 동일한 감각 자극에 대한 개인의 장기 쾌락 반응은 초기 노출 기간의 종료 시점에서 측정된 예측 기간이 경과했을 때 해당 감각 자극에 대한 개인의 쾌락 반응이다. 일 실시예에서, 감각 자극에 대한 개인의 쾌락 반응은 그 감각 자극에 대한 개인의 호감이다. 그러나 장기 쾌락 반응의 다른 측정도 가능하다.
노출 패턴은 미리 결정된 감각 자극에 대한 개인의 장기 쾌락 반응에 영향을 미칠 수 있습니다. 따라서 머신 러닝 알고리즘을 훈련할 때 다양한 노출 횟수, 후속 노출 간격, 및 노출 초기 기간을 포함한 훈련 데이터가 제공되어야 한다.
적어도 하나의 감각 자극은 후각, 청각, 촉각, 미각 및 시각 자극을 포함하는 그룹으로부터 선택될 수 있다. 개인은 단일 감각 자극에만 노출되거나 동일한 감각 또는 상이한 감각들을 다룰 수 있는 둘 이상의 감각 자극에 노출될 수 있다. 예를 들어, 개인은 더 이상의 감각 자극 없이 후각 자극에 노출될 수 있습니다. 개인의 쾌락 반응이 2 이상의 감각 자극에 대해 테스트되어야 한다면, 2 이상의 감각 자극이 각 개인에게 동시에 제공되어 각 노출이 하나의 감각 자극이 아니라 2 이상의 감각 자극과 관련될 수 있다. 예를 들어, 개인은 후각 자극과 시각적 자극에 동시에 노출될 수 있다. 개인이 노출될 수 있는 감각 자극의 또 다른 조합은 시각적 자극과 함께 미각 자극이 있다. 감각 자극의 다른 조합도 가능합니다. 감각 자극에 대한 언급이 있을 때, 부적절하지 않는 한, 복수의 감각 자극의 조합과 관련된 것으로 이해되어야 한다.
개인의 쾌락 반응은 적어도 하나의 감각 자극에 대한 개인의 생리적 반응을 획득함으로써 결정될 수 있다. 바람직하게는, 개인의 생리적 반응(psychological response)은 감각 자극에 대한 개인의 사이코메트릭 반응(psychometric response)에 대한 데이터와 결합된다.
개인에 대한 적어도 하나의 감각 자극에 대한 쾌락 반응을 나타내는 데이터는 머신 러닝 알고리즘에 입력된다. 바람직하게는, 머신 러닝 알고리즘은 다수의 개인 및 감각 자극 사례에 걸쳐 미리 수집된 광범위한 데이터 세트를 사용하여 미리 훈련, 교차 검증 및 테스트되었다. 러닝 머신 알고리즘은 주어진 감각 자극에 대해 개인 수준에서 예측을 생성할 수 있다.
본 발명은 또한 적어도 하나의 미리 결정된 감각 자극에 대한 청중의 장기 쾌락 반응을 예측하는 컴퓨터 구현 방법에 관한 것이다. 개인의 수준에서 수행되는 상술한 방법은 소비자 기반과 같은 대규모 청중을 대표하는 다수의 다른 개인에 대해 반복된다. 그리고 각 개인의 장기 쾌락 반응에 대한 예측은 결합되어 청중의 장기 쾌락 반응을 예측한다.
본 발명은 또한 상기 방법을 수행하기 위한 수단을 포함하는 데이터 처리 장치, 프로그램이 컴퓨터에 의해 실행될 때 컴퓨터가 상기 방법을 수행하게 하는 명령을 포함하는 컴퓨터 프로그램, 및 컴퓨터에 의해 실행될 때 컴퓨터로 하여금 상기 방법을 수행하게 하는 명령을 포함하는 컴퓨터 판독 가능 매체에 관한 것이다.
본 발명은 또한 소비재을 고안하는 방법에 관한 것으로, 상기 방법은 복수의 감각 자극에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 개인 또는 청중의 장기 쾌락 반응을 예측하는 상기 컴퓨터 구현 방법을 수행하는 단계와, 최대 장기 쾌락 반응을 갖는 복수의 감각 자극 중 하나의 감각 자극을 결정하는 단계를 포함하며, 또한, 결정된 감삭 자극을 포함하는 소비재를 고안하는 단계를 더 포함한다. 복수의 감각 자극 중 장기 쾌락 반응이 최대인 감각 자극은 표준 유의성 테스트(standard significance test)와 같은 통계적 방법을 이용하여 결정 또는 확인할 수 있다. 최대 장기 쾌락 반응은 특정 감각 자극에 대한 가장 강한 긍정적 감정 반응을 나타내는 가장 높은 값을 갖는 장기 쾌락 반응일 수 있다.
본 발명은 또한 개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하도록 구성된 시스템에 관한 것이다. 시스템은 노출 패턴에 따른 초기 노출 기간에 걸쳐 여러 번 적어도 하나의 감각 자극에 대한 개인의 각 노출에 대해, 적어도 하나의 감각 자극에 대한 개인의 쾌락 반응을 나타내는 데이터를 측정하도록 구성된 측정 유닛과, 상기 측정 유닛에 의해 측정된 개인의 쾌락 반응을 나타내는 데이터에 기초하여, 초기 노출 기간 후의 미리 정해진 예측 시간의 시점 동안 머신 러닝 알고리즘에 의해 감각 자극에 대한 개인의 장기 쾌락 반을 예측하도록 구성된 제어 유닛을 포함한다. 측정 유닛은 EEG(electroencephalography) 측정 장치, GSR(Galvanic Skin Response) 측정 장치, 시선 추적기(eye-tracker) 및 영상 기록 장치 중 적어도 하나를 포함할 수 있다. EEG 측정 장치는 일반적으로 개인의 뇌의 전기적 활동을 바람직하게는 비침습적으로 측정하도록 구성된다. fMRI(functional Magnetic Resonance Imaging)와 같은 뇌 활동을 측정하기 위한 다른 측정 장치도 사용할 수 있다. GSR 측정 장치는 일반적으로 개인의 피부 전도도(skin conductance)를 측정하도록 구성됩니다. 시선 추적기는 일반적으로 개인의 눈 위치, 눈 움직임, 응시 지점, 동공 확장 및 수축 중 적어도 하나를 측정하도록 구성된다.
도 1은 본 발명에 따른 방법을 예시한 흐름도,
도 2는 본 발명에 따른 방법에 사용된 머신 러닝 알고리즘을 훈련, 교차 검증 및 테스트하는 방법을 예시한 흐름도,
도 3은 개인 또는 청중을 위한 적어도 하나의 감각 자극에 대한 장기 쾌락 반응을 예측하기 위한 시스템을 도시한 도면,
도 4는 0.5초 동안 하나의 전극으로부터 기록된 원시 EEG 신호를 도시한 도면,
도 5는 Hann 윈도우 함수로 2초 동안 고속 푸리에 변환을 사용하여 계산된 하나의 전극에 대한 EEG 데이터의 전력 스펙트럼을 도시한 도면,
도 6은 15초 동안 GSR 기록을 도시한 도면.
적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하는 컴퓨터 구현 방법에 대해 설명한다. 구체적으로, 여기에 설명된 방법은 적어도 하나의 미리 결정된 감각 자극에 대한 개인의 장기간 쾌락 반응을 예측하는 것과, 적어도 하나의 미리 결정된 감각 자극에 대한 청중의 장기간 쾌락 반응을 예측하는 것을 포함한다. 청중은 다수의 개인으로 구성됩니다.
개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하는 방법은 도 1에 흐름도로서 도시되어 있다. 이 방법은 개인을 초기 노출 기간 동안 미리 결정된 감각 자극에 처음으로 노출시키는 것을 포함한다(110). 개인은 초기 노출 기간이 단일 노출의 길이를 갖도록 감각 자극에 한 번만 노출될 수 있다. 보다 신뢰할 수 있는 예측을 달성하기 위해 개인은 초기 노출 기간 동안 감각 자극에 반복적으로 노출되는 것이 바람직하다. 예를 들어, 개인은 일주일에 세 번 감각 자극에 노출된다. EEG, GSR, 시선 추적 및/또는 얼굴 영상과 같은 개인의 생리적 반응은 노출될 때마다 측정된다(120). 추가적으로 또는 대안적으로, 자가 보고 및/또는 반응 시간 테스트와 같은 개인의 사이코메트릭 반응은 각 노출 동안 측정된다(140). 생리적 데이터에서 노이즈 제거(130) 및 사이코메트릭 데이터의 보정 및 클리닝(150) 후, 이 데이터에서 두드러진 특징이 추출된다(160). 추출된 두드러진 특징은 인공 신경망의 입력으로 사용된다(170). 이 인공 신경망은 적절하게 훈련되고 교차 검증 및 테스트되면 개인에 대한 미리 결정된 감각 자극에 대한 장기 쾌락 반응에 대한 예측을 산출한다(180). 예측된 장기 쾌락 반응은 일반적으로 마이너스 무한대에서 플러스 무한대 사이의 값으로 표현되며, 0을 초과하는 값은 특정 감각 자극에 대한 긍정적인 쾌락 반응을, 0의 값은 무관심을, 0 미만의 값은 부정적인 쾌락 반응을 각각 의미한다.
도 2는 도 1의 방법에 사용될 인공 신경망을 훈련, 교차 검증 및 테스트하는 방법을 예시한 흐름도이다. 본 발명은 신경망에 한정되는 것은 아니며, 다른 러닝 머신 알고리즘이 사용될 수 있다. 훈련 데이터는 초기 노출 기간 동안 미리 결정된 감각 자극에 개인을 노출시켜 획득한다(210). 개인의 생리적(physiological) 및/또는 사이코메트릭(psychometric) 반응은 노출될 때마다 측정된다(220, 240). 생리적 측정 데이터는 노이즈로부터 자유로우므로(230) 두드러진 특징이 추출될 수 있다(260). 유사하게, 조정(calibration) 및 데이터 클리닝(250) 후에 사이코메트릭 측정 데이터로부터 현저한 특징이 추출된다(260). 이러한 단계는 다양한 감각 자극뿐만 아니라 노출 및 노출 패턴의 초기 기간의 길이를 다양하게 하여 다수의 개인에 대해 반복된다. 각 초기 노출 기간(특정 개인 및 특정 감각 자극 또는 감각 자극의 조합과 관련됨)에서 추출된 두드러진 특징은 해당 노출 패턴과 함께 훈련 목적으로 인공 신경망에 입력됩니다.
미리 결정된 예측 기간, 바람직하게는 초기 노출 기간 후 3개월 이상의 후, 이전에 테스트된 각 개인에 대해 추가 데이터가 수집된다(280). 이러한 방식으로 러닝 머신 알고리즘을 훈련하는 데 사용할 수 있는 장기 감정 반응에 대한 데이터를 얻는다. 예를 들어, 각 개인에 대해 초기 노출 기간 동안 사용된 감각 자극 또는 감각 자극의 조합이 있는 소비재의 실제 구매 또는 재구매 행동이 관찰된다(290). 또한 초기 노출 기간 동안 직면한 동일한 감각 자극 또는 감각 자극의 조합에 각 개인을 다시 노출시키고 쾌락 반응을 나타내는 데이터를 얻을 수 있다. 추가적으로 또는 대안적으로, 감각 자극(들)을 포함하는 소비재의 호감의 자가 보고 및/또는 구매 의도의 자가 보고 및/또는 그러한 소비재을 포함하는 선택 실험이 수행된다(300).
장기 쾌락 반응에 대한 데이터가 균일한 방식으로 수집되지 않으면, 즉 장기 쾌락 반응과 관련된 고유 잠재 변수를 평가하는 동안 상이한 매니페스트 변수(manifest variables)가 측정되면, 훈련 목적을 위한 이러한 다양한 유형의 장기 쾌락 반응 측정을 여전히 사용하기 위하여, 이들이 조화될 필요가 있다. 이것은 장기 쾌락 반응을 평가하는 여러 모드가 함께 사용된 연구에서 잠재 변수 모델을 형성함으로써 달성된다. 이러한 모델은 훈련 데이터에서 이용가능한 측정값에서 잠재 변수 점수를 입력하는 방법을 제공한다.
이와 달리, 조화의 필요성을 피하기 위해 장기간 쾌락 반응에 대한 데이터를 응답자 간에 균일한 방식으로 수집할 수 있으며, 이러한 측정값은 러닝 머신 알고리즘을 훈련하는 데 직접 사용될 수 있다.
훈련 과정에서 입력(단계 260에서 얻은 추출된 특징)과 원하는 출력(단계 310에서 얻은 장기 쾌락 반응)이 모두 제공되고, 인공 신경망은 그 입력을 처리하고 원하는 출력에 반하는 결과 출력을 비교한다. 훈련 과정이 완료된 것으로 간주된 후, 단계 220, 240, 290, 300에서 얻은 데이터 중 일부는 훈련된 인공 신경망을 테스트하기 위해 사용된다. 인공 신경망은 또한 당해 기술분야의 숙련자에게 알려진 바와 같이 교차 검증된다.
도 3에 도시된 바와 같은 시스템(400)을 사용한 생리적 데이터 수집 및 이들 데이터로부터의 특징 추출은 이하에서 보다 상세히 설명된다.
원시 EEG 신호는 EEG 신호 측정 장치(410)를 사용하여 수집된다. 일 실시예에서, EEG 신호 측정 장치(410)는 14 내지 20개의 전극이나 채널, 및 128Hz 내지 500Hz의 샘플 레이트(sample rate)를 갖는다. 0.5초 동안 위치 F7, Fp1 및 Fp2의 세 전극에서 기록된 원시 EEG 신호의 예가 도 4에 도시되어 있다.
추가적으로 또는 대안적으로, 원시 EDA(electrodermal activity) 신호는 GSR 신호 측정 장치와 같은 EDA 신호 측정 장치(420)를 사용하여 수집된다. 일 실시예에서, GSR 신호 측정 장치(420)는 하나의 전극이나 채널, 및 5Hz 내지 128Hz 사이의 샘플 레이트를 갖는다. 15초 동안 기록된 원시 GSR 신호의 예가 도 6에 도시되어 있다.
추가적으로 또는 대안적으로, 원시 시선 추적 신호는 시선 추적기(430)를 사용하여 수집된다. 일 실시예에서, 시선 추적 신호는 스크린에 대한 2차원 데카르트 좌표이다. 샘플 레이트는 30Hz일 수 있다.
추가적으로 또는 대안적으로, 개인의 영상 신호, 바람직하게는 얼굴은 웹캠과 같은 영상 기록 장치(440)를 사용하여 캡처된다. 영상 신호는 다양한 해상도와 샘플 레이트를 가질 수 있다.
감각 자극에 대한 쾌락적 또는 정서적 반응을 측정할 때 개인이 정확히 언제 감각 자극을 경험하기 시작하는지 아는 것이 중요하다. 따라서, 하나의 바람직한 실시예에서, 일단 원시 데이터 신호가 수집되면, 이들은 동기화된다. 시각 자극은 화면에 표시되는 대로 쉽게 제어하거나 시간을 맞출 수 있지만, 후각, 미각 또는 촉각 자극에 대해 본 발명은 개인의 비디오 신호를 EEG, GSR 또는 시선 추적 신호와 같은 다른 데이터 신호와 동기화하는 것을 숙고한다. 데이터 신호는 데이터를 수집하고 있는 제어 유닛(450)의 시스템 클록에 대해 각 데이터 신호의 클록 또는 타임스탬프를 정기적으로 체크함으로써 동기화된다. 데이터 신호 사이에 드리프트가 발생하면 드리프트를 제거하기 위한 조정이 행해 질 수 있다.
일 실시예에서, 제어 유닛(450)에 의해 수행될 수 있는 EEG 신호 처리 동안, 50Hz 초과 및 0.5Hz 미만의 주파수를 갖는 신호 성분을 제거하기 위해 저역 통과 필터 및 고역 통과 필터가 원시 EEG 신호에 적용된다. 그 후, 독립 컴포넌트 분석(Independent Component Analysis: ICA)이 수행되고 러닝 머신 알고리즘은 비뇌 신호(예: 눈 깜박임, 머리 움직임)에 대해 독립 컴포넌트를 매칭하고 비 뇌신호로 식별된 독립 컴포넌트를 제거한다. 각 채널에 대해 EEG 신호는 중첩되는 타임 윈도우(time window)로 분할된다. 각 타임 윈도우의 길이는 2초의 길이일 수 있으며, 새로운 타임 윈도우는 0.5초마다 시작된다. HFD(Higuchi Fractal Dimension)는 각 타임 윈도우에 대해 계산된다. 또한, 각 타임 윈도우에 대해 Hann 윈도우를 적용하고 FFT(Fast Fourier Transform)를 계산하여 EEG 전력 스펙트럼을 구한다. 2초 타임 윈도우 동안 한 전극에서의 예시적인 EEG 전력 스펙트럼은 도 5에 도시되어 있다.
일 실시예에서, 제어 유닛(450)에 의해 수행될 수 있는 시선 추적 후처리 동안, 원시 데이터는 슬라이드 이미지가 화면에 연속적으로 표시된 시간을 나타내는 타임 윈도우로 분할된다. 각 창에 대하여, 가우스 커널 추정을 사용하여 히트 맵(화면의 이미지와 동일한 차원의 매트릭스)을 생성하기 위해 데카르트 좌표가 사용된다. 히트 맵은 최종 출력으로 이미지 위에 표시될 수 있다.
일 실시예에서, 제어 유닛(450)에 의해 수행될 수 있는 GSR 후처리 동안, 원시 GSR 신호를 위상(빠르게 움직이는) 및 토닉(느리게 움직이는) 성분으로 분해하기 위해 연속 분해 분석(decompostion analysis)이 적용된다. 원시 GSR 데이터로부터 각 시점의 이진 결과(개인이 감정적으로 각성 상태인지 여부)를 결정하기 위해 피크 감지 알고리즘이 이용될 수 있다.
바람직하게는 시간의 벡터(스텝 함수)로 표현되는 노출 패턴과 함께 그렇게 처리된 측정 데이터는 측정 데이터와 관련된 추정된 장기 쾌락 반응을 출력하는 제어 유닛(450)의 러닝 머신 알고리즘에 대한 입력으로 기능한다.
개인들의 그룹에 대해 테스트한 향기 A에 대한 예측 결과의 예시적인 표가 표 1에 나타나 있다. 16명의 개인에 대한 평균 예측 장기 쾌락은 0.12이며, 이는 향기 A가 장기간 긍정적으로 수용될 것으로 예측됨을 의미한다. 그러나 평균적으로 쾌락 반응은 그다지 두드러지지 않아, 더 나은 장기 쾌락 반응을 달성하기 위해 향기 A가 여전히 개선될 필요가 있다고 결정할 수 있다.
개인 예측된 장기 쾌락 반응
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

Claims (15)

  1. 개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하는 방법으로서,
    (a) 노출 패턴에 따라 초기 노출 기간 동안 상기 개인을 상기 적어도 하나의 감각 자극에 복수 회 노출시키는 단계;
    (b) 각 노출에 대해 상기 적어도 하나의 감각 자극에 대한 상기 개인의 쾌락 반응을 나타내는 데이터를 획득하는 단계;
    (c) 상기 개인의 쾌락 반응 및 상기 노출 패턴을 나타내는 데이터를 러닝 머신 알고리즘에 제공하는 단계; 및
    (d) 상기 초기 노출 기간 후 미리 결정된 예측 기간 동안 상기 머신 러닝 알고리즘에 의해 상기 감각 자극에 대한 상기 개인의 장기 쾌락 반응을 예측하는 단계를 포함하는 방법.
  2. 제1항에 있어서,
    상기 개인의 장기 쾌락 반응은 상기 적어도 하나의 미리 결정된 감각 자극 에 대한 상기 개인의 장기간 호감도인 방법.
  3. 제1항에 있어서,
    상기 러닝 머신 알고리즘은 인공 신경망에 기초한 것인 방법.
  4. 제1항에 있어서,
    상기 적어도 하나의 감각 자극에 대한 상기 개인의 쾌락 반응을 나타내는 상기 데이터는 개인의 생리적(psychologic) 및/또는 사이코메트릭(psychometric) 반응을 측정함으로써 획득되는 것인 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 감각 자극에 대한 상기 개인의 쾌락 반응을 나타내는 데이터는 상기 개인의 뇌 활동에 관한 데이터를 포함하는 방법.
  6. 제4항에 있어서,
    상기 개인의 생리적 및/또는 사이코메트릭 반응은 동시에 측정되는 방법.
  7. 제4항 또는 제5항에 있어서,
    상기 개인의 생리적 반응을 측정하는 단계는 EEG, GSR, 시선 추적, 및 얼굴영상을 포함하는 그룹으로부터 얻은 데이터를 측정하는 단계를 포함하는 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 단계 (a)는 상기 개인을 상기 적어도 하나의 감각 자극에 적어도 3회 노출시키는 것을 포함하는 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 미리 결정된 예측 기간은 상기 초기 노출 기간보다 적어도 10배 더 긴 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 적어도 하나의 감각 자극은 후각, 청각, 촉각, 미각 및 시각 자극을 포함하는 그룹으로부터 선택되는 방법.
  11. 제1항 내지 제10항 중 어느 한 항의 방법을 사용하여 적어도 하나의 미리 결정된 감각 자극에 대한 청중의 장기 쾌락 반응을 예측하는 방법으로서,
    개인 그룹의 각 개인에 대해 제1항의 단계 (a) 내지 (d)를 반복하는 단계로서, 상기 개인 그룹의 개인의 수가 상기 청중의 개인의 수보다 작은 것인 단계; 및
    상기 청중의 장기 쾌락 반응을 예측하기 위해 각 개인의 장기 쾌락 반응에 기초하여 상기 개인 그룹의 적어도 하나의 감각 자극에 대한 장기 쾌락 반응을 도출하는 단계를 포함하는 방법.
  12. 소비재를 고안하는 방법으로서,
    복수의 감각 자극에 대해 제1항 내지 제11항 중 어느 한 항에 정의된 방법을 수행하는 단계;
    상기 복수의 감각 자극으로부터 최대 장기 쾌락 반응을 갖는 감각 자극을 결정하는 단계;
    상기 결정된 감각 자극을 포함하는 소비재를 고안하는 단계를 포함하는 방법..
  13. 개인에 대한 적어도 하나의 미리 결정된 감각 자극에 대한 장기 쾌락 반응을 예측하도록 구성된 시스템(400)으로서,
    노출 패턴에 따라 초기 노출 기간 동안 여러 번 적어도 하나의 감각 자극에 대한 개인의 노출 각각에 대해, 상기 적어도 하나의 감각 자극에 대한 상기 개인의 쾌락 반응을 나타내는 데이터를 측정하도록 구성된 측정 유닛(410-440); 및
    상기 측정 유닛(410-440)에 의해 측정된 상기 개인의 쾌락 반응을 나타내는 상기 데이터 및 상기 노출 패턴에 기초하여, 상기 초기 노출 기간 이후에 미리 결정된 예측 기간의 시점 동안 머신 러닝 알고리즘에 의해 상기 감각 자극에 대한 상기 개인의 장기 쾌락 반응을 예측하도록 구성된 제어 유닛(450)을 포함하는 시스템.
  14. 제13항에 있어서,
    상기 제어 유닛(450)은 각 개인의 장기 쾌락 반응에 기초하여 개인 그룹의 적어도 하나의 감각 자극에 대한 장기 쾌락 반응을 도출하여, 청중의 장기 쾌락 반응을 예측하고, 상기 개인 그룹의 개인 수는 상기 청중의 개인의 수보다 적은 시스템.
  15. 제13항 또는 제14항에 있어서,
    상기 측정 유닛(410-440)은 EEG 측정 장치(410), GSR 측정 장치(420), 시선 추적기(430) 및 영상 캡쳐 장치(440)를 포함하는 그룹 중 적어도 하나를 포함하는 시스템.
KR1020227007543A 2019-08-08 2020-08-04 감각 자극에 대한 장기 쾌락 반응 예측 KR20220042444A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10201907343SA SG10201907343SA (en) 2019-08-08 2019-08-08 Prediction of the long-term hedonic response to a sensory stimulus
SG10201907343S 2019-08-08
PCT/EP2020/071885 WO2021023736A1 (en) 2019-08-08 2020-08-04 Prediction of the long-term hedonic response to a sensory stimulus

Publications (1)

Publication Number Publication Date
KR20220042444A true KR20220042444A (ko) 2022-04-05

Family

ID=71948587

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227007543A KR20220042444A (ko) 2019-08-08 2020-08-04 감각 자극에 대한 장기 쾌락 반응 예측

Country Status (8)

Country Link
US (1) US20220346723A1 (ko)
KR (1) KR20220042444A (ko)
CN (1) CN112789632A (ko)
BR (1) BR112021007088A2 (ko)
CO (1) CO2022002691A2 (ko)
DE (1) DE202020005493U1 (ko)
SG (1) SG10201907343SA (ko)
WO (1) WO2021023736A1 (ko)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2403974A1 (en) * 2000-03-30 2001-10-11 Lino R. Becerra Method and apparatus for objectively measuring pain, pain treatment and other related techniques
US20020103429A1 (en) * 2001-01-30 2002-08-01 Decharms R. Christopher Methods for physiological monitoring, training, exercise and regulation
US8533029B2 (en) * 2001-04-02 2013-09-10 Invivodata, Inc. Clinical monitoring device with time shifting capability
JP4101220B2 (ja) * 2003-09-18 2008-06-18 力 大橋 環境設定装置
US8560360B2 (en) * 2007-10-23 2013-10-15 Mindmetric Ltd. Method, system and computer program for automated interpretation of measurements in response to stimuli
US10276054B2 (en) * 2011-11-29 2019-04-30 Eresearchtechnology, Inc. Methods and systems for data analysis
WO2014059234A1 (en) * 2012-10-11 2014-04-17 The Research Foundation Of The City University Of New York Predicting response to stimulus
US10729875B2 (en) * 2014-11-25 2020-08-04 Koninklijke Philips N.V. System and method for adjusting duration of sensory stimulation during sleep to enhance slow wave activity
CN108175424B (zh) * 2015-08-07 2020-12-11 北京智能阳光科技有限公司 一种用于认知能力值测试的测试系统
US10430810B2 (en) * 2015-09-22 2019-10-01 Health Care Direct, Inc. Systems and methods for assessing the marketability of a product
JP7473338B2 (ja) * 2016-08-03 2024-04-23 アキリ・インタラクティヴ・ラブズ・インコーポレイテッド コンピュータ化された喚起要素を含む認知プラットフォーム
EP3349654A4 (en) * 2016-11-14 2018-11-14 Nuralogix Corporation System and method for detecting subliminal facial responses in response to subliminal stimuli

Also Published As

Publication number Publication date
CN112789632A (zh) 2021-05-11
CO2022002691A2 (es) 2022-04-19
DE202020005493U1 (de) 2021-06-18
WO2021023736A1 (en) 2021-02-11
US20220346723A1 (en) 2022-11-03
SG10201907343SA (en) 2021-03-30
BR112021007088A2 (pt) 2022-02-15

Similar Documents

Publication Publication Date Title
Hu et al. Real-time sensing of trust in human-machine interactions
Miller et al. Spontaneous decoding of the timing and content of human object perception from cortical surface recordings reveals complementary information in the event-related potential and broadband spectral change
CN101711388B (zh) 营销和娱乐的效果分析
US11083398B2 (en) Methods and systems for determining mental load
CN109875509B (zh) 阿尔茨海默症患者康复训练效果的测试系统和方法
US20200054888A1 (en) Machine learning based artifact rejection for transcranial magnetic stimulation electroencephalogram
Shukla et al. Efficient wavelet-based artifact removal for electrodermal activity in real-world applications
RU2711976C1 (ru) Способ дистанционного распознавания и коррекции с помощью виртуальной реальности психоэмоционального состояния человека
CN104571504B (zh) 一种基于想象动作的在线脑‑机接口方法
WO2021075548A1 (ja) 脳状態推定装置、コンピュータプログラム、脳状態推定方法、脳機能の検査システムおよび方法
WO2015112878A1 (en) Method for measuring engagement
KR20170061317A (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
De Sousa et al. Behavioral validation of novel high resolution attention decoding method from multi-units & local field potentials
CN114366103A (zh) 注意力评估方法、装置及电子设备
US20230123617A1 (en) Ventral striatum activity
Hasan et al. Feature-based attentional tuning during biological motion detection measured with SSVEP
KR20220042444A (ko) 감각 자극에 대한 장기 쾌락 반응 예측
Arnau-González et al. Image-evoked affect and its impact on eeg-based biometrics
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
US11191475B2 (en) Method for determining the perceptiveness of a subject
Paulraj et al. Fractal feature based detection of muscular and ocular artifacts in EEG signals
WO2023033647A1 (en) Determining a person's sensory capability based on stimulus response amplitude weights
Furui et al. Muscle fatigue analysis by using a scale mixture-based stochastic model of surface EMG signals
Biswas et al. Analysing wireless EEG based functional connectivity measures with respect to change in environmental factors
Cecotti et al. Calibration-less detection of steady-state visual evoked potentials-comparisons and combinations of methods