技术领域
[0001] 本发明涉及一种基于神经相似性的消费者偏好一致性预测方法。
相关背景技术
[0002] 重测信度常被用于问卷调查中，体现了跨越时间的稳定性和一致性。即应用同一测验方法，对相同个体进行多次重复测量，然后对多次测量之间的相关性进行计算。重测信度对测量结果之间的变化程度进行检验，反映了测量结果的稳定性和一致性。相关程度越高，表示测量之间的稳定性和一致性水平越高。重测信度常采用组内相关系数、cronbach’α系数等来进行表示。目前主要通过问卷测量的方法获得重复数据，基于主观评价的数据判断重测信度的大小，但是通过量表获得的数据缺乏客观结果的佐证，不能保证重测信度的准确性、客观性。
具体实施方式
[0035] 下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0036] 如图1所示为本申请的一种基于神经相似性的消费者偏好一致性预测方法，包含：S1：为一批被试者佩戴多通道脑电采设备，向被试者展示实验任务，并采集脑电数据。S2：间隔一定预设时间后，为同一批被试者佩戴多通道脑电采设备，向被试者展示相同的实验任务，并采集脑电数据。S3：对采集到的脑电数据进行预处理。S4：选取与实验任务对应脑区的电极点，对被试者的两次测量结果之间进行配对，构建相同反馈条件下每个受试者的被试间和被试内协方差矩阵。S5：根据每个受试者的被试间和被试内协方差矩阵计算能反映两次测量间最相关的成分映射，计算每个被试者在不同电极点上的相关程度，将其均值作为神经相似性指数，即为重测信度值。本申请的基于神经相似性的消费者偏好一致性预测方法，运用脑电信号采集设备获得任务过程中受试者的脑电数据，寻找任务对应脑区不同电极点之间的线性组合，识别具有高被试间相关性的潜在成分，基于不同成分之间的神经相似性获得受试者的重测信度值。以下具体介绍上述步骤。
[0037] 对于步骤S1：为一批被试者佩戴多通道脑电采设备，向被试者展示实验任务，并采集脑电数据。
[0038] 可以理解的是，在此之前，根据实验任务选择对应的被试者。
[0039] 在本申请中，设计出用于测量消费者偏好一致性的实验任务。在实验过程中向受试者呈现事先设计好的实验任务。
[0040] 在本申请中，通道脑电记录设备采用32脑电采集帽，使用磨砂脑电导电膏将各电极点的阻抗降低至5kΩ以下，32脑电采集帽的电极点采用10‑20系统电极放置法。10‑20系统电极放置法是国际脑电图学会规定的标准电极放置法，具体地，额极中点至鼻根的距离和枕点至枕外粗隆的距离各占此连线全长的10％，其余各点均以此连线全长的20％相隔。
[0041] 对于步骤S2：间隔一定预设时间后，为同一批被试者佩戴多通道脑电采设备，向被试者展示相同的实验任务，并采集脑电数据。
[0042] 可以理解的是，预设时间一般选择范围为5‑15天。在本申请中，预设时间选择10天。
[0043] 对于步骤S3：对采集到的脑电数据进行预处理。
[0044] 作为一种优选的实施方式，对采集到的脑电数据进行预处理的具体方法为：
[0045] 对数据进行分段、伪迹去除和带通滤波过滤。
[0046] 具体的，通过EEGlab(Matlab的一个工具包)对EEG等电生理信号进行一系列分析，包括基于刺激条件对数据进行分段、伪迹去除(包括眼电、工频干扰等)和带通滤波过滤等。其中，在去除眼电伪迹的过程中，采用线性回归的方法，从所有的EEG通道中得到4个EOG通道，去除眼电相关伪迹。在每个通道中，如果脑电采样点的平方的幅值低于其均值的4个标准差，则采用均值替代该数值。同时，高通滤波数值采用50Hz，凹陷滤波为60Hz。
[0047] 对于步骤S4：选取与实验任务对应脑区的电极点，对被试者的两次测量结果之间进行配对，构建相同反馈条件下每个受试者的被试间和被试内协方差矩阵。
[0048] 在本申请中，选择表征与实验刺激反馈结果的认知活动相关的脑电的Fz、FC1、FC2和FCz电极点。
[0049] 作为一种优选的实施方式，构建相同反馈条件下每个受试者的被试间和被试内协方差矩阵的公式如下，
[0050]
[0051]
[0052]
[0053]
[0054]
[0055]
[0056] 其中，Rb,k表示被试间协方差矩阵，Rw,k表示被试内协方差矩阵，参数N代表被试者的数量，Rkl代表某一被试者在第一次测量实验k和第二次测量实验l的所有电极点上的互协方差矩阵，Rlk代表某一被试者在第二次测量实验l和第一次测量实验k在所有电极点上的互协方差矩阵，Rkk和Rll分别代表某一被试者在第一次测量实验k与第二次测量实验l的所有电极点的自协方差矩阵，向量xk(t)代表某一被试者在第一次测量实验k时随时间t的头皮电压值， 表示在时间窗t上的均值，向量xl(t)代表某一被试者在第二次测量实验l时随时间t的头皮电压值， 表示在时间窗t上的均值。
[0057] 此处的被试间协方差矩阵，由同一被试者两次测量结果所构建的矩阵，不同于一般的神经相似性方法，无须与所有的被试之间一一配对建立协方差矩阵。
[0058] 对于步骤S5：根据每个受试者的被试间和被试内协方差矩阵计算能反映两次测量间最相关的成分映射，计算每个被试者在不同电极点上的相关程度，将其均值作为神经相似性指数，即为重测信度值。
[0059] 作为一种优选的实施方式，计算每对被试在电极点上的相关强度的公式如下：
[0060]
[0061] 其中，Ci是第i个成分的相关强度，特征向量Vi是使矩阵 具备最大特征值的成分映射，其反映了被试间最大相关。
[0062] 作为一种优选的实施方式，对所有电极点上成分的相关强度进行求和，获得神经相似性指标：
[0063]
[0064] 当每对被试间的神经反应越相似，则ISC的值越高，即两次测量之间的稳定性和一致性水平越高。
[0065] 为了确定每个被试者在经历相同刺激后，两次测量之间相似程度，需要对每个被试计算ISC指标。具体而言，计算每对被试者能反映两次测量间最相关的成分映射，获得不同电极点上的相关程度，将其均值作为神经相似性指数，即重测信度值。其大小与消费者偏好一致性水平相关。输入受试者两次测量结果的数据，获得对应的协方差矩阵，计算能反映最大被试间相关的成分映射。这一成分映射使矩阵 具备最大特征值的特征向量Vi。在计算特征向量之前，需要对被试间相关矩阵进行正则化，通过收缩提高对异常值的稳健性。在每个刺激条件下，计算每对受试者的被试间和被试内协方差矩阵。如果有多个刺激条件，则需对这些矩阵进行平均以获得所有条件的共同成分集合。在这个过程中，需要根据每个条件下的被试数量，对协方差矩阵进行标准化，因此不同条件下被试数量的差异不会对结果造成偏差。然后，根据这一特征向量计算每对被试在电极点上的相关强度，对所有电极点上成分的相关值进行求和，获得神经相似性指标。
[0066] 作为一种优选的实施方式，实验任务包含多个独立的子任务，对每个子任务进行前述的独立的计算得到对应的多个神经相似性指数。再将多个神经相似性指数取平均作为最终的重测信度值。
[0067] 可以理解的是，试验任务的设计也会关系到最终的计算结果。科学合理的试验任务将有利于最终计算出的重测信度值的准确度。但实际操作中，很难确保试验任务的绝对的科学性和合理性。因此，在本申请中，在针对一个项目涉及试验任务时，会同时涉及多个独立的子任务。在每个给被试者播放试验任务时，会播放多个独立的子任务。针对每个子任务，两次间隔开来的数据采集都会产生一组对应的数据，根据这一组对应的数据，每个被试者都会计算出一个ISC值。这样，多个子任务将对应多个ISC值，即最终计算出的结果是针对每个被试者都会计算出多个子任务所对应的多个ISC值。将这多个ISC值再取平均，作为这个被试者的最终的重测信度值。这样计算出的重测信度值将准确度会更稳定，不会因为一个试验任务设计的不合理而造成结果不准确的情况。
[0068] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
