机构名称：
¥ 1.0
摘要 多年来，神经科学驱动的营销研究逐渐深入到消费者的有意识和潜意识行为。现有的基于脑电图 (EEG) 的消费者产品偏好研究并不全面。由于脑电图的非平稳性问题，受试者的试验间和会话间脑电图信号存在显著差异，这导致在不同的受试者、会话和任务中建立通用的消费者偏好模型面临挑战。迁移学习通过利用来自类似受试者、会话或任务的数据或知识来改进新受试者、会话或任务的学习过程，从而提高整体模型性能，从而缓解了这一挑战。此外，高维脑电图特征通常会导致较差的分类结果。因此，选择有意义或精细的特征对于分类至关重要。因此，我们提出了一个基于脑电图的稳健神经营销框架，结合了深度迁移学习、空间注意力模型和深度神经网络。所提出的框架预测了消费者对电子商务产品的选择（就“喜欢”和“不喜欢”而言）。首先，从预训练网络向所提出的模型进行知识蒸馏，并针对 EEG 的连接特征对模型进行训练。接下来，使用空间注意模型（卷积块注意模块：CBAM）从高级连接特征中提取基于注意的特征。CBAM 沿通道和空间维度提取注意特征图，以进行自适应特征细化。细化的特征提高了分类准确性。最后，将基于注意的特征传递到基于 2D CNN 的深度学习模型以评估消费者选择。所提出的模型在实验数据集上实现了 95.60% 的分类准确率。与现有的基于神经营销的研究相比，所提出的模型实现了 2.60% 的显著提升。
空间注意力增强脑电图分析用于分析消费者选择
主要关键词
相关文件推荐
