摘要 — 神经营销是利用神经科学来了解消费者对产品和服务的偏好。因此,它研究与偏好和购买意向相关的神经活动。神经营销被认为是一个新兴的研究领域,部分原因是每年在广告和促销上花费了大约 4000 亿美元。鉴于这个市场的规模,即使性能略有改善也会产生巨大影响。传统的营销方法考虑以问卷、产品评级或评论形式出现的后验用户反馈,但这些方法不能完全捕捉或解释消费者的实时决策过程。已经提出了各种生理测量技术来促进记录决策过程的这一关键方面,包括脑成像技术(功能性磁共振成像 (fMRI)、脑电图 (EEG)、稳态地形图 (SST))和各种生物传感器。EEG 在神经营销中的应用尤其有前景。脑电图 (EEG) 可以检测大脑活动的连续变化,没有明显的时间延迟,这是评估顾客无意识反应和感官反应所必需的。目前市场上有几种类型的脑电图设备,每种都有自己的优点和缺点。研究人员使用其中许多设备对不同年龄组和不同类别的产品进行了实验。由于可以获得深刻的见解,消费者和研究保护组织对神经营销研究领域进行了密切监控,以确保受试者得到适当的保护。本文调查了基于脑电图的神经营销策略的一系列考虑因素,包括可以收集的信息类型、如何向消费者呈现营销刺激、这些策略如何影响消费者的吸引力和记忆力、该领域应用的机器学习技术以及这一新兴领域面临的各种挑战,包括道德问题。关键词:脑电图、神经营销、神经科学、电子商务
抽象虚拟现实(VR)是一项允许用户体验模拟真实或虚构场景的多感觉和交互式环境的技术。仍然辩论了不同的VR沉浸式技术神学对心理工作量(MWL)的影响,即执行任务所需的资源数量;但是,从未利用脑电图在这种情况下的潜在作用。本文旨在调查在VR环境中对MWL进行认知任务的影响,这是通过使用多模式的方法进行的,其特征在于以不同程度的沉浸式来进行,这些方法通过生理EEG测量对MWL进行了良好评估的主观评估。提出了基于N-BACK测试的认知任务,以比较使用头部安装显示器(HMD)或桌面计算机展示Stim uli的特定裤子的性能和MWL。任务具有四个不同的复杂度(N¼1或2具有视觉或视觉和听觉刺激)。二十七名健康参与者都参加了这项研究,并在两种情况下都执行了任务。EEG数据和NASA任务负荷指数(NASA-TLX)分别用于评估客观和主观MWL的变化。 错误率(ER)和反应时间(RTS)也针对每个条件和任务水平进行了COL。 任务水平在两种情况下都对MWL产生了重大影响,增加了次级措施和降低性能。 EEG MWL指数显示出显着增加,特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。EEG数据和NASA任务负荷指数(NASA-TLX)分别用于评估客观和主观MWL的变化。错误率(ER)和反应时间(RTS)也针对每个条件和任务水平进行了COL。任务水平在两种情况下都对MWL产生了重大影响,增加了次级措施和降低性能。EEG MWL指数显示出显着增加,特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。EEG MWL指数显示出显着增加,特别是与休息相比。不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。但是,在大多数情况下,HMD降低了EEG衍生的MWL,表明较低的认知负载。总而言之,HMD可能会减少某些任务的认知负荷。如脑电图MWL指数所示,MWL的降低水平可能对基于VR的应用程序的设计和未来评估有影响。
摘要 脑机接口 (BCI) 是一种将大脑活动转化为操作技术命令的系统。脑电图 (EEG) BCI 的常见设计依赖于 P300 事件相关电位 (ERP) 的分类,这是一种由常见非目标刺激中罕见的目标刺激引起的反应。现有的 ERP 分类器很少直接探索神经活动的潜在机制。为此,我们对 P300 ERP-BCI 设计下的多通道真实 EEG 信号的概率分布进行了新颖的贝叶斯分析。我们的目标是识别神经活动的相关时空差异,这为 P300ERP 反应提供了统计证据,并有助于设计高效、准确的个性化 BCI。作为我们对单个参与者分析的一项重要发现,视觉皮层周围通道的目标 ERP 在刺激后约 200 毫秒达到负峰值的后验概率为 90%。我们的分析确定了 BCI 拼写器的五个重要通道(PO7、PO8、Oz、P4、Cz),从而实现了 100% 的预测准确率。从对其他九名参与者的分析中,我们一致地选择了确定的五个通道,并且选择频率对带通滤波器和内核超参数的微小变化具有稳健性。本文的补充材料可在线获取。
抽象虚拟现实(VR)是一项允许用户体验模拟真实或虚构场景的多感觉和交互式环境的技术。仍然辩论了不同的VR沉浸式技术神学对心理工作量(MWL)的影响,即执行任务所需的资源数量;但是,从未利用脑电图在这种情况下的潜在作用。本文旨在调查在VR环境中对MWL进行认知任务的影响,这是通过使用多模式的方法进行的,其特征在于以不同程度的沉浸式来进行,这些方法通过生理EEG测量对MWL进行了良好评估的主观评估。提出了基于N-BACK测试的认知任务,以比较使用头部安装显示器(HMD)或桌面计算机展示Stim uli的特定裤子的性能和MWL。任务具有四个不同的复杂度(N¼1或2具有视觉或视觉和听觉刺激)。二十七名健康参与者都参加了这项研究,并在两种情况下都执行了任务。EEG数据和NASA任务负荷指数(NASA-TLX)分别用于评估客观和主观MWL的变化。 错误率(ER)和反应时间(RTS)也针对每个条件和任务水平进行了COL。 任务水平在两种情况下都对MWL产生了重大影响,增加了次级措施和降低性能。 EEG MWL指数显示出显着增加,特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。EEG数据和NASA任务负荷指数(NASA-TLX)分别用于评估客观和主观MWL的变化。错误率(ER)和反应时间(RTS)也针对每个条件和任务水平进行了COL。任务水平在两种情况下都对MWL产生了重大影响,增加了次级措施和降低性能。EEG MWL指数显示出显着增加,特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。EEG MWL指数显示出显着增加,特别是与休息相比。不同程度的沉浸式均未显示个人的表现和MWL的显着差异,如主观评分所估计。但是,在大多数情况下,HMD降低了EEG衍生的MWL,表明较低的认知负载。总而言之,HMD可能会减少某些任务的认知负担。如脑电图MWL指数所示,MWL的降低水平可能对基于VR的应用程序的设计和未来评估有影响。
摘要 — 随着神经工程技术的快速发展,社会对数字心理健康的需求也迅速上升。虽然社会需要利用基于可靠神经科学证据的尖端技术,但准确性和易用性的权衡严重分裂了学术界和工业界。在这里,我们提供模拟和经验证据来揭示头皮上脑电图电极的位置和数量如何影响捕获头皮范围独立成分 (IC) 的准确性。基于从 64 通道脑电图电极获得的 IC 的逆权重头皮地形,对现有的七个脑电图耳机的数量和位置进行了空间相似性分析。结果显示,随着通道数量和位置的增加,相似性呈现出独特的 S 形恶化。我们提供了一个有用的计算模型,用于量化特定耳机的假设质量。我们的量化方法为学术可靠性和社会需求之间的竞争提供了和解,这是 BCI(脑机接口)应用中的一个基本方面。
摘要 — 在癫痫监测中,由于脑电图伪影在幅度和频率上具有形态相似性,因此经常被误认为是癫痫发作,这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中,我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集,并重点关注颞电极。首先,我们使用自动机器学习框架在频域中提取最佳特征模型,在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后,这些算法针对 PULP 平台进行并行化和优化,与最先进的低功耗伪影检测框架实现相比,能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合,可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路,该解决方案具有低假阳性率和高灵敏度,可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备,结合基于 EEG 的癫痫发作检测算法,以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
摘要 — 目标:当存在多个声源时,当前助听器中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题,它们可以与听觉注意解码 (AAD) 算法相辅相成,该算法使用脑电图 (EEG) 传感器解码注意力。最先进的 AAD 算法采用刺激重建方法,其中关注源的包络从 EEG 重建并与各个源的包络相关。然而,这种方法在短信号段上表现不佳,而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法:我们提出使用滤波器组公共空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式,它不需要访问干净的源包络。结果:提出的 FB-CSP 方法在短信号段上的表现优于刺激重建方法,在相同任务上的表现也优于卷积神经网络方法。我们实现了高精度(1 秒窗口为 80%,准瞬时决策为 70%),足以实现低于 4 秒的最小预期切换持续时间。我们还证明解码器可以适应来自未见对象的未标记数据,并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论:提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义:在非常短的数据段上实现高精度是朝着实用的神经引导听力设备迈出的重要一步。
脑电图 (EEG) 信号的分析总是涉及量化问题;这些问题可能涉及主频率的精确值以及从同时或不同时间记录的两个对称推导信号之间的相似性。在这些例子中,有一个问题只能通过对 EEG 信号进行测量来解决。没有这样的措施,EEG 评估仍然是主观的,很难导致逻辑系统化。经典的 EEG 评估总是涉及借助简单的标尺测量频率和/或幅度。这种简单方法的局限性很大,特别是当必须评估大量 EEG 数据并且强烈感受到数据缩减的需要时,以及当提出相当复杂的问题时,例如 EEG 信号的变化是否与内部或外部因素有关,以及不同推导中发生的 EEG 现象有多同步。要清楚地回答这些问题,需要某种形式的 EEG 分析。然而,这种分析不仅是一个量化问题,还涉及模式识别的元素。每一位脑电图医师都知道,对于诸如尖峰、尖波或其他异常模式等脑电图现象,有时很难引用精确的测量值;经验丰富的专家只能通过“目测”来检测它们。这些类型的问题可以通过模式识别分析技术解决,其原理是必须测量脑电图现象的特征。在特征提取阶段之后,将现象分类为不同的组。因此,脑电图分析不仅意味着简单的量化,还包括特征提取和分类。脑电图分析的主要目的是通过数字或图形形式的客观数据支持脑电图医师的评估。然而,EEG 分析可以走得更远,实际上可以扩展脑电图师的能力,为他们提供新的工具,使他们能够执行诸如癫痫患者长时间 EEG 的定量分析以及睡眠和精神药理学研究等困难任务。分析方法的选择主要取决于应用的目标,但也必须考虑预算限制。制定适当的策略取决于一些实际情况,例如分析结果是否必须实时在线提供,还是可以离线呈现。在过去,前一种要求会带来相当大的问题,只有采用一种相当简单的分析形式才能解决;新计算机技术的发展提供了更可接受的解决方案。另一种
神经科学的当前趋势是使用自然主义刺激,例如电影,课堂生物学或视频游戏,旨在在生态上有效的条件下了解大脑功能。自然主义刺激招募复杂和重叠的认知,情感和感觉脑过程。大脑振荡形成了此类过程的基本机制,此外,这些过程可以通过专业知识来修改。尽管大脑作为生物系统是高度非线性的,但通常通过线性方法分析人类皮质功能。这项研究应用了一种相对健壮的非线性方法,即Higuchi分形维度(HFD),将数学专家和新手的皮质功能分类为在脑电图实验室中解决长期且复杂的数学示范。脑成像数据是在自然主义刺激期间长期跨度收集的,可以应用数据驱动的分析。因此,我们还通过机器学习算法探讨了数学专业知识的神经标志。需要新颖的方法来分析自然主义数据,因为基于还原主义和简化研究设计的现实世界中脑功能的理论的表述既具有挑战性又可疑。数据驱动的智能方法可能有助于开发和测试有关复杂大脑功能的新理论。我们的结果阐明了HFD在复杂数学期间对数学专家和新手分析的不同神经签名,并将机器学习作为一种有前途的数据驱动方法,以了解专业知识和数学认知的大脑过程。
图 1:使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意:A= 耳垂,C = 中央,Pg = 鼻咽,P = 顶叶,F = 额叶,Fp = 额极和 O = 枕叶。