用脑电图预测消费者选择

 
内容来源:张娟娟、张晓洁
本期编辑:朱红
校      对:郭晓彤
审    核:侯彩霞
仅用于学术交流,原文版权归原作者和原发刊所有

本文是针对论文《脑电图预测消费者选择(Using EEG to predict consumers’ future choices)》的一篇研究导读,该篇论文在2015年发表于《Journal of Marketing Research》,作者为Ariel Telpaz, Ryan Webb, and Dino J Levy。

01
摘要&关键词

摘要:现有研究已经确定,神经成像技术可以预测消费者对产品的偏好。然而,这种方法对消费者营销研究的适用性仍有疑问。在本实验中,被试独立查看消费品,不用做出任何实际选择,同时用脑电图测量神经活动。在进行这些测量后,被试在几对相同的产品之间做出选择。我们发现前额电极测量的神经活动显示,当出现优选的商品时,N200成分和θ波被激活。使用最先进的技术将神经测量与选择预测联系起来,证明这些测量可以预测随后的选择。此外,预测的准确性取决于脑电图数据的序数和基数距离,两种商品之间的脑电活动差异越大,预测的准确性越高。

关键词:脑电图,选择预测,消费者神经科学,θ波,N200

02
引   言

在过去的15年里,决策背后的神经科学研究迅速发展,可以将神经活动测量引入到营销研究中。首先,神经科学有可能改善现有产品的营销信息。第二,神经科学有可能在产品还没有上市之前就提供对产品价值判断,从而改进产品设计。先前的研究表明,不同的偏好诱导方法会导致不同的被试反应。使用问卷来评估消费者的偏好、态度和购买意图可能会导致有偏见或不准确的结果。偏好的口头陈述也会产生有意识或无意识的偏见。在某些情况下,消费者拒绝陈述他们的实际偏好,在其他情况下,消费者无法用语言说明他们偏好的理由。

来自功能磁共振成像(fMRI)的证据表明,代表价值的大脑区域是相同的,主要是内侧前额叶皮层和纹状体,表明当被试在没有选择行为的情况下也会评估商品价值。这些信号的大小与消费者选择特定商品的可能性相关,并可用神经随机效用模型来预测后续选择。这个模型用神经测量手段扩展了随机效用框架的选择预测结果。这些研究表明内侧前额叶皮层和纹状体的活动与各种价值属性相关,并与评估被试对选择对象的价值的已知方法相关—从消费品到彩票、慈善捐赠、耐用品、社会偏好和政治偏好。这些领域对于消费者从未体验过的新商品的估值也很关注。

然而,功能磁共振成像扫描仪的成本阻碍了它们的广泛应用。最突出的是,功能磁共振扫描仪有一个非常大的固定设备,购买成本约100万至200万美元,运营成本(保险、维护和人员)约为10万至15万美元,需要定制的房间且无法移动。与固定成本部分相比,运行功能磁共振成像实验的边际成本相对较低,但仍在每个实验500美元左右。这些相对较高的成本严重限制了功能磁共振成像在学术和商业中的应用。

功能磁共振成像也有技术限制,主要是时间分辨率相对较低。这种分辨率难以记录与价值表达背后神经机制相关神经信号的快速动态。例如,消费者可以在1/3秒内做出消费品的决定。为了解决这些问题,我们使用脑电图作为替代工具。从固定成本的角度来看,脑电图比功能磁共振成像便宜几个数量级(大约5万美元),几乎不需要保养和维护,并且在神经科学实验室中可广泛应用,进行脑电图实验的边际成本只有几美元。从技术角度来看,EEG还具有非常高的采样率(大约1-2ms),可以识别神经信号在短时间内(大约50ms)的快速变化,这些变化中可能带有关于消费者偏好和选择行为的强大预测信息。

在这篇文章中,我们严格讨论了脑电图对神经活动的测量(被试在计算机屏幕上查看个人消费品但不做任何选择)是否可以用于预测排序偏好评级和实际选择。,假设得到证实,脑电图信号的空间和时间成分与被试的消费品排序偏好相关,并可用于预测随后的选择。据我们所知,这是第一个揭示基本原理的脑电研究,可以使用神经活动来预测选择,而不需要问消费者任何问题。

03
文献综述

脑电图与评估和选择之间的联系

有几项研究将脑电活动与消费者偏好的某些方面联系起来。Ambler等人进行的第一项在消费者研究中使用脑电图数据的研究证明,顶叶皮层的脑电活动和对商品的熟悉度评级之间存在联系。与右额叶电极静息活动较大的被试相比,左额叶电极静息活动较大的被试在随后的行为任务中选择了更令人愉悦的刺激。一项相关研究也检验了脑电图信号的半球不对称性和风险厌恶。在实验的初始阶段,被试安静地坐在房间里,同时测量他们的基线或“紧张”神经活动。测量之后,被试参与一项行为任务以引出他们对风险的偏好。研究发现,在行为任务之前测量的右侧前额叶皮层较高的紧张性活动与行为任务中测量的较高水平的风险厌恶相关。重要的是,这项研究表明,在没有选择行为的情况下测量的脑电图活动可以用来预测偏好特征。

几项研究还表明,与选择同时测量的脑电图活动与选择行为有关。例如,α波段(20–45赫兹)和α波段(8-13赫兹)振荡都与被试在特定时间和大脑位置对消费品的选择相关。在最近的一项研究证明,在选择前几秒钟测量的相对较大的左额叶叶激活预测了购买。对产品更高的感知需求和感知产品质量(通过决策阶段结束时回答的问卷来衡量)也与左额叶激活相关。然而,请注意,在这两项研究中,被试在脑电图记录期间都做出了实际的选择。因此,我们是否可以在被动观看商品时使用脑电图数据来预测某个相当长的时间范围内的选择,仍然是一个悬而未决的问题。在这个问题上向前迈出的重要一步是Vecchiato等人最近的一项研究,作者记录了被试观看视频广告时的脑电图活动,并随后将这些测量结果与相同广告愉悦度的问卷调查结果联系起来。研究表明,θ和α波段的活动与随后的愉悦度评分有关,左额叶皮层的活动与“愉悦”的商业广告有关,右额叶叶皮层的活动与“不愉悦”的商业广告有关。虽然这项研究证明了脑电图记录和随后的行为反应之间的联系,但如上所述,愉悦度评分可能与实际估价以及随后的商品选择无关。

脑电图测量的技术问题

大脑中的神经元通过电脉冲进行交流。脑电图通过位于人体头皮上的电极测量产生的电势(电压)的振荡。每个电极反映了数千或数百万具有相似空间内神经元同步活动的总和。因为电压场随着距离的平方而下降,所以来自大脑深层区域的活动比靠近头骨的活动更难检测到。因此,大多数测得的脑电图信号来自皮层而不是皮层下区域。众所周知,行为和心理过程是多个大脑区域在不同空间和时间尺度上复杂相互作用的结果,脑电地形图只能在宏观水平上表现这种动态活动的一部分。

在本研究中,我们使用两种常见的方法检查了脑电图对商品的反应。第一种方法是事件相关电位(ERP),它测量作为时间函数的刺激所引起的电压水平的变化。因为这些测量的时间分辨率在几十毫秒的数量级,所以ERP可以精确地测量处理活动何时在人脑中发生,并且提供认知和情感过程信息。关于决策过程已经确定了两个众所周知的事件相关电位:P300成分和N200成分。我们采用的第二种方法称为事件相关谱扰动(ERSP)。ERSP测量一段时间内对刺激的反应,但它将脑电图信号分成不同的频带,检查给定频带的功率是否以及在多大程度上随时间变化。频谱通常细分为以下频段:δ(1-4hz)、θ(5-8hz)、α(8-12hz)、β(14-30hz)和γ(40hz)。

有大量的数据将这些频带的变化与各种认知过程联系起来,例如精神状态的变化、分配任务的注意力变化、记忆过程、动机和情绪过程、不同的睡眠阶段和意识水平等。例如,α波与注意力集中有关,θ波与引发反应的抑制有关,以及警觉性的β波。每个频带可以与许多认知过程相关联。

04
方   法

我们的研究遵循Levy等人提出的三阶段实验程序。

第一阶段:熟悉货物

为实验者简要描述了十种商品,并邀请被试进行检查,不告知实际价格。所有商品展示完毕后,我们通知被试,在实验结束时,他们将获得他们最想要的产品。研究中使用的消费品是从以色列最大零售商店的在线网站上随机选择的。商品有:1)白色数字立体声耳机2)白色塑料水壶3)粉色台灯4)红色光学无线鼠标5)红色和黑色16GB U盘6)磁性留言板7)彩虹色吊床8)白色和蓝色蒸汽熨斗9)粉色瑜伽垫10)黄色煎锅。重要的是,一件商品的平均价格是80NIS,在70-90NIS之间。这就控制了观察价值差异是由于采购价格差异造成的。

第二阶段:脑电图测量

被试坐在隔音房间,头戴脑电图电极帽,尽量减少头部和身体的运动。在电脑上依次浏览第一阶段的十种商品的图像,每次试验只展示一种商品,被试被简单地要求思考一种商品对他们来说值多少钱,不用做选择与反应。

上图描绘了消费品的视觉呈现。在每次试验中,被试首先在随机变化的800-1200毫秒的时间间隔内看到一个注视校准,此后,一个商品的图像被呈现2秒钟。为了提高我们测量的信噪比,每个商品以随机顺序呈现50次,总共500次试验。这500项试验分为10个block,每个block包含50个trail。被试被允许在两个block之间短暂休息。在每个block的末尾,屏幕上会出现一条消息,说明只要被试准备好了,就可以通过按下鼠标按钮继续执行任务。脑电图记录阶段的总时间为25分钟。

第三阶段:选择阶段

脑电图记录完成后,被试等待10分钟后开始行为选择任务。上图描绘了这项任务的视觉呈现。在每次试验中,两种商品同时出现在电脑屏幕上,被试说明他们更喜欢哪种商品(没有时间限制),对10种商品所有可能的配对进行了比较,总共45对,每对选择重复6次,总共270次随机排序的选择试验。六个选择的重复对于我们将在选择预测分析中采用的测量误差校正非常重要。屏幕上每个商品的位置(左或右)也是随机改变的。

为了进一步验证行为选择任务的结果,我们进行了两项额外的测量。首先,被试被要求回答一个简短的计算机问卷,在问卷中,他们被要求在从“非常不喜欢”到“非常喜欢”的7分制范围内对每种商品进行评分,并在从“根本不想要”到“非常想要”的7分制范围内对每种商品进行评分。其次,被试必须将商品从1(最喜欢)到10(最不喜欢)进行排序。最后,为了控制任何可能的所有权影响,询问他们是否拥有类似的产品。实验结束时,被试选择他们最喜欢的商品。为了确保拥有相似商品不会影响问卷和行为选择任务分数之间的相关性,在问卷和选择偏好之间进行了皮尔逊偏相关。分析显示,拥有类似商品对相关性的大小或重要性没有任何显著影响。

实验对象:被试15名被试(7名女性)参与了这项研究。所有被试均为右手,视力和色觉正常。身体健康,没有神经或精神疾病。在实验开始之前,被试给出了书面的知情同意书。他们参加这项研究的报酬为100NIS。

数据采集:我们用19个电极(Fp1、Fp2、F7、F3、F z、F4、F8、T3、C3、C z、C4、T4、T5、P3、P z、P4、T6、O1、O2)记录脑电图,这些电极安装在弹性帽上。脑电图系统包括两个额外的电极,一个Common Mode Sense主动电极和一个Driven Right Leg (DRL)接地电极。

脑电图测量

为了分析脑电图数据,我们使用了两种方法。一种是事件相关电位,将刺激后响应进行叠加平均,能够看到不同商品的平均波形,并检验是否存在系统性差异来预测未来的选择。第二种方法称为ERSP,着眼于特定频率。ERSP分析反映了特定频域功率随时间的变化,作为对刺激呈现的响应。我们研究了特定的频率是否可以用来预测被试未来的选择。为了避免多重比较和事后假设的问题,我们使用了以前的文献和对前五个被试进行的基本视觉和统计分析,以确定关注哪个电极、分析哪个ERP和ERSP成分以及时间窗口的持续时间。

对于前五个被试,我们将平均事件相关电位信号和样本中前5个最受欢迎商品和后5个最不受欢迎商品的中位数进行了比较。发现N200成分的平均波幅可以区分高偏好商品和低偏好商品,但是在事件相关电位信号中存在不显著的P300成分。基于先前的研究,我们将分析的剩余部分集中在以N200峰值振幅,根据这一初步假设,我们确定N200振幅的最大差异(前5个最优选商品和后5个最不优选商品之间)在脑电地形图的前部是明显的,其中电极Fz的影响最大。因此将分析重点放在N200成分上,并且因为这种成分主要在额叶中央电极上表现明显。

ERSP分析重复了同样的操作。0-40Hz频率范围内的平均ERSP信号可以区分前5个最喜欢的商品和后5个最不喜欢的商品,这引导我们在刺激呈现后100-400毫秒的时间窗口内关注θ带活动(5-8Hz)。这一观察结果与先前证明θ波段活动和估值之间联系的研究一致。基于以前的文献,我们还假设α波也可能与被试随后的选择有关。然而,我们没有发现支持这一假设的证据。

为了检验研究发现的稳健性,在研究结束时,我们对其余10名被试重复了最初的中位分割分析,结果与上面报告的初步发现相匹配。

控制电极

在对Fz进行选择预测分析后,我们旨在检查脑电图信号的预测信息是否来自更多的前部区域,或者预测信号是否可以在其他电极中检测到。因此,我们在Pz上重复所有分析。

05
结   果

在两种商品中,每种商品在一半被试的选择中是首选(0.02,SE = 0.01),这表明所有被试对商品都有明确的排序偏好。为了衡量有多少转换是由可能不一致的偏好引起的,我们还研究了proportion of stochastic transitivity violations。对于每三个一组的消费品{A,B,C},当P(A|{A,B})>=0.5,P(B|{B,C}) >=0.5,但P(A|{A,C})<0.5时,就会发生这种violations。在所有被试中,violations比例极低(0.02;SE = 0.003)。综上所述,这些结果表明被试具有相对清晰的排序和一致的偏好,但在选择行为中存在随机行为,这是常见的。

我们根据被试在所有试验中选择的总次数为每种商品分配了一个偏好分数。为了评估这些偏好分数的有效性,将它们与问卷排序任务的结果进行了比较。每种商品的平均偏好得分与问卷排序结果之间的相关性很大且显著(r=0.97,p<001)。此外,在问卷中测量的偏好得分与对商品的喜欢(r=0.82,p<0.001)和对商品的缺乏(r=0.96,p<0.001)之间的相关性也很明显,因为预测被试偏好的能力部分取决于他们偏好的“强度”,我们通过从商品的最高分减去商品的最低分数得出的偏好分数来计算最小/最大范围。值得注意的是,被试的偏好也有一定程度的同质性(即他们倾向于选择相同的商品)。

如上图所示,显示了我们研究中5种最受欢迎商品与5种最不受欢迎商品的被试N200成分的平均振幅(电极F z和P z)。神经活动和行为之间关联的证据可以在刺激呈现后200毫秒开始的N200成分中观察到。与5种高偏好商品相比,5种低偏好商品的N200平均波幅更大,这种差异在Fz(配对t检验,t(14)=-2.72,p<0.05)和Pz(t(14)=-3.18,p<0.01)中都很显著。但是,N200成分在所有商品上的整体波幅在电极F z(M=-4.925V,SD=5.55)中比在电极P z(M=-1.09V,SD=3.96)中大得多,这表明信号的来源更靠前。如下图的脑电地形图所示,表示低偏好商品减去高偏好商品的平均电压分布,效果在200-300毫秒的时间窗口内非常突出,并且集中在脑前部。

如上图所示,显示了我们研究中5种最受欢迎商品与5种最不受欢迎商品的被试N200成分的平均振幅(电极F z和P z)。神经活动和行为之间关联的证据可以在刺激呈现后200毫秒开始的N200成分中观察到。与5种高偏好商品相比,5种低偏好商品的N200平均波幅更大,这种差异在Fz(配对t检验,t(14)=-2.72,p<0.05)和Pz(t(14)=-3.18,p<0.01)中都很显著。但是,N200成分在所有商品上的整体波幅在电极F z(M=-4.925V,SD=5.55)中比在电极P z(M=-1.09V,SD=3.96)中大得多,这表明信号的来源更靠前。如下图的脑电地形图所示,表示低偏好商品减去高偏好商品的平均电压分布,效果在200-300毫秒的时间窗口内非常突出,并且集中在脑前部。

因为先前的研究证明了慢α波(8-10Hz)和估值之间的相关性,我们还计算了高偏好商品和低偏好商品在α波活动方面的差异。慢α波是从同样的ERSP分析中确定的,但现在集中在8-10Hz频段。两组间无显著性差异(M high-preference = 0.86,SD = 1.22Mlow-preference = 1.05,SD = 1.5t(14) = -1.18,p = 0.25)。这表明,至少在我们的实验中,频域的预测信息相对较窄;预测信息不是许多频率的一般特征,但它相当集中在θ频段。

我们现在检查为特定商品测量的脑电图活动是否与所有被试对该商品的排名相关。对于每种商品,我们观察了N200波幅的大小和每种商品的偏好分数。如上图所示,在所有被试中,一种商品的平均N200振幅和每种商品的偏好分数之间的相关性是高的、正的和显著的(Fz: r = 0.76,p < 0.01; Pz: r = 0.75,p < 0.05)。也就是说,N200波幅越高,该商品在随后的行为选择任务中的偏好排名就越高。以类似的方式,对于每个被试,我们将被动观看每个商品的平均θ活动反应(平均超过50次重复)与所有商品的偏好分数相关联。在所有被试中,平均θ波活动和选择良好的平均总次数之间的相关性是高的、负的,并且在电极F z中是显著的(r = -0.83,p < 0.001; r = 0.76,p < 0.05),但不在电极Pz中(r = -0.08, p = 0.82)。也就是说,在被动观看商品期间电极Fz的θ波活动越低,该商品在随后的选择任务中的偏好等级越高

我们将按等级排序的商品分为A和B,并绘制了ERSP水平函数。1代表最不优选的两种商品,5代表最优选的两种商品,y轴表示脑电图频率,颜色表示功率,红色表示更高的功率,黑色虚线(x轴上的零)表示刺激呈现开始。A表示单个被试的ERSP活动偏好得分。B表示所有被试的平均ERSP活动偏好得分。正如在两个面板中可以看到的,θ频带中的功率作为偏好分数的函数而降低。因此,θ波活动越弱,偏好得分越高。

上图报告了每个被试选择一种商品的总次数(在54个可能的试验中),以及整个群体的总次数(810个可能的试验)。例如,在75%的选择试验中选择了u盘,它在所有被试中呈现,而磁性留言板只有27%被选择。对于这两种商品,当这两种商品的相应脑电图测量值非常不同时,这种严格的排序将与神经测量值产生相关性。

为了检验整个样本,我们计算了每对被试之间偏好排名的被试间相关性。发现脑电图活动和不同被试对商品的偏好之间的相关性部分是由于被试之间的相关性。

被试脑电图活动和偏好的相关性

在确定了N200成分的平均人群水平效应和人群中消费品被选择的次数后,我们接下来检查了该成分是否与被试水平的商品排名相关。对于每个被试,我们观察了十种商品中每一种的偏好分数。此后,对于每个被试,我们将商品从1到10进行排序,并观察N200成分的相应波幅。然后,我们对所有被试的排名分数和相应的N200波幅进行平均。

如上图A所示,在电极Fz中,平均N200幅度和排名商品的平均偏好得分之间的相关性是高的、正的和显著的(r = 0.7,p = 0.023),但在电极Pz中不是这样(r = 0.34,p = 0.33)。就是说,N200偏转越小,该商品在后续选择任务中的偏好得分越高。

我们以类似的方式分析了脑电信号的θ功率带。如上图B所示,所有被试的平均θ波功率和偏好得分之间的相关性很高、积极且显著。在观看商品期间,Fz中测量的θ活动越低,该商品在10分钟后进行的后续行为选择任务中的偏好排名越高。同样,仅在Fz中存在相关性表明N200和θ波功率的预测信息更多来源于脑前部区域

使用脑电图测量的选择预测

在确定商品内和被试内的平均脑电图活动与选择偏好相关后,我们回答研究的主要假设:脑电图数据能否用于得出被试对消费品价值的衡量标准,以及该衡量标准能否用于预测他们的逐个试验的选择?为了回答这个问题,我们使用最近在神经经济学文献中介绍的两种方法对N200和θ波活动进行了分析。

(1)序数分析

将神经测量与选择预测相关联的第一个要求是确定神经测量的顺序对应于行为任务选择。为了验证这一点,每种商品都根据其神经活动的脑电图测量进行了排序。然后,我们在选择任务中报告成对选择的正确预测数量。电极F z中的ERSP测量和ERP测量都预测了选择行为。使用电极F z的θ,两两选择的正确预测比例为0.59 (SD = 0.12),这种预测功率在电极P z中并不明显,证明了脑电图信号对额叶区域预测能力的特异性。

如上图所示,正确预测的比例随着电极Fz的顺序距离的增加而提高,而对于Pz则没有。这再次强化了预测信息是特定于前区的概念。

(2)基数分析—神经随机效用模型

我们的观察表明,每一个商品的脑电图测量值排序幅度差异具有预测能力。这一观察结果与序数排名所依据的价值衡量的可能相一致。这是因为知道一个主体对一种消费品(相对于另一种)的价值可以提高预测率。

为了检验这种可能性,我们使用了神经随机效用模型和选择预测程序,该模型基于两种商品的神经活动差异,估计被试选择一种商品的可能性。

在上图A中,报告了N200信号的每个被试的NRUM 估计的Probit 系数。我们的神经测量差异的增加导致我们15名被试中的7名选择更高选择的可能性显著增加。对于5名被试,没有显著结果,其余三名被试的参数估计方向相反,这一结果与我们的神经信号中观察到的高度测量误差一致。为了检验模型中选择预测结果的大小,我们对每个试验进行了拟合选择概率计算,并为每个试验模拟了1000个选择。除了一名被试之外,所有被试的预测率都明显较高。C和D报告了ERSP中θ波的类似结果,θ波活动的增加显著增加了选择较低值替代物的可能性。

06
讨   论

在目前的研究中,我们证明了在被试视觉评估消费品时进行的神经活动脑电图测量,可以预测后续二元选择任务中的偏好。重要的是,我们预测的准确性取决于神经测量的序数和基数距离。我们的脑电图测量的幅度差异越大,预测的准确性就越好。

先前的脑电图研究已经证明了θ波段的半球不对称性与消费品估价的某些方面(如愉悦度和喜爱度)之间的联系。首先,在我们的分析中,我们发现了θ功率和被试的排序偏好之间的相关性。第二,据我们所知,这是第一项将事件相关电位中识别的一般脑电图波形(N200)与随后的选择行为相关联的研究。第三,我们证明了预测能力取决于θ波功率的大小,这为我们的测量提供了一个基本尺度。最后,我们证明了信号很可能来自额叶。

引用:Telpaz A,Webb R,Levy, DJ. Using EEG to Predict Consumers' Future Choices[J]. JOURNAL OF MARKETING RESEARCH, 2015, 52(4):511-529.

 
 
 
 
 
神经工程管理
 
 
 
 
 
道阻且长,行则将至;
行而不辍,未来可期。

神经工程管理联合发起人

 
李   恒 教   授 香港理工大学
叶   贵 教   授 重庆大学
卢昱杰 教   授 同济大学
廖彬超 副教授 清华大学
陈嘉宇 副教授 香港城市大学
韩   豫 教   授 江苏大学
崇   丹 副教授 上海大学
付汉良 副教授 西安建筑科技大学

西安建筑科技大学神经工程管理实验室成员

 
付汉良 副教授  
侯彩霞 副教授  
王萌萌 博士后  
郭晓彤 博士后