一种基于脑电图（EEG）检测和长短期记忆网络（LSTM）以及注意力机制的神经营销推荐系统

《Scientific Reports》：A neuromarketing recommender based on EEG sensing and LSTM with attention

　　

摘要

传统的基于脑电图(EEG)的推荐系统，例如那些使用标准LSTM、双向LSTM或注意力增强LSTM的系统，在解码消费者偏好方面展现出了潜力。然而，这些模型往往未能充分考虑决策事件之间的不规则时间间隔，并且倾向于忽视关键的神经动态，从而在神经营销应用中表现不佳，而在这些应用中，时间和认知状态转换至关重要。为了解决这些问题，我们提出了一种分布式注意力感知的长短期记忆(ataLSTM)框架，专为基于EEG的推荐系统设计。该方法明确地对时间不规则性进行了建模，并利用分布式注意力机制来优先考虑那些最能预测消费者“喜欢”或“不喜欢”反应的EEG特征。该框架使用14通道的EMOTIV EPOC+头戴设备（根据10-20系统配置）采集了18至38岁神经健康成年人的EEG记录数据，并在一个开放的神经营销数据集上进行了评估。在该数据集中，框架分析了14个消费品类别在实时评估期间的大脑活动。通过采用分层10折交叉验证的稳健评估协议（进行五次重复实验），ataLSTM的分类准确率达到了92.42%，平均比LSTM、biLSTM和注意力增强LSTM的基线模型高出3.2%。当使用10-20窗口配置和30%的重叠比例时，系统性能达到了最佳，这突显了该模型捕捉细微神经变化的能力。分布式注意力机制显著减少了误判情况，并提高了偏好区分度。通过将认知状态建模嵌入推荐流程中，ataLSTM能够实现产品建议的精确实时个性化，从而提升目标广告效果、交叉销售率和客户转化率。这项工作为消费者分析领域中的脑机界面应用树立了新的标准，架起了神经营销研究与实际推荐系统之间的桥梁。