利用神经响应数据产生评定预测的制作方法

专利名称：利用神经响应数据产生评定预测的制作方法
技术领域：
本公开内容涉及利用神经响应数据来产生评定预测(ratings prediction)。
背景技术：
用于执行媒体材料(例如节目和广告)的评定预测的常规系统是受限的。某些评 定预测可以基于调查和基于焦点组的反馈产生。然而，用于预测评定的常规系统很容易受 到语法的、隐喻性的、文化的和解释的错误的影响，这些错误阻碍准确和可重复的预测。因此，提供用于通过利用神经响应数据(例如中枢神经系统、植物性神经系统和 效应器系统的测量)来产生评定预测的改进的方法和设备是合乎需要的。


本公开参照以下结合附图的描述可以更好地理解，其中示出了特定示例性的实施 例。图1示出了利用神经响应数据执行评定预测的系统的一个例子。图2示出了可包括在贮藏库中的媒体属性的例子。图3示出了可用于评定预测生成器的数据模型的例子。图4示出了可用于评定预测生成器的查询的一个例子。图5示出了使用评定预测生成器生成的报告的一个例子。图6示出了用于执行评定预测的技术的一个例子。图7示出了用于执行评定预测的技术的一个例子。图8提供了可用于执行一个或多个机制的系统的一个例子。
具体实施例方式现在详细参考本发明的某些特定实例，这些实例包含由发明人设想的实现本发明 的最佳方式。这些特定实施例的例子在附图中被示出。虽然结合这些特定实施例描述了本 发明，应该理解的是，并非旨在将本发明限制到所描述的实施例。相反地，其旨在覆盖包括 在所附权利要求所限定的本发明的精神和范围内的替换、修改和等价物。例如，本发明的技术和机制将在特定类型的数据(例如中枢神经系统、植物性神 经系统和效应器数据)的上下文中被描述。然而，应该注意的是，本发明的技术和机制适用 于各种不同类型的数据。应该注意的是，各种机制和技术可应用于任何类型的刺激。在随 后的描述中，阐述了许多特定细节以便于全面理解本发明。在不没有这些特定细节的一些 或全部的情况下，本发明的特定示例性实施例也可以被实现。在其它情况下，为了不造成本 发明的模糊化，不再详细描述公知的过程操作。为了清楚起见，本发明的各种技术和机制有时会以单一的形式来描述。然而，应该 注意的是，除非另作说明，一些实施例包括一种技术的多次反复或一种机制的多个示例。例 如，在各种上下文中系统使用一个处理器。然而，可以理解的是，除非另作说明，在保持在本发明的范围之内同时，一个系统可以使用多个处理器。此外，本发明的技术和机制有时将描 述两个实体之间的连接。应该注意的是，在两个实体之间的连接未必指的是直接的、不受阻 碍的连接，因为各种其它实体可能存在于这两个实体之间。例如，处理器可以被连接至存储 器，但可以理解的是，各种桥接器和控制器可存在于该处理器和存储器之间。因此，除非另 作说明，连接未必指的是直接的、不受阻碍的连接。概述通过从接触媒体材料的对象获取神经响应数据(例如中枢神经系统、植物性神经 系统和效应器系统测量)评估诸如节目和广告之类的媒体材料。媒体材料可被分类和/或 标记。识别从相似人口统计类别的用户得出相似神经响应数据的对应媒体材料。在某些例 子中，通过识别与得出相似神经响应数据的相应媒体材料相关联的评定来产生评定预测。示例性实施例评定预测一般通过使用来自接触媒体材料的对象的调查和基于焦点组的反馈来 执行。媒体材料可包括节目、广告、电影、演出、游戏等。然而，常规的评定预测机制通常不精 确地预测评定。常规的系统在评估用户响应时不使用神经行为和神经生理响应混合表现， 并且没有得出对媒体材料的预测响应。在这些方面中，依照本发明使用中枢神经系统、植物性神经系统和效应器系统测 量的评定预测生成器设备基本上脱离了常规概念和设计，并且跨越各种人口统计分组和子 组提供对媒体材料的不同类型进行评定预测的机制。根据各种实施例，提供的技术和机制不仅预测评定，也可以测量特性，例如对媒体 材料的注意力、启动的(retention)、保持的和情感响应特性。根据各种实施例，本发明的技术和机制可使用各种机制，例如基于调查的响应、 统计数据和/或神经响应测量(例如中枢神经系统、植物性神经系统和效应器测量)提 高评定预测。中枢神经系统测量机制的一些例子包括功能性磁共振成像(Functional Magnetic Resonance Imaging, fMRI)、脑电图(Electroencephalography, EEG)、脑磁描记 计(Magnetoenc印hlography，MEG)和光学成像。光学成像可用于测量涉及在大脑或与神经 元触发相关联的神经元中的药液浓度的光散射或吸收。MEG测量大脑中电活动产生的磁场。 fMRI测量与增加的神经活动相关的大脑中的血液氧化作用。然而，fMRI的当前实现方式具 有较差的几秒钟的时间分辨率。EEG测量与发生在毫秒范围内的后突触电流相关联的电活 动。由于骨和外胚层削弱了宽范围频率的传输，颅下的EEG可以以最大准确度测量电活动。 尽管如此，如果正确地分析，表面EEG提供了大量的电生理学信息。甚至具有干电极的便携 式EEG提供大量的神经响应信息。植物性神经系统测量机制包括心电图(Electrocardiograms，EKG)、瞳孔扩张等。 效应器测量机制包括眼电图(ElectrooculographyjOG)、眼睛跟踪、面部情感编码、反应时 间等。根据各种实施例，本发明的技术和机制智能地将预认知神经签名(signature)的 多种模式和表现与认知神经签名和后认知神经生理学表现混合起来，以便更准确地执行评 定预测。在某些例子中，植物性神经系统测量本身用于验证中枢神经系统测量。效应器和 行为响应与其它测量相混合和结合。根据各种实施例，中枢神经系统、植物性神经系统和效 应器系统测量被聚合为一种允许评定预测的测量。
在特定实施例中，对象接触媒体材料并且在接触期间收集数据，例如中枢神经系 统、植物性神经系统和效应器数据。在特定实施例中，在对象接触媒体以前和每次对象接触 媒体之后，对脑部的不同区域评估特定事件相关电位(eventrelated potential,ERP)分析 禾口 / 或事件相关功率谱扰动(event related power spectralperturbations, ERPSP)。根据各种实施例，确定在脑的多个区域中ERP时间域分量的前刺激和后刺激的差 动以及目标和干扰物(distracter)的差动测量(DERP)。执行对于在多个频带上评估注意 力、情感和记忆力保持(DERPSP)进行差动响应的事件相关时间-频率分析，这些频带包括 但不限于theta、alpha、beta、gamma和高gamma。在特定实施例中，单个试验和/或平均 的DERP和/或DERPSP可用于增强共振测量和确定各种产品和服务的启动级别(priming level)ο可以分析多种媒体材料，例如娱乐和市场材料、媒体流、布告板、印刷广告、文本 流、音乐、性能、感觉经验等。媒体材料可以涉及音频、视觉、触觉、嗅觉、味觉等。根据各种 实施例，使用数据分析器产生增强神经响应数据，该数据分析器执行内部形态测量改进和 交叉形态测量改进。根据各种实施例，测量大脑活动不仅仅确定活动的区域，还确定在各个 区域之间的交互和交互类型。本发明的技术和机制意识到，在神经区域间的交互对已安排 和组织好的行为进行支持。注意力、情感、记忆力以及其它能力不仅仅基于脑的一个部分， 而是也会依赖脑部区域间的网络交互。本发明的技术和机制进一步意识到，用于多个区域通信的不同频带能够表现出刺 激的有效性。在特定实施例中，对每个对象校准评估并且跨越对象同步评估。在特定实施例 中，为对象创建模板用于创建基线来测量前刺激和后刺激的差动。根据各种实施例，刺激生 成器是智能的并自适应地修改特定的参数，例如对每个分析对象的接触长度和持续时间。可以使用各种形态，包括EEG、GSR、EKG、瞳孔扩张、E0G、眼睛跟踪、面部情感编码、 反应时间等。通过智能地识别神经区域的通信路径增强诸如EEG的单个形态。使用中枢神 经系统、植物性神经系统和效应器签名的合成和分析混合增强交叉形态分析。通过例如时 移和相移、相关和验证内部模态确定的机制的合成和分析允许生成合成输出，其表征各个 数据响应的有效性(significance)。根据各种实施例，对媒体材料分类和/或标记允许标识相似的媒体材料或媒体材 料部分。在特定实施例中，针对特定用户组的基于调查和实际表示的响应和动作与媒体材 料和神经响应数据整合，并存储于评定预测生成器贮藏库中。根据特定实施例，评定预测可 以通过分析神经响应数据执行。在特定实施例中，具有对应神经响应数据的相似分类的媒 体材料可以从评定预测生成器贮藏库中获得，以预测所评估的媒体材料的评定和普及度。图1示出了使用中枢神经系统、植物性神经系统和/或效应器测量执行评定预测 的系统的一个例子。根据各种实施例，该评定预测系统包括媒体材料呈现设备101。在特定 实施例中，媒体材料呈现设备101仅仅是显示器、监视器、屏幕等，其提供媒体材料给用户。 这些媒体材料可以是媒体剪辑、商业节目、电影、杂志、音频表示、游戏等，甚至可以包括特 殊味觉、嗅觉、纹理和/或声音。媒体材料可以是各种刺激材料，并且可以涉及各种感觉，并 可以在有或没有人类监督的情况下发生。连续模式和离散模式被支持。根据各种实施例， 媒体材料呈现设备101还具有协议生成能力，以允许智能的定制提供给不同市场中多个对 象的刺激。
根据各种实施例，媒体材料呈现设备101可以包括诸如电视、电缆控制台、计算 机和监测器、投影系统、显示设备、扬声器、能触知的表面等之类的设备，其用于呈现刺激， 这些刺激包括但不限于来自不同网络、本地网络、电缆管道、财团源、网站、互联网内容聚合 器、门户、服务供应商等的广告和娱乐。根据各种实施例，对象103与数据收集设备105相连。数据收集设备105可包括各 种神经响应测量机制，这些机制包括神经学上的和神经生理学的测量系统，例如EEG、E0G、 MEG、EKG、瞳孔扩张、眼睛跟踪、面部情感编码和反应时间设备等。根据各种实施例，神经响 应数据包括中枢神经系统、植物性神经系统和效应器数据。在特定实施例中，数据收集设备 105包括EEG 11UE0G 113、和fMRI 115。在某些情况下，只使用单个数据收集设备。数据 收集可在有或在没有人监督的情况下进行。数据收集设备105从多个源收集神经响应数据。其包括设备的组合，这些设备例 如中枢神经系统源(EEG)、植物性神经系统源(GSR EKG、瞳孔扩张)和效应器源(E0G、眼睛 跟踪、面部情感编码、反应时间)。在特定实施例中，所收集的数据被数字化的采样并存储用 于后期分析。在特定实施例中，实时分析所收集的数据。根据特定实施例，基于所测量的神 经生理学数据和神经学数据自适应地选择数字采样速率。在一个特定实施例中，评定预测系统包括使用头皮级别电极得到的EEGlll测量、 使用保护电极跟踪眼睛数据得到的EOG 113测量、使用差动测量系统执行的fMRI 115测 量、通过置于面部指定位置的保护电极得到的面部肌肉测量和自适应地从每个个体得出的 面部影响图形和视频分析器。在特定实施例中，数据收集设备与媒体材料呈现设备101是时钟同步的。在特定 实施例中，数据收集设备105还包括状态评估子系统和数据收集工具，该状态评估子系统 提供自动触发、警报和连续监视对象(被收集的数据)状态的状态监视和可视化部件。条 件评估子系统也可以呈现视觉警报和自动触发补救行为。根据各种实施例，数据收集设备 不仅包括用于监视对媒体材料的对象神经响应的机制，而且包括用于标识和监视媒体材料 的机制。例如，数据收集设备105可以与机顶盒同步以监视频道改变。在其它例子中，数据 收集设备105可以被定向地同步以监视何时对象不再关注媒体材料。仍在其它例子中，数 据收集设备105可接收和存储一般由对象观看的媒体材料，不管媒体是节目、商业广告或 电影。应该注意的是，还会存在其它刺激材料。所收集的数据允许分析神经响应信息并将 这些信息不仅与对象干扰相关而且与实际媒体材料相关。根据各种实施例，评定预测系统还包括数据清理设备121。在特定实施例中，使用 固定滤波和自适应滤波、加权平均、预先元素提取(如PCA、ICA)、向量和分量分离方法等， 数据清理设备121滤波所收集的数据以去除噪声、假象以及其它无关的数据。通过去除外 生的噪声(其中来源是对象的生理学之外的，例如对象浏览视频时的电话铃声)和内生的 假象(其中来源是神经生理学的，例如肌肉移动、眼睛闪烁等)，该设备清理数据。假象去除子系统包括有选择地隔离和检查响应数据并标识具有时间域和/或频 率域属性的时期(印och)(其对应于例如行频率、眼睛闪烁和肌肉移动的假象)的机制。通 过省略这些时期或者通过用基于另一清除数据的估计(例如，EEG最近邻加权平均方法)替 换这些时期数据，接着假象去除子系统清理这些假象。根据各种实施例，使用硬件、固件和/或软件实现数据清理设备121。应该注意的是，虽然数据清理设备121被示出在数据收集设备105之后被定位，像其他的组件一样，数 据清理设备121可以具有基于系统实现变化的位置和功能。例如，无论如何某些系统可能 不使用任何自动数据清理设备，而在其它系统中数据清理设备可以集成到独立的数据收集 设备中。在特定实施例中，调查和采访系统收集和集成用户调查和采访响应以与神经响应 数据结合以更有效地选择内容进行递送。根据各种实施例，调查和采访系统获得与用户特 征有关的信息，例如年龄、性别、收入水平、位置、兴趣、购买偏好、嗜好等。这些调查和采访 系统还会用来获得关于特定媒体材料片段的用户响应。根据各种实施例，评定预测系统包括与数据清理器121相关联的数据分析器123。 数据分析器123使用各种机制来分析系统中的下层数据以确定共振。根据各种实施例，数 据分析器123为每个形态中的每个个体定制和提取独立的神经学和神经生理参数，并在形 态内以及跨越多个形态混合所述估计以得出对所呈现的媒体材料的增强响应。在特定实施 例中，数据分析器123将跨越对象的响应测量聚合在数据集中。根据各种实施例，使用时间域分析和频域分析测量神经学上的签名和神经生理学 的签名。这种分析使用所有个体通用的参数以及每个个体特有的参数。这种分析还会包括 统计参数提取和根据合成响应的时间分量和频率分量基于模糊逻辑的属性估计。在某些例子中，用于混合有效估计的统计参数包括偏斜、峰值、第一和第二力矩、 分布的估计，以及注意力、情感投入和记忆力保持响应的模糊估计。根据各种实施例，数据分析器123可包括内部形态响应合成器和交叉形态响应合 成器。在特定实施例中，内部形态响应合成器被配置为定制和提取在每个形态中每个个体 的独立的神经学的和神经生理学的参数，并在形态之内分析地混合估计来得出对所呈现的 刺激的增强响应。在特定实施例中，内部形态响应合成器还将来自不同对象的数据聚合在 数据集中。根据各种实施例，交叉形态响应合成器或融合设备混合包括原始信号和信号输出 的不同内部形态响应。这些信号的组合增强了形态内的有效性测量。交叉形态响应融合设 备还将来自不同对象的数据聚合在数据集中。根据各种实施例，数据分析器123还包括综合增强有效性估计器(CEEE)，其组合 来自每个形态的增强响应和估计来提供有效性的混合估计。在特定实施例中，为对象每次 接触媒体材料提供混合估计。在时间上评价这些混合估计以评估共振特性。根据各种实施 例，分配数值给每个混合估计。这些数值可对应于神经响应测量的强度、峰值的有效性、峰 值之间的改变等。较高数值可对应于神经响应强度中的较高有效性。较低数值可对应于较 低有效性或乃至无用的神经响应活动。在其它例子中，分配多个值给每个混合估计。仍在 其它例子中，在重复接触之后图形化地表示神经响应有效性的混合估计以示出变化。根据各种实施例，数据分析器123传递数据给共振估计器，其评估和提取共振模 式。在特定实施例中，共振估计器确定各种媒体片段中实体位置和使位置信息与眼睛跟踪 路径匹配，同时两眼迅速扫视运动与神经系统评估注意力、记忆力保持和情感投入相关。在 特定实施例中，共振估计器在启动贮藏库系统(priming repository system)中存储数据。 如同系统中的各种组件一样，各种贮藏库可以与系统的其余组件和用户共同定位，或可以 在远程位置实现。
来自各种贮藏库的数据被混合并传递给评定预测引擎以产生模式、响应和预测 125。在一些实施例中，评定预测引擎比较与在前用户相关联的模式和表达来预测当前用户 的表达。根据各种实施例，模式和表达与调查、人口统计和偏好数据相关。在特定实施例中， 语言的、感知的和/或运动响应被得出和预测。响应表达选择和表达性响应的预先发音预 测也被评估。图2示出了可用于评定预测系统中的数据模型的例子。根据各种实施例，媒体属 性数据模型201包括通道203、媒体类型205、时间间隔207、观众209和人口统计信息211。 媒体目的数据模型213可包括意图215和目标217。根据各种实施例，媒体目的数据模型 213还包括关于实体和实体之间出现关系的空间和时间信息219。根据各种实施例，另一个媒体属性数据模型221包括创建属性223、所有权属性 225、广播属性227以及基于统计、人口统计和/或调查的标识符229，用于将神经生理学响 应和神经行为响应和与媒体相关联的其他属性和元信息自动整合。根据各种实施例，媒体启动数据模型231包括用于标识广告间断233和与各种启 动级别237和观众共鸣测量239相关联的场景235的字段。在特定实施例中，数据模型231 为与启动级别和观众共鸣测量相关联的广告、场景、事件、位置等提供时间信息和空间信 息。在某些例子中，各种产品、服务、供应等的起动级别与源资料(例如电影、布告板、广告、 商业节目、商品陈列架等)中的时间信息和空间信息相关。在某些例子中，数据模型与每秒 显示相关联，预先间断内容的元标记集合指示要启动的产品和服务的类别。与各个插入点 处的每个类别的产品或服务相关联的启动级别也可以被提供。对于各个场景和广告间断的 观众共鸣测量和最大观众共鸣测量可以被维持并与产品、服务、供应等的集合相关。启动和共振信息可用来选择适合于特殊启动级别和共振的媒体内容。图3示出了可用于存储与跟踪和共振测量相关联的信息的数据模型的例子。根据 各种实施例，数据集数据模型301包括实验名称303和/或标识符、客户端属性305、对象池 307、物流信息309(例如测试的位置、日期和时间)和包括媒体材料属性的媒体材料311。在特定实施例中，对象属性数据模型315包括对象名称317和/或标识符、联系 信息321和可用于检查神经学数据和神经生理数据的人口统计属性319。相关人口统计属 性的一些例子包括婚姻状态、就业率、职业、家庭收入、家庭大小和组成、种族、地理位置、性 别、人种。数据模型315中包括的其它字段包括对象偏好323，例如购物偏好、娱乐偏好和金 融偏好。购物偏好包括最喜爱的商店、购物频率、购物类别、最喜爱的商标。娱乐偏好包括 网络/电缆/卫星接入能力、最喜爱的演出、最喜爱的风格和最喜爱的演员。金融偏好包括 最喜爱的保险公司、较喜欢的投资做法、银行偏好和最喜爱的在线金融工具。也可以包括各 种产品和服务属性和偏好。各种对象属性可以包括在对象属性数据模型315中并且适应特 殊目的对数据模型进行预置或常规生成。根据各种实施例，用于神经反馈关联的数据模型325标识实验协议327、所包括的 形态3 (例如EEG、E0G、GSR、进行的调查)和实验设计参数333 (例如片段和段属性)。其 它字段可包括实验表示脚本、片段长、例如所使用媒体材料的片段细节、对象间偏差、对象 内部偏差、指令、表示顺序、所使用的调查问题等。其他的数据模型可包括数据收集数据模 型337。根据各种实施例，数据收集数据模型337包括记录属性339，例如站点和位置标识 符、记录数据和时间、算符细节。在特定实施例中，设备属性341包括放大器标识符和传感器标识符。所记录的形态343可包括形态特定属性，例如EEG电容布局(cap layout)、有效通 道、采样频率以及所使用的滤波器。EOG特定属性包括所使用的传感器的数量和类型、所应 用的传感器的位置等。眼睛跟踪特定属性包括所使用的跟踪器的类型、数据记录频率、记录 的数据、记录格式等。根据各种实施例，数据存储属性345包含文件存储协定(形式、命名 协定、注明日期协定)、存储位置、档案属性、期满属性等。预置查询数据模型349包括查询名称351和/或标识符、例如所涉及的数据片段 (模型、数据库/立方体、表等)的访问数据收集353、所包括的谁具有什么类型存取的访问 安全属性355以及例如查询期满、刷新频率等的刷新属性357。例如推挽偏好的其它字段也 能够被包括来标识自动推进报告驱动器或用户驱动报告检索系统。图4示出了用于获得与评定预测相关联的数据所执行的查询的例子。根据各种实 施例，查询是由通用的或定制脚本语言和构造、视觉机制、预置查询库、包括深度探讨诊断 的诊断查询和得出的可能情况来定义的。根据各种实施例，使用位置417或地理信息、例如 测试时间和日期的会话信息421和人口统计属性419，对象属性查询415可被配置为从神经 信息学贮藏库获得数据。人口统计属性包括家庭收入、家庭大小和状态、教育级别、孩子年 龄等。其它查询可基于对象参与者的购物偏好、面部表情、生理学评估、完成状态检索媒 体材料。例如，用户可查询与产品类别、所购买产品、购物频率、对象眼睛修正状态、色盲、 对象状态、测量响应的信号强度、alpha频带铃声、肌肉移动评估、所完成片段等相关联的数 据。基于实验协议427、产品分类429、所包括的调查431和所提供的媒体433，基于实验设 计的查询425可从神经信息学贮藏库中获得数据。可使用的其它字段包括协议重复使用的 数目、所使用协议的组合和调查的使用配置。基于测试中包括的产业类型、所测试的特定类别、涉及的客户端公司和测试的商 标，基于客户端和产业的查询可获得数据。基于响应评估的查询437可包括注意力得分 439、情感得分441、保持得分443和有效性得分445。这种查询可获得得出特定得分的材料。 在特定实施例中，预测查询447可包括语言响应449、感知响应451、认知响应453和运动响 应 455。基于响应测量分布图(profile)的查询可使用平均测量阈值、方差测量、所检测 的峰值的数目等。组响应查询可包括组的统计量(如平均值、方差、峭度、P值等)、组的大 小和局外人评估测量。其他的查询仍可包含测试属性，如测试位置、时间段、测试重复计数、 测试站和测试算符字段。查询的各种类型和组合类型可用于有效地提取数据。图5示出了可产生的报告的例子。根据各种实施例，客户端评估概要报告501包 括有效性测量503、分量评估测量505和共振测量507。有效性评估测量包括一个或多个综 合评估测量、产业/类别/客户端特定放置(百分比、等级等)、可控告的分组评估(例如 去除材料、修改片段或精调特定元素等)和随时间产生的有效性分布图的演化。在特定实 施例中，分量评估报告包括分量评估测量，如注意力、情感投入得分、按百分比的放置、等级 等。分量分布图测量包括分量测量和分布图的统计评估的基于时间的演化。根据各种实施 例，报告包括评估材料的次数、所使用的多显示的属性、在多显示中响应评估测量的演化和 使用推荐。
根据各种实施例，客户端累积报告511包括所有评估媒体的媒体组报告513、评估 媒体的运动组报告515和评估媒体的时间/位置组报告517。根据各种实施例，产业累积和 辛迪加报告521包括聚合评估响应测量523、顶部执行者列表525、底部执行者列表527、局 外人5 和趋势报告531。在特定实施例中，跟踪和报告包括特定产品、类别、公司、商标。 根据各种实施例，还产生预测报告533。预测报告可包括品牌亲和度预测535、产品路径预 测537、购买意图预测539和评定预测Ml。图6示出了评定预测的一个例子。在601，媒体材料提供给多个对象。根据各种实 施例，媒体包括流动的视频和音频。在特定实施例中，对象在自己家中以组或单独的设置观 看媒体。在某些例子中，口头和书写响应被收集以在没有神经响应测量的情况下使用。在 其它例子中，口头和书写响应与神经响应测量相关。在603，使用各种形态(例如EEG、ERP、 E0G、GSR等)收集对象神经响应测量。在605，通过数据清理器传递数据来去除使数据更难 以解释的噪音和假象。根据各种实施例，数据清理器去除与闪烁以及其它内生的/外生的 假象相关联的EEG电气活动。根据各种实施例，执行数据分析。数据分析可包括内部形态响应合成和交叉形态 响应合成来增强有效性测量。应该注意的是，在一些特定情况中，在没有执行其它类型合成 的情况下可执行一种类型的合成。例如，交叉形态响应合成可以在有或者没有内部形态合 成的情况下执行。可使用各种机制来执行数据分析。在特定实施例中，访问媒体属性贮藏库以获得 媒体材料的属性和特征，以及目的、意图、目标等。在特定实施例中，合成EEG响应数据以提 供有效性的增强评估。根据各种实施例，EEG测量由数千的与脑的不同部分相关联的同时 神经过程产生的电活动。EEG数据可以分类在各种频带中。根据各种实施例，脑波频率包 括delta、theta、alpha、beta和gamma频率范围。Delta波被分类为小于4赫兹的波并在 深度睡眠期间突出。Theta波具有在3. 5赫兹到7. 5赫兹之间的频率并与记忆力、注意力、 情感和感觉相关联。Theta波通常在内在聚焦状态期间突出。Alpha频率驻留在7. 5赫兹到13赫兹之间并且典型地峰值在10赫兹左右。Alpha 波在放松状态期间突出。Beta波具有在14赫兹和30赫兹之间的频率范围。Beta波在运 动控制状态、脑部区域间的远程同步、解析问题求解、判断和决策期间比较突出。Gamma波出 现在30赫兹到60赫兹之间并在将神经元的不同群体一起绑定到用于执行某一认知或运动 机能的网络、以及在注意力和记忆力中被涉及。因为颅骨和外胚层使在这个频率范围中的 波衰减，高于75-80赫兹的脑电波难以检测并且常常不用于刺激响应评估。然而，本发明的技术和机制意识到，分析除了 theta、alpha、beta和低gamma频带 测量以外高gamma频带(kappa频带高于60Hz)测量增强神经学上的注意力、情感投入和 保持分量估计。在特定实施例中，获取、增强和评估包括难以检测高gamma或kappa频带测 量的EEG测量。标识在theta、alpha、beta、gamma和kappa频带中的对象和任务特定签名 子频带来提供增强响应估计。根据各种实施例，高于80赫兹的高gamma波(kappa频带) (通常用颅下EEG和/或脑磁描记法可检测出)可用在对刺激的频率响应的逆基于模型的 增强中。本发明的各种实施例意识到，在每个频率范围之内特定子带在某个活动期间具有 特定的突出。此处特定频带中频率的子集被称为子带。例如，子带可包括gamma频带内的40赫兹到45赫兹的范围。在特定实施例中，当带通滤波保持频率时，选择不同频带内的多 个子带。在特定实施例中，当衰减保持的频率响应时，可以增强多个子带响应。基于信息理论的频带加权模型用于自适应提取选择性的数据集特定频带、对象特 定频带、任务特定频带来增强有效性测量。自适应提取可以使用模糊缩放执行。可以存在 刺激并多次确定增强测量来确定跨越多个显示的变化分布(variation profile) 0确定各 种分布提供市场和娱乐刺激的初级响应和耐久性(磨损)增强评估。测量存在于音乐会中 的刺激的多个个体的同步响应来确定跨越对象同步有效性测量的增强。根据各种实施例， 为驻留在分离位置的多个对象或为驻留在相同位置的多个对象确定同步响应。虽然描述了各种合成机制，应该意识到的是，可以按照次序或并行地应用任意数 目的机制而具有机制之间的交互或没有机制之间的交互。虽然内部形态合成机制提供增强的有效性数据，附加交叉形态合成机制也能够被 应用。诸如EEG、眼睛跟踪、GSR、EOG和面部情感编码之类的各种机制与交叉形态合成机制 连接。也可以包括在现有机制上的其它机制以及变化和增强。根据各种实施例，来自特定 形态的数据可使用来自一个或多个其它形态的数据来增强。在特定实施例中，EEG典型地 在如alphibeta和gamma的不同频带中进行频率测量以提供有效性的估计。然而，本发明 的技术意识到，有效性测量可以进一步使用来自其它形态的信息来增强。例如，面部情感编码测量可用于增强EEG情感投入测量的效价(valence)。对象实 体的EOG和眼睛跟踪扫视测量可用于增强EEG有效性的估计，其包括但不限于注意力、情感 投入和记忆力保持。根据各种实施例，交叉形态合成机制执行数据的时移和相移以允许来 自不同形态的数据对准。在某些例子中，可意识到的是，在面部情感测量改变以前，通常出 现数百毫秒的EEG响应。可以形成相关性并且可以在个体或组的基础上进行时移和相移。 在其它例子中，扫视的眼运动可以被确定为在特定EEG响应前后出现。根据各种实施例，时 间修正的GSR测量用来缩放和增强EEG有效性的估计，其包括注意力、情感投入和记忆力保 持测量。在特定区域中特定时间域的不同事件相关电位分量(如DERP)的出现或未出现的 事实与对特定媒体的对象响应性相关。根据各种实施例，响应于市场和娱乐刺激的呈现使 用EEG时间频率测量(ERPSP)增强ERP测量。特定部分被提取和隔离以标识要执行的ERP、 DERP和ERPSP分析。在特定实施例中，注意力、情感和记忆力保持的EEG频率估计(ERPSP) 在增强ERP、DERP和时域响应分析中用作辅助因子。EOG测量扫视来确定存在对媒体特定对象的注意力。眼睛跟踪测量对象的凝视路 径、位置并在媒体的特定对象上的细想(dwell)。根据各种实施例，通过测量在枕骨区域和 另外的有条纹区域正在进行的EEG中lambda波的存在(扫视有效性的神经生理学索引) 增强EOG和眼睛跟踪，通过扫视开始(saccade-onset)的斜率触发来估计EOG和眼睛跟踪 测量的有效性。在特定实施例中，测量活动的特定EEG签名(例如在先于扫视开始的额眼 视野(FEF)区域上的时间-频率响应中的慢电势偏移和一致性测量)来增强扫视活动数据 的有效性。响应于所呈现的媒体，GSR典型地测量通常唤醒的变化。根据各种实施例，通过将 EEG/ERP响应和GSR测量相关增强GSR来获得对象参与的增强估计。GSR等待时间基线用 于构造对媒体的时间修正的GSR响应。时间修正的GSR响应作为EEG测量的辅助因子来增强GSR有效性测量。根据各种实施例，在测试会话之前，面部情感编码使用通过测量表示各种情感的 个体的面部肌肉位置和移动产生的模板。这些个体的特定面部情感编码模板与个体的响应 相匹配来标识对象情感响应。在特定实施例中，通过评估特定频带内EEG响应的半球间的 不对称以及测量频带交互，这些面部情感编码测量被增强。本发明的技术意识到，不仅是在 EEG响应中特殊频带是有效的，并且用于脑部特定区域间通信的特定频带也是有效的。因 此，这些EEG响应增强了 EMG、基于图形和视频的面部情感标识。根据各种实施例，在607，在脑部的多个区域上测量脑部多个区域中的ERP时间域 分量的后刺激相对前刺激的差动测量(DERP)。该差动测量给出用于引出可归因于刺激的响 应的机制。例如，可归因于广告的消息接发响应或可归因于多种商标的商标响应使用预共 振和后共振估计来确定。在609，针对脑部的不同区域确定目标对干扰物刺激的差动响应(DERP)。在611， 差动响应的事件相关时间-频率分析(DERPSP)用来评估跨越多个频带的注意力、情感和记 忆力保持测量。根据各种实施例，该多个频带包括theta、alpha、beta、gamma和high gamma 5 kappaο在613，确定并集成用于分析的媒体材料的实际评定信息。根据各种实施例，连同 人口统计数据一起的实际结果评定与神经响应数据整合用于在各种地理和人口统计组和 子组中的大量对象。在617，整合的数据被发送给评定预测生成器贮藏库。评定预测生成器 贮藏库可使用与用户有关的信息和结果的神经响应数据来预测由接触新媒体材料产生的 行为。图7示出了用于评定预测的技术的例子。在701，确定源材料的特性。根据各种 实施例，源材料本身包括与表示各种产品、服务和供应的起动级别的各种空间和时间位置 相关联的元标记。这些特性可以从个性化贮藏库系统中获得或者动态地从数据分析器中获 得。在703，使用多个形态为多个用户获得神经响应数据。在705，从评定预测生成器贮藏 库整合调查和得到的行为信息。根据各种实施例，在707，对媒体材料分类并标识具有相似标记和特性的其他媒体 材料。在709，针对媒体材料预测评定。根据各种实施例，通过针对各个人口统计组确定具 有相似神经响应特性的相应媒体材料的评定来预测评定。在特定实施例中，参照对相似媒 体材料的相似神经响应模式以确定先前引出的表达。根据各种实施例，在多个设备上实现诸如数据收集机制、内部形态合成机制、交叉 形态合成机制等的各种机制。然而，在单个系统中以硬件、固件和/或软件实现各种机制也 是可能的。图8提供可用于实现一个或多个机制的系统的一个例子。例如，图8所示的系 统可用来实现共振测量系统。根据特定的示例性实施例，适合于实现本发明特定实施例的系统800包括处理器 801、存储器803、接口 811和总线815 (例如PCI总线)。在合适软件或固件的控制下运行 时，处理器801负责例如模式生成的任务。各种特别配置的设备还能够替代处理器801或 除了处理器801之外而被使用。还可以在常规硬件中做到完整的实现。接口 811通常被配 置为在网络上发送和接收数据分组或数据片段。设备支持的接口的特定例子包括主机总线 适配器(HBA)接口、以太网接口、帧中继接口、电缆接口、DSL接口、令牌环接口等等。
按照特定的示例性实施例，系统800使用存储器803来存储数据、算法和程序指 令。这些程序指令可控制例如操作系统和/或一个或多个应用程序的操作。一个或多个存 储器也可以被配置为存储接收的数据和处理接收的数据。由于采用这种信息和程序指令实现此处所述的系统/方法，本发明涉及包括用于 执行此处所述的各种操作的程序指令、状态信息等有形的、机器可读介质。机器可读介质的 例子包括但是不局限于磁性介质，例如硬盘、软盘和磁带；光学介质，例如⑶-ROM盘和DVD ； 磁光盘介质，例如光盘；以及特别被配置为存储和执行程序指令的硬件设备，例如只读存储 器设备(ROM)和随机存取存储器(RAM)。程序指令的例子包括机器代码，例如通过编译器产 生的，和包含使用解释器通过计算机执行的较高级编码的文件。为了清楚起见，虽然已经详细描述了上述发明，显而易见的是，某些改变和修改可 以在所附权利要求的范围内实施。因此，本实施例被认为是说明性的而非限制性的，并且本 发明不被限制在这里给出的细节内，但是可以在所附权利要求的范围和等价物之内进行修改。
权利要求
1.一种方法，包括从接触媒体材料的多个对象获取神经响应数据；在评定预测生成器贮藏库中维护所述媒体材料的所述神经响应数据和评定信息；从接触候选媒体材料的对象中获取预测的神经响应数据；为候选媒体材料生成评定预测。
2.如权利要求1所述的方法，还包括从对应所述预测的神经响应数据的评定预测生成 器贮藏库中标识神经响应数据。
3.如权利要求1所述的方法，还包括连同所述神经响应数据和所述评定信息一起维护 人口统计信息。
4.如权利要求3所述的方法，其中从对应所述预测的神经响应数据的评定预测生成器 贮藏库中标识神经响应数据包括从相似人口统计组的对象中标识神经响应数据。
5.如权利要求1所述的方法，还包括标记和特性化媒体材料。
6.如权利要求5所述的方法，其中从对应所述预测的神经响应数据的评定预测生成器 贮藏库中标识神经响应数据包括标识具有相似标记和特性的媒体材料。
7.如权利要求1所述的方法，其中利用多个形态来收集神经响应数据，所述形态包括 脑电图(EEG)和眼电图(EOG)。
8.如权利要求1所述的方法，其中获取神经响应数据包括获取目标和干扰物的事件相 关电位(ERP)测量，以确定在脑部多个区域上ERP时间域分量的差动测量(DERP)。
9.如权利要求1所述的方法，其中获取神经响应数据还包括获取差动响应的事件相关 时间-频率分析，以评估跨越多个频带的注意力、情感和记忆力保持(DERPSP)。
10.一种设备，包括数据收集设备，其被配置为从接触媒体材料的多个对象获取神经响应数据和从接触候 选媒体材料的对象获取预测的神经响应数据；接口，其被配置为接收用于所述媒体材料的评定信息；数据贮藏库，其被配置为维护用于所述媒体材料的所述神经响应数据和评定信息；数据分析器，其被配置为从对应所述预测的神经响应数据的评定预测生成器贮藏库中 标识神经响应数据并为候选媒体材料产生评定预测。
11.如权利要求10所述的设备，其中连同所述神经响应数据和所述评定信息一起维护 人口统计信息。
12.如权利要求11所述的设备，其中从对应所述预测的神经响应数据的评定预测生成 器贮藏库中标识神经响应数据包括从相似人口统计组的对象中标识神经响应数据。
13.如权利要求10所述的设备，其中媒体材料被特性化并且被标记。
14.如权利要求13所述的设备，其中从对应所述预测的神经响应数据的评定预测生成 器贮藏库中标识神经响应数据包括标识具有相似标记和特性的媒体材料。
15.如权利要求10所述的设备，其中利用多个形态收集神经响应数据，所述形态包括 脑电图(EEG)和眼电图(EOG)。
16.如权利要求10所述的设备，其中获取神经响应数据包括获取目标和干扰物的事件 相关电位(ERP)测量，以确定在脑部多个区域上ERP时间域分量的差动测量(DERP)。
17.如权利要求10所述的设备，其中获取神经响应数据还包括获取差动响应的事件相关时间-频率分析，以评估跨越多个频带的注意力、情感和记忆力保持(DERPSP)。
18.一种系统，包括用于从接触媒体材料的多个对象获取神经响应数据的装置； 用于接收所述媒体材料的评定信息的装置；用于在评定预测生成器贮藏库中维护所述媒体材料的所述神经响应数据和评定信息 的装置；用于从接触候选媒体材料的对象中获取预测的神经响应数据的装置； 用于从对应所述预测的神经响应数据的评定预测生成器贮藏库中标识神经响应数据 的装置；用于为候选媒体材料生成评定预测的装置。
19.如权利要求18所述的方法，还包括从对应所述预测的神经响应数据的评定预测生 成器贮藏库中标识神经响应数据。
20.如权利要求18所述的系统，还包括用于连同所述神经响应数据和所述评定信息一 起维护人口统计信息的装置。
全文摘要
本发明涉及利用神经响应数据产生评定预测。系统通过从接触媒体材料的对象获取神经响应数据(例如中枢神经系统、植物性神经系统和效应器系统测量)评估媒体材料(例如节目和广告)。媒体材料被分类和/或标记。标识从相似人口统计类别的用户得出相似神经响应数据的对应媒体材料。在某些例子中，通过标识与得出相似神经响应数据的对应媒体材料相关联的评定来产生评定预测。
文档编号G06F19/00GK102054128SQ201010602628
公开日2011年5月11日 申请日期2010年10月28日 优先权日2009年10月29日
发明者A·普拉迪普, R·T·奈特, R·古鲁穆尔蒂 申请人:神经焦点公司