目前啤酒行业正在经历大转型,从追求产量规模的发展,转变为质量为先的发展思路,产品都在往高端化、高附加值和高利润率转型。消费升级引领下,消费者口味多元化,愿意为高品质的啤酒买单,消费趋向于场景化、个性化、年轻化。只有打造品质卓越,场景化、个性化的啤酒,才能引领消费者的选择。但新产品走向市场能否取得成功,需要前期大量的消费者市场测试,如街边访谈、消费者试饮和问卷反馈等等,费时费力,但这也是目前最常用的一种消费者研究方式[1]。但这种传统的研究方式可能存在消费者的主观偏差或认知偏差,往往与实际推向市场的结果不符,导致产品滞销,影响新产品开发成功的效率。

因此需要一种创新的消费者研究模式,来改进目前这种说不清、说不全、说不准的费时费力费钱的消费者测试现状[2]。目前随着认知神经学技术的进步,可以综合运用多种感官生理学研究方法探索消费者的反应,常用的研究方法包括面部微表情分析、眼动追踪、脑电分析、皮肤电、呼吸心跳等生理指标测量[3-4],这种方法相比于传统的直接研究方法,更加科学与具体[5-6]。

通过脑电分析消费者行为是近些年随着认知神经科学的发展而来的一种新的研究范式[6]。脑电波是一类由大脑中局部群体神经元同步放电所形成的具时空特征的脑电活动电波。德国医生汉斯·伯格(Hans Berger)在1924年首次在人的头骨上记录到脑电波图(electroencephalography, EEG)[7-8]。心理学研究[9-11]表明,人类的认知和感知可以通过脑电波来表达。当大脑的嗅觉、听觉、视觉、味觉及触觉神经受到刺激时,其刺激反应信号可以通过脑电波表达出来,从而揭示感官和消费者之间的心理关联性[12]。有学者[13-14]的研究展示了使用脑电信号连续确定个人舒适感的可行性,并且可以得到更加客观的数据。近年来有研究[15-17]表明触觉刺激与脑电波的θ,α,β,δ这4个频段均存在关联性。这使得采用脑电波测量人们在饮酒过程中的喜好度成为可能。最近数年,出现了一种新的基于脑电来进行消费者喜好度的测试方法[18-19]:通过前额叶脑活动不对称性来预测消费者喜恶。

通过前额叶脑活动的信号来预测消费者饮酒过程的喜好度,在前人的基础上通过提取有效的消费者脑电信息,并建立一套适合饮酒的消费者喜好度算法,可以更加直观清晰的反应消费者喜好度,这也是国内首次用脑电分析的方法来进行消费者啤酒饮用喜好度的研究。希望能给消费者的研究提供更加智能化与数据化的新的研究方法和思路。

1 材料与方法

1.1 样品

本实验选取不同类型的3款市售畅销的啤酒样品进行研究,采用盲样盲测,样品编号采取3位数随机编码[20]。样品具体参数见表1。

1.2 被试消费者的招募

研究显示,采用智能感官研究方法如面部表情、脑电等的消费者研究,样本量在12～161人[21]。本实验在专业智能感官消费者实验室进行,共计招募20名消费者进行评测,其中女性8人,男性12人,消费者年龄在22～57岁(平均年龄31.5岁)。提前通过调查问卷对消费者进行筛选(有一定的啤酒饮酒习惯,身体健康,无鼻塞等影响感官的情况等)。

1.3 实验方法

1.3.1 感官评价及消费者喜好度测试

啤酒感官评价方法参考GB/T 4928—2008《啤酒分析方法》,从外观、泡沫、香气和口感4 个维度进行评,并添加消费者主观喜好度评分。

强度标记参考GB/T 4927—2008《啤酒》,0～9 依次表示从无到非常强。

感官特性词汇经国家啤酒评委商议,选取5个啤酒样品感官特性进行品评(表2)。

消费者喜好度测试是指测试目标消费者对某个产品的喜欢程度,其中9点喜好标度方法是消费者接受度测试中常用的方法之一[22]。9点法由LAWLESS等[23]提出,能够测试出消费者对产品的平均接受和喜好程度。从1到9依次表示:1-极端厌恶、2-非常厌恶、3-一般厌恶、4-稍微厌恶、5-既不喜欢也不厌恶、6-稍微喜欢、7-一般喜欢、8-非常喜欢、9-极端喜欢。

1.3.2 脑电数据采集与分析

本实验采用实验室自主研发的消费者测试脑电智能头盔测试系统(装置实物见图1),内置美国NeuroScan 公司的TGAM脑电采集芯片,采样率为512 Hz,采集提取的原始脑电信号见图2。脑电头盔内置2个前额叶电极和1个耳部电极,可以实时采集消费者的原始脑电信号。团队采用MATLAB和LABVIEW软件自主开发了与硬件配套的脑电信号传输采集系统与数据分析处理系统,可以将原始脑电信号进行放大、滤波、A/D转换以及编码预处理及去伪、降噪和特征提取,最终输出8个原始脑波数据和专注度与放松度2个情绪数据。经过前期数据库累计数据建模,建立了饮酒综合情绪指数(index of alcohol-drinking analysis,IAA)模型,按公式(1)计算:

f(x)=wTx+b

(1)

式中:f(x),IAA;w=(w1;w2;…;wd)为系数矩阵;x,情绪维度和8种脑电波段功率数据组成的特征向量空间;b,残差。

1.4 实验步骤

实验开始前,每一名参加测试的消费者需要先佩戴脑电头盔。脑电头盔的电极需要用清水湿润,同时对被试消费者的前额和耳垂进行清水润湿,然后进行连接,进行信号联通的测试,对实验参与者脑电信号进行基线校准,待脑电基线信号稳定后,保持静息30 s。以往实验表明,经过校准的脑电信号准确度更高[13]。我们采集的信号主要集中在消费者实验过程中,观色、闻香阶段信号比较稳定,收到皮肤电、肌电等干扰较小,在品尝阶段,因为存在吞咽等动作,肌电的干扰较大,但在后期数据处理过程中,可以通过滤波等方式进行去除,对脑电信号的提取影响不大。每名测试者都是在上午9:00～11:30进行测试,测试时身体健康,无鼻塞等影响感官评测的情况。

步骤1:消费者对纯净水参照样及3个啤酒样品逐个品评,每个样品的品评分为4个过程:观色(30 s)、闻香(30 s)、入口品尝(5 s)和吞咽后(20 s)。

步骤2:每个样品品评完毕后对样品的感官特性及喜好度进行打分,填写调查问卷。样品与样品间隔期间,需用纯净水和苏打饼干清口,实验步骤示意见图3。

1.5 数据分析

1.5.1 感官特性评价

感官特性评分采用平均值和标准偏差方法进行统计学分析。样本定义为因变量,感官属性定义为自变量建立方差模型,同时进行最小显著性差异法(Fisher’s least significant difference)分析,以查看2个样品是否在不同的感官属性上显著不同。

1.5.2 脑电数据分析

采用自研的脑电数据分析系统进行数据处理,经过处理后的脑电数据为theta、delta、middle gama、low gama、high beta、low beta、high alpha、low alpha、专注度(F)及放松度R、IAA。最终的喜好度判别以IAA为综合标准,即IAA越高,表示消费者对于样品的喜好度越高。

2 结果与分析

2.1 消费者感官评测及喜好度

消费者对于3款啤酒样品感官评测的方差分析结果如表3所示。3款样品在泡沫、香气2个特征上存在显著差异(P<0.05),同时在口感和喜好度上,差异为极显著(P<0.01)。说明这3个啤酒样品能在消费者中有较好的区分度。外观上没有显著差异,说明颜色和浊度并不是引起消费者关注的焦点。样品356整体在泡沫、香气、口感上都比较受消费者欢迎,特别是香气突出,差异显著,说明普通大众消费者对于果味啤酒有很好的接受度。同时样品189为普通淡色拉格,是市场上最常见的啤酒类型,基本上大众的喜好度也是偏低的。样品287为小麦啤酒,相对香气和口感要优于普通工业拉格啤酒,因此也比较受消费者欢迎,这是通过感官问卷分析得到的结果。也比较符合产品的市场定价。

2.2 消费者饮酒过程中脑电原始数据的变化

本次实验共招募了20名被试志愿者,每名志愿者依次按照标准的品酒流程在测试间内进行品酒测试,利用自研的脑电采集系统收集了被试在整个品酒过程中的脑电原始信息,并进行相应的数据处理与分析。因为数据量过于庞大,以其中一名被试的数据举例。消费者饮酒过程(包含闻香与品尝2个阶段)中原始脑电8种波形的数据如下图4所示。

从图4的结果来看,Theta、Delta波是响应值最高的2种脑电波类型,其中Delta的响应值最高。这与文献的报道也是一致的,OHME等[18]研究发现前额叶Delta波与人的情感联系比较密切,可以作为反映情绪的信号。其中不同啤酒样品之间差异也是比较显著的,样品356和287引起的前额叶Delta响应值最高,说明其对于消费者的感官刺激也较大,能较好地唤醒该消费者的喜好度。样品189则相对反应平淡,可能消费者比较熟悉,不能引起兴奋。

此外,本实验分析了被试在饮酒过程中的实时放松度与专注度,结果如图5所示。不同啤酒类型引起的消费者专注度与放松度的变化是不一样的。一般而言,放松度越高,专注度越低,消费者的喜好度越高。不同啤酒在闻香与品尝2个阶段引发的情绪变化是不一样的。一般在闻香阶段,香气带来的情绪变化相对平缓,在品尝阶段,则由于增加了酒中CO2、酸味物质等刺激,变化波动变大。

2.3 消费者饮酒过程中IAA变化

为了更加直观地了解消费者饮酒过程中的喜好度变化,在前期大量测试基础上,通过机器学习的算法开发了一个基于8种脑电波和2种情绪维度(专注度、放松度)的消费者IAA模型,指数越高,说明消费者喜好度越高。通过IAA变化,可以更直接地了解消费者对于啤酒的喜好度。消费者IAA变化如图6所示。

图6中可以直观看出在闻香与品尝2个阶段消费者对于不同类型的啤酒喜好度的变化,IAA可以精准分析在闻香的前香、中香、后香等不同闻香阶段的喜好度变化,以及在品尝阶段酒液在口腔中停留以及吞咽后对于消费者喜好度的影响。对闻香与品尝两个阶段分别进行加权平均赋分,最终得到全过程的消费者喜好度指数得分,用于不同啤酒之间的喜好度测试。在闻香与品尝的整体过程中,样品356的整体数值都较高,受消费者的喜欢。

2.4 基于脑电分析与感官问卷分析的消费者喜好度对比

上述分析介绍了对于单个消费者的数据分析结果。针对整体测试,本研究对比了脑电分析与消费者感官问卷的结果。整体20人的结果对比如表4。

从表4中可以看出,相比于感官问卷的打分机制,脑电分析的数据更加具有区分度。最终整体分析的结果中脑电分析与感官问卷也是一致的。精确到个人,脑电分析得分排序与感官问卷完全一致率为80%,部分一致率为20%,完全不一致率为0。因此这套基于脑电数据分析的啤酒饮用喜好度模型IAA可以用于人工感官问卷的补充与完善,能更加精准地进行消费者饮酒喜好度的测试。

2.5 三款啤酒样品的消费者喜好度分析

分别用脑电分析的方法和传统感官问卷测试方法分别进行了3款啤酒的消费者喜好度测试,结果见图7所示。

2种方式测定的结果一致,356号啤酒最受欢迎,其次是287号样品,189号样品得分最低。而且不同样品之间差异是非常显著的,从结果来看,香气充裕,口感醇厚的果味啤酒(356号)还是普遍受到消费者喜好,小麦啤酒(287号)也比较受欢迎,普通拉格啤酒(189号)因为大众消费者量最大,接触最多,可能没有太多新鲜感,得分较低。结果也和产品的定价是一致的,未来啤酒企业可以更多的生产消费者比较喜欢的果味啤酒,增加利润率。

3 结论与讨论

本研究首次采用脑电波分析的手段进行3款啤酒饮用喜好度的研究,并且与传统感官测试的方法进行了对比,结果表明两者完全一致性为80%,不一致率为0,显示了该方法的准确性。同时通过IAA的变化,可以实时分析消费者在饮酒全过程(观色、闻香、品尝)的喜好度变化,分阶段显示啤酒喜好度的区别,有助于更详细地反馈啤酒产品的感官品质。通过IAA得分,可以快速有效地进行啤酒产品的消费者测评。

与传统调研方式比较一致,而且在数据解读的准确性和科学性上更加突出,也能有效减少被试的数量,未来应用的前景还是很广的。采用认知神经学、心理学、人工智能等多学科交叉的研究手段进行消费者研究是未来发展的趋势,也是对问卷调查等传统的消费者研究方式的有效补充,可以有效地提升消费者研究的效率、准确度和时效性。但目前的尝试也存在一些问题需要进一步的改进与加强,如脑电测试方法的流程规范性,实验结果的重复性,单次测试价格偏高,消费者佩戴的舒适性等问题需要后续进一步解决。此外,脑电分析也可以联合面部表情分析技术、眼动分析技术和皮肤电分析等技术手段,进一步提升测试的准确性。消费者对于产品的喜好性始终是企业最想知道的,也是企业愿意认真研究的课题,智能消费者方向的研究必然是未来的热点。

参考文献

[1] 周维军, 左文霞, 吴建峰, 等.浓香型白酒风味轮的建立及其对感官评价的研究[J].酿酒, 2013, 40(6):31-36.

ZHOU W J, ZUO W X, WU J F, et al.The establishment of flavor wheel and research on sensory evaluation[J].Liquor Making, 2013, 40(6):31-36.

[2] DANNER L, RISTIC R, JOHNSON T E, et al.Context and wine quality effects on consumers’ mood, emotions, liking and willingness to pay for Australian Shiraz wines[J].Food Research International, 2016, 89:254-265.

[3] SCHERER K R.Emotions are emergent processes:They require a dynamic computational architecture[J].Philosophical Transactions of the Royal Society of London.Series B, Biological Sciences, 2009, 364(1 535):3 459-3 474.

[4] WAEHRENS S S, GRØNBECK M S, OLSEN K, et al.Impact of consumer associations, emotions, and appropriateness for use on food acceptability:A CATA and liking evaluation of vegetable and berry beverages[J].Journal of Sensory Studies, 2018, 33(4):e12328.

[5] 冯婧, 皇甫洁, 董建辉, 等.面部表情分析技术在露酒感官及消费者接受度评价的初步研究[J].食品与发酵工业, 2022, 48(6):257-262.

FENG J, HUANGFU J, DONG J H, et al.Sensory evaluation and consumer acceptance of Chinese Lujiu using facial expression analysis[J].Food and Fermentation Industries, 2022, 48(6):257-262.

[6] ADRIAN E D, MATTHEWS B H C.The Berger rhythm:Potential changes from the occipital lobes in man[J].Brain, 1934, 57(4):355-385.

[7] KNYAZEV G G.Motivation, emotion, and their inhibitory control mirrored in brain oscillations[J].Neuroscience &Biobehavioral Reviews, 2007, 31(3):377-395.

[8] YLMAZ B, KORKMAZ S, ARSLAN D B, et al.Like/dislike analysis using EEG:Determination of most discriminative channels and frequencies[J].Computer Methods and Programs in Biomedicine, 2014, 113(2):705-713.

[9] LIU C W, WANG C S, CHUANG K J, et al.Electroencephalographic study of essential oils for stress relief[J].Applied Mechanics and Materials, 2013, 437:1 085-1 088.

[10] SOWNDHARARAJAN K, SEO M, KIM M, et al.Effect of essential oil and supercritical carbon dioxide extract from the root of Angelica gigas on human EEG activity[J].Complementary Therapies in Clinical Practice, 2017, 28:161-168.

[11] PARK C, LOONEY D, MANDIC D P.Estimating human response to taste using EEG[C]//2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.IEEE, 2011:6 331-6 334.

[12] APRILIANTY F, PURWANEGARA M S, SUPRIJANTO.Effects of colour towards underwear choice based on electroencephalography (EEG)[J].Australasian Marketing Journal, 2016, 24(4):331-336.

[13] WU M, LI H L, QI H Z.Using electroencephalogram to continuously discriminate feelings of personal thermal comfort between uncomfortably hot and comfortable environments[J].Indoor Air, 2020, 30(3):534-543.

[14] YAO Y, LIAN Z W, LIU W W, et al.Experimental study on physiological responses and thermal comfort under various ambient temperatures[J].Physiology &Behavior, 2008, 93(1-2):310-321.

[15] SINGH H, BAUER M, CHOWANSKI W, et al.The brain’s response to pleasant touch:An EEG investigation of tactile caressing[J].Frontiers in Human Neuroscience, 2014, 8:893.

[16] MICHAIL G, DRESEL C, WITKOVSK V, et al.Neuronal oscillations in various frequency bands differ between pain and touch[J].Frontiers in Human Neuroscience, 2016, 10:182.

[17] VON MOHR M, CROWLEY M J, WALTHALL J, et al.EEG captures affective touch:CT-optimal touch and neural oscillations[J].Cognitive, Affective, &Behavioral Neuroscience, 2018, 18(1):155-166.

[18] OHME R, REYKOWSKA D, WIENER D, et al.Application of frontal EEG asymmetry to advertising research[J].Journal of Economic Psychology, 2010, 31(5):785-793.

[19] 宋绪磊, 路峻, 王成, 等.基于智能消费者测试导向的蜜桃乌龙西打酒技术开发[J].中外酒业, 2021(21):1-7.

SONG X L, LU J, WANG C, et al.Development of peach and oolong tea flavors cider[J].Global Alcinfo, 2021(21):1-7.

[20] 周正, 吴梦洁, 王谊, 等.敷面膜对消费者情绪放松的脑电波研究[J].日用化学工业, 2021, 51(7):662-669.

ZHOU Z, WU M J, WANG Y, et al.The EEG study of facial mask act on consumers’ mental relaxation[J].China Surfactant Detergent &Cosmetics, 2021, 51(7):662-669.

[21] YOKO C H I N E N, KUMIKO I K A M I, ETUKO K I O K A.The image formed and the feeling produced by clothing colors[J].Journal of Home Economics of Japan, 2004, 55(11):845-851.

[22] PERYAM D R, GIRARDOT N F.Advanced taste-test method[J].Food Engineering, 1952, 24(1):58-61.

[23] LAWLESS H T, MALONE G J.Comparison of rating scales:Sensitivity, replicates and relative measurement[J].Journal of Sensory Studies, 1986, 1(2):155-174.

The research of sensory evaluation and consumer preference of beer using electroencephalogram method

WANG Cheng1,2, CHEN Shuang3, LYU Gaochong1,2, HAO Jianqin1,2, XIE Xin3, HUANGFU Jie1,2, WANG Gang3, GUO Liyun3, WANG Deliang1,2*

1(China National Research Institute of Food and Fermentation Industries Co.Ltd., Beijing 100015, China) 2(International Joint Research Center of Quality and Safety of Alcoholic Beverages, Beijing 100015, China) 3(Technology Center of Beijing Yanjing Beer Co. Ltd., Beijing Key Laboratory of Beer Brewing Technology, Beijing 101300, China)

ABSTRACT This research used consumer electroencephalogram (EEG) analysis technology combined with traditional sensory evaluation and establish a new type of beer consumers preference test method. After the established standardized process of beer tasting, we collected the real-time EEG change of consumer, and collected the data which treated by artifacts removing, filtering, and feature extraction. Eight different brain wave data and two kinds of emotions data were sort out, and a comprehensive emotion index, Index of Alcohol-drinking Analysis (IAA) model were fitted using the data. Consumer preference of beer could be judged by IAA score and compared with the questionnaire analysis. Results showed that the accuracy of IAA index was 83% compared with questionnaire results. IAA could explain details of consumer preference change in different beer drinking process. This method is the first beer drinking preferences of consumers with EEG data research. It is a good supplement and improvement to the existing sensory evaluation methods.

Key words electroencephalogram; sensory evaluation; beer; preference; model

第一作者：博士,高级工程师(王德良教授级高级工程师为通信作者, E-mail:wdlpost@163.com)

基金项目：政府间国际科技创新合作项目(2021YFE0192000)

收稿日期：2022-08-10,改回日期：2022-09-05

DOI：10.13995/j.cnki.11-1802/ts.033273

引用格式：王成,陈爽,吕高冲,等.基于脑电波分析的消费者啤酒饮用喜好度研究[J].食品与发酵工业,2023,49(11):125-130.WANG Cheng, CHEN Shuang, LYU Gaochong, et al.The research of sensory evaluation and consumer preference of beer using electroencephalogram method[J].Food and Fermentation Industries,2023,49(11):125-130.