تحلیل سیگنالهای EEG به کمک طیف های مرتبه بالا در کاربرد بازاریابی عصبی
Publish place: New Marketing Research Journal، Vol: 12، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 299
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_NMRJ-12-1_002
تاریخ نمایه سازی: 5 اردیبهشت 1401
Abstract:
درک چگونگی تصمیم گیری مصرف کنندگان، یکی از مباحث موردتوجه پژوهشگران، بازاریابان و مدیران صنعتی است. در این مقاله از سیگنالهای مغزی (EEG) ۲۵ شرکت کننده در زمان مشاهده ۱۴ محصول مختلف استفاده شده است. ابتدا سیگنال های EEG پیش پردازش شده و سپس ویژگی هایی از طیفهای مرتبه بالا (HOS) به صورت مجموع اندازه دوطیفی ها، مجموع مربع اندازه دوطیفی ها، مجموع اندازه دوهمدوسی ها و مجموع مربع اندازه دوهمدوسی ها در هریک از ۱۰ محدوده صفحه دوفرکانسی و همچنین در کل محدوده فرکانسی و ویژگی های آزمون هاینیچ نظیر مقدار خی دو (CSV)، احتمال هشدار کاذب (Pfa) وLambda به منظور بررسی ارتباط حالت های دوست داشتن و دوست نداشتن محصول استخراج شده است. جمعا ۴۸ ویژگی برای هر کانال سیگنال EEG محاسبه شده که با احتساب ۱۴ کانال برای هر نمونه ۶۷۲ ویژگی به دست آمده است. ویژگی های برتر به کمک الگوریتم ژنتیک (GA) و روش نزدیک ترین همسایه در مدل رپر انتخاب شد و درنهایت با شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) طبقه بندی شد. در مرحله انتخاب ویژگی، ۲۰۶ ویژگی حاصل شد. نتایج نشان داد مدل پیشنهادی به کمک SVM با هسته گوسی توانسته به طور میانگین روی کلیه کاربران به صحت ۷۳.۲۴درصد برسد؛ بنابراین، مشاهده میشود روش پیشنهادی عملکرد مناسبی در تشخیص حالت های دوستداشتن و دوست نداشتن محصول دارد و در کاربرد بازاریابی عصبی مفید است.
Keywords:
Authors
سید عابد حسینی
استادیار، گروه مهندسی برق، واحد مشهد دانشگاه آزاد اسلامی، ، مشهد، ایران
محبوبه هوشمند
استادیار، گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :