تجزیه وتحلیل سیگنال های مغزی به کمک آنتروپی پراکندگی سلسله مراتبی و جنگل تصادفی در کاربرد بازاریابی عصبی

Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 43

This Paper With 17 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_ISEE-15-1_004

تاریخ نمایه سازی: 31 تیر 1403

Abstract:

بازاریابی عصبی از علوم شناختی در پژوهش های مرتبط با بازاریابی کمک می گیرد تا به مطالعه اعمال حسی - حرکتی مصرف کننده مانند پاسخ های شناختی و احساسی به محرک های بازاریابی با کمک فناوری های نوین بپردازد. این پژوهش یک چارچوب پیش بینی برای فرآیندهای تصمیم گیری شرکت کنندگان ازنظر پسندیدن و نپسندیدن در زمان مشاهده و انتخاب محصولات یک فروشگاه اینترنتی است. بدین منظور، از سیگنال مغزی (EEG) شرکت کنندگان در هنگام نمایش محصولات مختلف، ویژگی های آنتروپی پراکندگی (DE) و آنتروپی پراکندگی سلسله مراتبی (HDE) استخراج شده است. ارزیابی الگوهای پراکندگی برای اولین بار برای تشخیص دو دسته پسندیدن و نپسندیدن به کمک سیگنال های EEG استفاده شده است. در این پژوهش، رویکرد یادگیری جمعی با طبقه بندی کننده جنگل تصادفی بررسی شد تا یک مدل برای پیش بینی بازاریابی عصبی برای تفکیک دو دسته پسندیدن و نپسندیدن ایجاد شود. از تحلیل نتایج مدل به صحت ۶۷/۷۳ درصد حاصل شده است. مطالعات در این زمینه می تواند باعث تغییر و بهبود استراتژی های بازاریابی برای بهبود فرآیندهای تولیدکننده و مصرف کننده شود و درنهایت، به منفعت متقابل منجر شود.

Keywords:

Authors

سید عابد حسینی

استادیار گروه مهندسی برق، 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 :
  • A. S. Amran et al., “Data Acquisition and Data Processing ...
  • K. Bočková, J. Škrabánková, and M. Hanák, “Theory and practice ...
  • D. A. Mallik and S. S. Azharshaheen, “Neuromarketing Managemental Applications ...
  • A. H. Alsharif, N. Z. Md Salleh, R. Baharun, and ...
  • C. R. Amin et al., “Consumer Behavior Analysis using EEG ...
  • L. Zeng, M. Lin, K. Xiao, J. Wang, and H. ...
  • V. Khurana et al., “A survey on neuromarketing using eeg ...
  • R. Gill and J. Singh, “A study of neuromarketing techniques ...
  • M. Yadava, P. Kumar, R. Saini, P. P. Roy, and ...
  • L. Robaina-Calderín and J. D. Martín-Santana, “A review of research ...
  • M. Nilashi et al., “Neuromarketing: a review of research and ...
  • B. Neeharika, W. J. Suneetha, B. A. Kumari, and M. ...
  • R. Stefko, A. Tomkova, J. Kovalova, and I. Ondrijova, “Consumer ...
  • A. Cardoso and T. S. Ferreira, “Data mining ppv an ...
  • T. Avinash, L. Dikshant, and S. Seema, “Methods of Neuromarketing ...
  • M. Darabi, N. Azizian, M. Moharramzadeh, and F. Nobakht, “Processing ...
  • S. Pal, P. Das, R. Sahu, and S. R. Dash, ...
  • S. Butterworth, “On the theory of filter amplifiers,” Wireless Engineer, ...
  • Q. Xue et al., “Feature Extraction Using Hierarchical Dispersion Entropy ...
  • M. Rostaghi and H. Azami, “Dispersion entropy: A measure for ...
  • H. Azami and J. Escudero, “Amplitude-and fluctuation-based dispersion entropy,” Entropy, ...
  • X. Yan, Y. Liu, D. Huang, and M. Jia, “A ...
  • S. Luo, W. Yang, and Y. Luo, “Fault diagnosis of ...
  • S. A. Hosseini, M. A. Khalilzadeh, M. B. Naghibi-Sistani, and ...
  • D. R. Edla, K. Mangalorekar, G. Dhavalikar, and S. Dodia, ...
  • S. Hegelich, “Decision trees and random forests: Machine learning techniques ...
  • L. Fraiwan, K. Lweesy, N. Khasawneh, H. Wenz, and H. ...
  • C. Nguyen, Y. Wang, and H. N. Nguyen, “Random forest ...
  • S.A. Hosseini, "Analyzing the brain response to marketing stimuli using ...
  • نمایش کامل مراجع