تحلیل سیگنال‎های eeg به‌کمک طیف‌های مرتبۀ بالا در کاربرد بازاریابی عصبی

درک چگونگی تصمیم‌گیری مصرف‌کنندگان، یکی از مباحث موردتوجه پژوهشگران، بازاریابان و مدیران صنعتی است. در این مقاله از سیگنال‎های مغزی (eeg) 25 شرکت‌کننده در زمان مشاهدۀ 14 محصول مختلف استفاده شده است. ابتدا سیگنال‌های eeg پیش‌پردازش شده و سپس ویژگی‌هایی از طیف‎های مرتبۀ بالا (hos) به‌‌صورت مجموع اندازۀ دوطیفی‌‌‌ها، مجموع مربع اندازۀ دوطیفی‌ها، مجموع اندازۀ دوهمدوسی‌‌‌ها و مجموع مربع اندازۀ دوهمدوسی‎‌‌ها در هریک از 10 محدودۀ صفحۀ دوفرکانسی و همچنین در کل محدودۀ فرکانسی و ویژگی‌های آزمون هاینیچ نظیر مقدار خی‌دو (csv)، اﺣﺘﻤﺎل ﻫﺸﺪار ﮐﺎذب (pfa) وlambda  به‌‌منظور بررسی ارتباط حالت‌های دوست‌داشتن و دوست‌نداشتن محصول استخراج شده است. جمعاً 48 ویژگی برای هر کانال سیگنال eeg محاسبه شده که با احتساب 14 کانال‌‌ برای هر نمونه 672 ویژگی به دست آمده است. ویژگی‌های برتر به‌کمک الگوریتم ژنتیک (ga) و روش نزدیک‌ترین همسایه در مدل رپر انتخاب‌ شد و درنهایت با شبکۀ عصبی پرسپترون چندلایه (mlp) و ماشین بردار پشتیبان (svm) طبقه‌بندی شد. در مرحلۀ انتخاب ویژگی، 206 ویژگی حاصل شد. نتایج نشان داد مدل پیشنهادی به‌کمک svm با هستۀ گوسی توانسته به‌طور میانگین روی کلیۀ کاربران به صحت 73.24درصد برسد؛ بنابراین، مشاهده می‎شود روش پیشنهادی عملکرد مناسبی در تشخیص حالت‌‌های دوست‎داشتن و دوست‌نداشتن محصول دارد و در کاربرد بازاریابی عصبی مفید است.

Analysis of the EEG Signal Using Higher-Order Spectra (HOS) in the Neuro-marketing Application

Understanding how consumers make decisions is one of the topics of interest for researchers, marketers, and industry managers. In the present study, the electroencephalogram (EEG) signals of 25 participants were used while viewing 14 different products. First, the EEG signals were preprocessed and then the highorder spectrum (HOS) features as the sum of the size of the Bispectrum, the sum of the square size of the Bispectrums, the sum of the size of the Bicoherences, and the sum of the square size of the Bicoherences in each of the 10 frequency ranges as well as the whole frequency range and features of Heinich test such as Chisquare value (CSV), probability of false alarm (Pfa), and Lambda were extracted to investigate the relationship between product liking and dislike. A total of 48 features were calculated for each EEG channel. By calculating them in 14 channels, 672 features were obtained for each sample. The superior traits were selected using a genetic algorithm (GA) and the nearest neighbor method in the wrapper model. The traits were classified using multilayer perceptron neural network (MLP) and support vector machine (SVM). In the feature selection stage, 206 features were obtained. The results of the study showed that the proposed model with the help of SVM with Gaussian kernel can reach an average accuracy of 73.24% on all users. The proposed method, thus, seems to have a satisfactory performance in identifying the likes and dislikes of the product and could be useful in the neuromarketing application.