تجزیه‌ و تحلیل سیگنال‌های مغزی به کمک آنتروپی پراکندگی سلسله‌مراتبی و جنگل تصادفی در کاربرد بازاریابی عصبی

بازاریابی عصبی از علوم شناختی در پژوهش‌های مرتبط با بازاریابی کمک می‌گیرد تا به مطالعۀ اَعمال حسی - حرکتی مصرف‌کننده مانند پاسخ‌های شناختی و احساسی به محرّک‌های بازاریابی با کمک فناوری‌های نوین بپردازد. این پژوهش یک چارچوب پیش‌بینی برای فرآیندهای تصمیم‌گیری شرکت‌کنندگان ازنظر پسندیدن و نپسندیدن در زمان مشاهده و انتخاب محصولات یک فروشگاه اینترنتی است. بدین منظور، از سیگنال مغزی (eeg) شرکت‌کنندگان در هنگام نمایش محصولات مختلف، ویژگی‌های آنتروپی پراکندگی (de) و آنتروپی پراکندگی سلسله‌مراتبی (hde) استخراج شده است. ارزیابی الگوهای پراکندگی برای اولین‌بار برای تشخیص دو دستۀ پسندیدن و نپسندیدن به کمک سیگنال‌های eeg استفاده شده است. در این پژوهش، رویکرد یادگیری جمعی با طبقه‌بندی‌کننده جنگل تصادفی بررسی شد تا یک مدل برای پیش‌بینی بازاریابی عصبی برای تفکیک دو دستۀ‌ پسندیدن و نپسندیدن ایجاد شود. از تحلیل نتایج مدل به صحّت 73/67 درصد حاصل شده است. مطالعات در این زمینه می‌تواند باعث تغییر و بهبود استراتژی‌های بازاریابی برای بهبود فرآیندهای تولیدکننده و مصرف‌کننده شود و درنهایت، به منفعت متقابل منجر شود.

analysis of eeg signals using hierarchical dispersion entropy and random forest in the neuromarketing application

neuromarketing uses cognitive science in marketing-related research to study consumer sensorimotor effects, such as cognitive and emotional responses to marketing stimuli by using new technologies. this research is a predictive framework for participants’ decision-making processes in terms of liking and disliking when viewing and selecting the products of an online store. for this purpose, dispersion entropy (de) and hierarchical dispersion entropy (hde) features are extracted from the participant’s brain signal (eeg) when displaying different products. dispersion pattern evaluation is used for the first time to distinguish between two categories of likes and dislikes using eeg signals. in this study, the ensemble learning approach with a random forest classifier is investigated to create a model for predicting neuromarketing to distinguish between two categories of likes and dislikes. from the analysis of the model results, 73.67% accuracy has been obtained. studies in this area can change and improve marketing strategies to improve production and consumer processes, and ultimately lead to mutual benefit.