تشخیص ترجیحات مصرف‎کننده از سیگنال‎های eeg به‌کمک تبدیل موجک گسسته، پیچیدگی لمپل زیو و شبکۀ عصبی عمیق

بازاریابی عصبی به‌کارگیری عصب‌روان‎شناسی در پژوهش‎های بازاریابی است تا به‌کمک فناوری‎های نوین به مطالعۀ حسی‌‌حرکتی رفتار مصرف‌کننده مانند پاسخ‌های شناختی و احساسی به محرک‌های بازاریابی بپردازد. عملکرد سیستم‌های تشخیص اولویت مبتنی بر سیگنال‌های مغزی (eeg) به انتخاب مناسب روش‌های استخراج ویژگی و الگوریتم‌های یادگیری ماشین بستگی دارند. در این مقاله از سیگنال‎های eeg 25 شرکت‌کننده در زمان مشاهدۀ 14 محصول مختلف استفاده شده است. در اینجا ابتدا سیگنال‌های eeg توسط پالایه‌های میان‌گذر و ساویتزکی گولای پیش‌پردازش می‌شوند و ویژگی‌های تبدیل موجک گسسته (dwt) و پیچیدگی لمپل زیو (lzc) از آنها استخراج می‌شود. سپس ویژگی‎های بهنجارشده به دو بخش آموزش و آزمون تقسیم می‌شوند. سپس ویژگی‌های بهنجارشده به شبکۀ عصبی عمیق (dnn) چهار لایه برای پیش‌بینی نتیجۀ آموزش داده می‌شوند و درنهایت پس از انجام آموزش، مدل پیشنهادی آمادۀ پیش‌بینی است. برای ارزیابی عملکرد مدل پیشنهادی از مولفه‌های دقت، فراخوانی و صحت استفاده شده است. نتایج نشان می‌دهد مقدار مولفه‌های دقت 82درصد، فراخوانی 87/5درصد و صحت 87/5درصد برای تشخیص دو دستۀ پسندیدن و نپسندیدن پس از پنج بار متوسط‌گیری حاصل شده است. در این پژوهش اثر تبلیغات بر فعالیت مغز مصرف‎کنندگان با تحلیل سیگنال‌های eeg بررسی شد. نتایج تجربی بر روی مدل پیشنهادی نشان می‌دهد که مطالعات دراین‌زمینه می‌تواند باعث تغییر و بهبود راهبردهای بازاریابی برای بهبود عملکرد تولیدکننده و رضایت مصرف‌کننده شود و درنهایت، به منفعت متقابل منجر شود.

recognition of consumer preferences from eeg signals using discrete wavelet transformation, lempel-ziv complexity, and deep neural network

neuromarketing is the application of neuropsychology in marketing research to study the sensorimotorbehavior of consumers such as cognitive and emotional responses to marketing stimuli with the helpof new technologies. the performance of priority detection systems based on brain signals depends onthe appropriate selection of feature extraction methods and machine learning algorithm. at first, eegsignals were pre-processed by low-pass and savitzky golay filters, and the features of discrete wavelettransform (dwt) and lempel-ziv complexity (lzc) were extracted from them. after that the featuresare normalized and divided into training and testing. later on, the normalized features are given to afour-layer deep neural network (dnn) to predict the results of the training. finally, the proposedmodel is ready to use. to evaluate the performance of the proposed model, parameters of precision,recall, and accuracy have been considered. the results show that a precision of 82%, recall of 87.5%,and accuracy of 87.5% for distinguishing the two categories of liking and disliking have been obtainedin an average of five runs. in this study, the effect of advertising on the brain activity of consumerswas investigated by analyzing eeg signals. experimental results of the proposed model show thatstudies in this field can change and improve marketing strategies to improve producer performanceand consumer satisfaction, leading to a mutual benefit.