Recognition of Consumer Preferences from EEG Signals Using Discrete Wavelet Transformation, Lempel-Ziv Complexity, and Deep Neural Network

Document Type : Original Article

Author

Assistant professor, Dept. of Electrical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran

Abstract

Neuromarketing is the application of neuropsychology in marketing research to study the sensorimotor behavior of consumers such as cognitive and emotional responses to marketing stimuli with the help of new technologies. The performance of priority detection systems based on brain signals depends on the appropriate selection of feature extraction methods and machine learning algorithm. At first, EEG signals were pre-processed by low-pass and Savitzky Golay filters, and the features of discrete wavelet transform (DWT) and Lampel-Ziv complexity (LZC) were extracted from them. After that the features are normalized and divided into training and testing. Later on, the normalized features are given to a four-layer deep neural network (DNN) to predict the results of the training. Finally, the proposed model 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 obtained in an average of five runs. In this study, the effect of advertising on the brain activity of consumers was investigated by analyzing EEG signals. Experimental results of the proposed model show that studies in this field can change and improve marketing strategies to improve producer performance and consumer satisfaction, leading to a mutual benefit.
Introduction
Neuromarketing is the study of brain reactions using medical technologies in response to marketing stimuli (Amin et al., 2020). By analyzing the collected information, companies try to find the reasons for consumer decisions to buy goods. They also want to understand which brain regions become more active during decision-making.
Neuromarketing researchers assume that most consumer decisions are made unconsciously and in a fraction of a second. They also believe that the choices and decisions consumers make are often based on emotions instead of product comparison. Therefore, consumers’ emotions influence decision-making. On the other hand, consumer feelings can be highly influenced by internal and external factors. Detecting the consumer’s emotional state reveals his/her real preferences (Aldayel et al., 2020). The feeling and understanding caused by advertising make the consumer buy a particular product.
Neuromarketing studies are done through recording or analyzing biometric data, or through a combination of them such as electroencephalography (EEG), facial expression, movement pattern recognition, eye tracking, and galvanic skin response (GSR). A consumer preference recognition system based on EEG signals helps to understand consumer behavior and discover how a person makes a purchase decision. Understanding this, helps marketers and organizations to increase customer satisfaction, positive customer experiences, consumer loyalty, and revenue (Aldayel et al., 2020).
 
Materials and Methods
In this article, the EEG signals of 25 participants were used while viewing 14 different internet products of three different types. Such signals were recorded through 14 channels at different head surface areas with the international 10-20 system including AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, and AF4. Common mode sense (CMS) and driven right leg (DRL) reference electrodes are placed at P3 and P4 positions above the ear. First, the EEG signals are pre-processed by band pass filter and Savitzky Golay filter. Then, the discrete wavelet transform (DWT) and Lampel-Ziv complexity (LZC) features are extracted from them. After that, normalized features are divided into two parts of training and testing. In the proposed model, the four-layer deep neural network (DNN) classifier is used to predict and distinguish two categories of liking and disliking. The input layer of DNN is not recognized as a layer in the network and is known as zero layer. Hidden layers include units with rectified linear unit (ReLu) (Kingma & Ba, 2014; He et al., 2015). The output is configured as a softmax layer with a binary cross-entropy cost function. Each hidden layer consists of 60% of its previous layer; therefore, the first hidden layer contains 1800 units, the second hidden layer contains 1080 units, and the third hidden layer contains 648 units. The dimension of the output layer is equal to two, because it corresponds to the number of units required to distinguish the categories of liking and disliking.
 
Results
The simulations have been performed by MATLAB 2014a software. The training set included 80% of extracted features while the testing set included 20% of extracted features. Various evaluation criteria such as precision, recall, and accuracy have been used to measure the performance of the classifiers. The values of statistical parameters after averaging five times to distinguish two categories of liking and disliking have been found to have 82% precision, 87.5% recall, and 87.5% accuracy.
 
Discussion
Various evaluation criteria such as precision, recall, and accuracy have been used to measure the performance of the classifier. The proposed model was able to distinguish the two categories of liking and disliking with 87.5% accuracy, which shows an increase of 0.5% compared to the reference (Aldayel et al., 2021). Also, by comparing the results with references (Aldayel et al., 2021; Yadava et al., 2017), it is clear that the LZC feature extraction method has an effective role in predicting the proposed model for separating the two categories of liking and disliking. The results show that the proposed method can provide a complementary solution to traditional measures of predicting products success in the market. Also, the proposed method can be used in the development of market strategies and research by predicting the success of the market through expanding the existing models. This method helps advertisers understand which of their advertisements are effective and how they should plan their advertising strategy. Finally, by comparing the results with previous studies, the combined feature extraction method of LZC and DWT with the use of DNN classification has an effective role in predicting the proposed model for separating the two categories of liking and disliking.
 
 
*

Keywords

Main Subjects

Full Text

بازاریابی عصبی، مطالعۀ واکنش مغز با استفاده از فناوری‌های پزشکی در پاسخ به محرک‎های بازاریابی است (Amin et al., 2020). شرکت‎ها با تحلیل اطلاعات جمع‌آوری‌شده، سعی در یافتن دلایل تصمیمات مصرف‌کننده برای خرید کالا را دارند و همچنین، می‎خواهند بفهمند کدام‌یک از نواحی مغز در زمان تصمیم‌گیری فعال‌تر می‌شود. بازاریابی عصبی در پژوهش‌های بازاریابی و تجارت الکترونیک اهمیت ویژه‌ای دارد؛ زیرا ممکن است مصرف‌کنندگان اغلب افکار خود را پنهان کنند یا نتوانند بیان کنند. شرکت‌ها و سازمان‌ها نیاز فزاینده‌ای به درک و پیش‌بینی ترجیحات مصرف‌کننده دارند تا بتوانند در اقتصاد جهانی رقابت کنند. همچنین، روش‌های پژوهشی موجود در بازاریابی سنتی، توان رمزگشایی ضمیر ناخودآگاه مصرف‌کنندگان را ندارند. ضمیر ناخودآگاه محلی است که اکثر افکار انسان در آن رخ می‌دهد. ازطریق بازاریابی عصبی می‌توان فهمید که مصرف‌کننده چه می‌خواهد و هم در ناخودآگاه خود به چه چیزی فکر می‌کند (Penenberg, 2011).

پژوهشگران بازاریابی عصبی فرض می‌کنند اکثر تصمیمات مصرف‌کنندگان به‌صورت ناخودآگاه و در کسری از ثانیه گرفته می‌شود. همچنین، اعتقاد دارند که انتخاب‌ها و تصمیماتی که مصرف‌کنندگان می‌گیرند، اغلب به‌جای مقایسه و تمایز بین محصولات، مبتنی بر احساسات است؛ بنابراین این یک واقعیت شناخته‌شده است که احساسات مصرف‌کننده بر تصمیم‌گیری تأثیر می‌گذارند. ازسوی دیگر، احساسات مصرف‌کننده می‌تواند به‌شدت تحت‌تأثیر عوامل داخلی و خارجی بسیاری قرار گیرد؛ بنابراین، تشخیص وضعیت احساسی مصرف‌کننده، ترجیحات واقعی وی را آشکار می‌کند (Aldayel et al., 2020). احساس یا درک ناشی از تبلیغات، باعث می‌شود مصرف‌کننده در خرید یک محصول خاص مطابق با آن عمل کند.

پژوهش‌های بازاریابی عصبی با ثبت و تحلیل برخی از داده‌های بیومتریک یا ترکیبی از آنها مانند الکتروانسفالوگرافی (EEG‌[1])، حالت چهره، تشخیص الگوی حرکتی، ردیابی حرکات چشم و پاسخ هدایت الکتریکی پوست (GSR‌[2]) انجام می‌شود. در این میان، استفاده از سیگنال‌های EEG یک روش کاربردی، چندبُعدی، مقرون‌به‌صرفه، قابل‌حمل و غیرتهاجمی برای تحلیل فعالیت‌های شناختی است (Al-Nafjan et al., 2017). پژوهشگران همیشه خواهان یک راه‌حل حسگر زیستی قابل‌حمل بودند که نه مزاحم و نه ترسناک باشد، اما داده‌های دقیق و مؤثری را برای اهداف پژوهشی ارائه دهد. در اینجا بازاریابی عصبی می‌تواند راه‌حلی برای حل این مشکل باشد و پل ارتباطی بین داده‌ها و پژوهشگران باشد.

بازاریابی عصبی مبتنی بر سیگنال EEG به‌دنبال ارائۀ بینشی دربارۀ تجربۀ یک شخص با انواع محصولات و رسانه‌ها و همچنین، ارزیابی پاسخ‌ به محرک‌های بازار به‌منظور تشخیص اولویت مصرف‌کننده است. یک سیستم تشخیص ترجیحات مصرف‌کننده مبتنی بر سیگنال EEG کمک می‌کند تا رفتار مصرف‌کننده درک و کشف شود که فرد چگونه تصمیم به خرید می‌گیرد. درک این موضوع به بازاریابان و سازمان‌ها کمک می‌کند تا رضایت مشتری، تجربیات مثبت مشتری، وفاداری مصرف‌کننده و درآمد را افزایش دهند (Aldayel et al., 2020). درکِ دیدگاه‌ها، رفتار، کنش، احساسات و بینش‌های ناخودآگاه مصرف‌کنندگان به بازاریابان کمک می‌کند تا استراتژی‌های بازاریابی را برنامه‌ریزی کنند و توسعه دهند. نه‌تنها برند از بازاریابی عصبی بهره‌مند خواهد شد، بلکه بازاریابی عصبی برای تولیدکنندگان نیز مفید است؛ زیرا عموم مردمی را که روزانه در معرض صدها آگهی تبلیغاتی قرار می‌گیرند، می‌توان ازطریق ایجاد آگهی‌های احساسی‌تر و مفیدتر، بیشتر جلب محصولات و برندها کرد و تجربۀ بهتری را برای مشتری ایجاد نمود.

بازاریابی عصبی بسیار فراتر از نظرسنجی‌ها و روش‌های بازاریابی سنتی است (Amin et al., 2020) و در سال‎های اخیر پژوهش‎های زیادی در مبحث بازاریابی عصبی انجام شده است. کراجینویک و همکاران به پژوهشی با عنوان بازاریابی عصبی و ارادۀ آزاد مشتریان پرداختند (Krajinovic et al., 2012). این پژوهش به تأثیر عناصر حسی شامل رنگ، طرح، موسیقی، بو و طعم بر ادراک مشتریان و تصمیم خرید آگاهانه یا ناآگاهانۀ آنها می‌پردازد. همچنین، آنها تأثیر ابزارهای بازاریابی بر احساسات مشتریان را بررسی کرده‌اند. پوژارلیو به مطالعۀ تأثیر زمینه‌های مختلف اجتماعی بر فرایندهای شناختی مرتبط با تجربۀ مطالب تبلیغاتی پرداخته است (Pozharliev, 2017). برای رسیدن به این هدف از ترکیبی از اقدامات تبلیغاتی سنتی، ویژگی‌های شخصیتی، پروفایل‌های ژنتیکی و تحلیل سیگنال EEG استفاده کرده‌‌اند.

یاداوا و همکاران یک چهارچوب پیش‌بینی برای درکِ انتخاب مصرف‌کننده نسبت به محصولات تجارت الکترونیکی را ازنظر دو دستۀ پسندیدن و نپسندیدن به‌کمک تحلیل سیگنال‎های EEG ارائه داده‌اند (Yadava et l., 2017). در پژوهش آنها سیگنال‌های EEG شرکت‌کنندگان با سن و جنسیت متفاوت در هنگام مرور محصولات مختلف ثبت شده است. سپس ویژگی‌های مبتنی بر تبدیل موجک گسسته (DWT‌[3]) از سیگنال پیش‌پردازش‌شده استخراج شد. در مرحلۀ بعد چندین الگوریتم یادگیری ماشین، ازجمله مدل پنهان مارکوف (HMM‌[4])، ماشین بردار پشتیبان (SVM‌[5])، جنگل تصادفی (RF‌[6]) و پرسپترون چندلایه (MLP‌[7]) بر روی این ویژگی‌ها آموزش داده‌ شده‌اند. با استفاده از طبقه‌بند HMM صحت پیش‌بینی انتخاب 33/70درصد حاصل شده است.

تریمبل به بررسی و تعیین کمّیت تأثیر محیط خرده‌فروشی[8] بر پاسخ‌های احساسی و شناختی مصرف‌کنندگان نسبت به محصولات پرداخت (Trimble, 2018). چندین عنصر از محیط خرده‌فروشی می‌تواند بر رفتار مصرف‌کننده و تصمیمات خریدار تأثیرگذار باشد. بیشترین تأثیری که محیط بر رفتار دارد و غالباً به آن توجه نمی‌شود، بر فرایندهای درونی تأثیر می‌گذارد که زیر سطح هوشیاری آگاهانه است. پرایمینگ[9] تأثیر محرک‌های خارجی بر رفتار یا پاسخ فرد نسبت به محرک‌های هدف است. این پژوهش آزمایشی را طراحی کرده است تا شرکت‌کنندگان را با یک محرک رنگی خاص (صورتی، آبی یا قرمز) به‌منظور اندازه‌گیری تأثیر این تحریک بر تصمیم‌های خرید شرکت‌کنندگان مشخص کند. شرکت‌کنندگان وارد یک فروشگاه خرده‌فروشی شبیه‌سازی‌شده‌ شبیه دنیای واقعی شده‌اند و در قالبی هدایت‌شده از میان لباس‌های موجود خرید کردند و درنهایت، سه لباس موردعلاقۀ خود را انتخاب کرده‌اند. پاسخ‌های فیزیولوژیکی شرکت‌کنندگان با استفاده از ردیاب حرکات چشم و دستگاه قابل‌حمل سیگنال EEG ثبت شده است. داده‌های ردیابی حرکات چشم برای افزایش سوگیری نگاه نسبت به محصولات ترجیحی و اولیه به‌کمک نظریۀ آبشاری خیرگی[10] مورد تحلیل قرار گرفته است. سیگنال‌های EEG اطلاعاتی درمورد فعالیت مغز شرکت‌کنندگان ارائه کرده است و مطابق با مدل احساسات دیویدسون[11] تحلیل شده است که نشان‌دهندۀ رویکرد یا تمایل به کناره‌گیری نسبت به محصولات مختلف است. نتایج پژوهش نشان داده است که با ردیابی حرکات چشم و سیگنال EEG می‌توان تفاوت بین پاسخ‌های شناختی و احساسی شرکت‌کنندگان را نسبت به محصولات انتخاب و ترجیح‌داده‌شده در مقایسه با محصولات انتخاب‌نشده اندازه‌گیری کرد. سیگنال‌های EEG شواهدی مبنی بر تفاوت در پاسخ‌های عصبی بین محصولات رنگی تطبیق اصلی و محصولات تطبیق غیراصلی ارائه کرده است؛ بااین‌حال، پاسخ‌های ردیابی حرکات چشم تفاوت قابل‌توجهی در حرکات چشم بین این دو گروه از محصولات را نشان نداده است. در پژوهش آنها امکان ثبت سیگنال‌های EEG در محیط فروشگاه نیمه‌کنترل‌شده موردنیاز است تا امکان تحلیل داده‌های عاری از آرتیفکت‌های حرکتی فراهم شود. این نتایج توانایی سنجش پاسخ‌های فیزیولوژیکی، عصبی و ناخودآگاه مصرف‌کنندگان را در یک محیط خرده‌فروشی شبیه دنیای واقعی نشان داده است؛ درحالی‌که به شرکت‌کنندگان اجازه داده شده است آزادانه و بدون مانع حرکت کنند. نتایج نشان‌دهندۀ تفاوت قابل‌توجه در پاسخ‌های احساسی در اولویت نسبت به محصولات رنگی اصلی دارد؛ بنابراین، پرایمینگ در تصمیم‌گیری در محیط‌های خرده‌فروشی مُد تأثیر دارد.

امین و همکاران به تحلیل رفتار مصرف‌کننده با استفاده از سیگنال‌های EEG برای کاربرد بازاریابی عصبی پرداختند (Amin et al., 2020). در مطالعۀ آنها از الگوریتم‌های داده‌کاوی و یادگیری ماشین برای تحلیل رفتار مصرف‌کننده به‌کمک سیگنال‌های EEG استفاده شده است. ویژگی‌های توزیع زمان فرکانس از سیگنال‌های EEG استخراج ‌شده و سپس الگوریتم‌های طبقه‌بندی متفاوتی روی آنها اِعمال ‌شده است. از پاسخ‌های مصرف‌کننده به استراتژی‌های بازاریابی و رفتار آنها نسبت به خرید یا انتخاب کالا می‌توان برای درک رابطۀ تولیدکننده با مصرف‌کننده استفاده شود. دلیل اینکه آنها چگونه و چرا سیاست‌های بازاریابی خاص را دوست دارند، با تحلیل داده‌ها کشف شد. صحت مدل آنها 95درصد است که نسبت به صحت روش (Yadava et l., 2017) 25درصد افزایش را نشان می‌دهد. نتایج آنها نشان داد که مطالعات دراین‌زمینه می‌تواند باعث تغییر و بهبود استراتژی‌های بازاریابی برای بهبود تولیدکننده و مصرف‌کننده شود.

اسکاناگاتا به بررسی نقش اساسی در فرایند تصمیم‌گیری مصرف‌کننده توسط آمیگدالا پرداخته است (Scanagatta, 2021). ناحیۀ آمیگدالا به‌شدت با احساسات عمیق و قوی مانند خشم، هیجان، ترس، اضطراب مرتبط است. به‌گفتۀ کارشناسان، تحریک این ناحیه ازطریق جلوه‌های بصری، می‌تواند بر روند تصمیم‌گیری مصرف‌کننده تأثیر بگذارد. هدف دوم مطالعۀ فرایندهای مغز است تا بفهمند کدام فیلم یا عکس می‌تواند برای مصرف‌کننده تأثیرگذار باشد. این پژوهش نه‌تنها نقش آمیگدالا را در فرایندهای تصمیم‌گیری تأیید می‌کند، بلکه استفاده از روش‌های بازاریابی عصبی را برای رقابتی‌ترکردن شرکت‌ها تشویق می‌کند.

گئوردیادیس و همکاران ابتدا مناسب‌بودن رویکرد ریمانی[12] را برای مسائل مرتبط با بازاریابی عصبی تعیین کردند و سپس یک طرح رمزگشایی مرتبط را برای پیش‌بینی انتخاب‌های مصرف‌کنندگان نظیر تمایل به خرید یا عدم‌تمایل به خرید یک محصول خاص را پیشنهاد دادند (Georgiadis et al., 2022). پال و همکاران نشان دادند که SVM‌ با تابع هستۀ سیگموئید بهتر از طبقه‌بندهای دیگر برای پیش‌بینی انتخاب مصرف‌کننده هنگام بررسی برند‌های مختلف از همان نوع محصولات عمل کرده است (Pal et al., 2021). آنها بیان داشتند در نتایج حاصله برای تفکیک دو دستۀ پسندیدن و نپسندیدن به درصد صحت خوبی نرسیدند و باید از مدل‌های پیچیده‌تر نظیر یادگیری عمیق برای دست‌یابی به صحت بالاتر استفاده شود.

کابا به بررسی کاربرد روش‌های یادگیری عمیق در بازاریابی عصبی به‌کمک سیگنال EEG در مقایسه با رویکردهای یادگیری ماشین سنتی ‌پرداخت (Kaba, 2020). کابا عملکرد طبقه‌بند ترکیبی[13] را با شبکۀ عصبی کانولوشن (CNN[14]) بر روی دو مجموعۀ دادۀ EEG که به‌طور مستقل جمع‌آوری‌ شده‌ است (یک مجموعه مربوط به انتخاب محصول و دیگری مربوط به رتبه‌بندی فیلم‌ها) مقایسه کرده است. درحالی‌که هر دو چهارچوب، عملکرد ضعیفی را برای پیش‌بینی انتخاب‌های محصول نشان داده‌اند، CNN در کار پیش‌بینی رتبه‌بندی فیلم بهتر بوده است. این نتیجه شواهدی را برای برتری روش‌های یادگیری عمیق در پیش‌بینی بازاریابی عصبی ارائه داده است (Kaba, 2020; Alimardani & Kaba, 2021).

آلدایل و همکاران برای پُرکردن شکاف بین مطالعات بازاریابی مرسوم و پژوهش‌های رابط مغز و رایانه (BCI[15]) مبتنی بر سیگنال EEG از بازاریابی عصبی استفاده کرده‌اند (Aldayel et al., 2021). ازطریق پیش‌بینی اولویت مصرف‌کنندگان، مشخص می‌کنند که آنها واقعاً چه می‌خواهند. عملکرد سیستم‌های تشخیص اولویت مبتنی بر سیگنال EEG به انتخاب مناسب روش‌های استخراج ویژگی و الگوریتم‌های یادگیری ماشین بستگی دارد. آنها برای استخراج ویژگی از سیگنال EEG از DWT‌ و چگالی طیف توان (PSD‌[16]) استفاده کردند. طبقه‌بندی به‌کمک یادگیری عمیق انجام شده است و درنهایت، نتایج را با دیگر طبقه‌بند‌‎ها مانند k نزدیک‌ترین همسایه (kNN‌[17])، SVM‌ و RF‌ مقایسه کرده‌اند. نتایج نشان داده است عملکرد شبکۀ عصبی عمیق (DNN‌[18]) از kNN و SVM در صحت و یادآوری بهتر است؛ بااین‌حال، RF نتایج مشابه DNN برای همان مجموعۀ داده به دست آورده است.

با مطالعۀ پیشینۀ پژوهشی مشاهده می‌شود پژوهش‌ها در حوزۀ بازاریابی عصبی همچنان جذاب و هنوز به سطحی از رضایت‌مندی نرسیده است. این پژوهش معتقد است که اقدامات عصب‌روان‌شناختی به‌زودی به‌طور گسترده تأیید می‌شود و به‌عنوان یک روش مکمل در پژوهش‌های بازاریابی سنتی استفاده می‎شوند. در این پژوهش یک چهارچوب بازاریابی عصبی برای پیش‌بینی ترجیحات مصرف‌کننده در زمان مشاهدۀ محصولات مختلف در فروشگاه اینترنتی ارائه می‌شود. در این پژوهش سیگنال‌های EEG افراد به‌کمک DWT، پیچیدگی لمپل زیو (LZC‌[19]) و DNN پردازش می‌شوند و درنهایت، یک تحلیل مقایسه‎ای با سایر پژوهش‌های گذشته روی یک پایگاه دادۀ یکسان انجام می‌شود.

 

 

2-روش‌ پژوهش

روش پیشنهادی پژوهش در روند نمای شکل 1 آورده شده است. اولین گام معرفی مجموعۀ دادۀ EEG است (Yadava et l., 2017)؛ سپس سیگنال‌های EEG پیش‌پردازش می‌شوند؛ سپس ویژگی‌های DWT و LZC از آنها استخراج می‌شوند؛ سپس ویژگی‌های استخراجی بهنجار شده و به دو بخش آموزش و آزمون تقسیم می‌شود. درنهایت، مدل پیشنهادی از طبقه‌بند DNN چهار لایه برای پیش‌بینی و تشخیص دو دستۀ پسندیدن و نپسندیدن استفاده می‌کند.

 

 

 

شکل 1: روند نمای روش پیشنهادی برای تحلیل ترجیحات مصرف‌کننده و تشخیص دو دستۀ پسندیدن و نپسندیدن

 

 

2-1-دادۀ پژوهش

سیگنال EEG این پژوهش توسط هدست Emotiv EPOC+ ثبت شده است (Yadava et l., 2017). سیگنال‌های EEG تعداد 25 شرکت‌کننده متعلق به موسسۀ فناوری هند ثبت شده است؛ درحالی‌که محصولات مختلف را روی صفحۀ نمایش رایانه تماشا می‌کردند. محدودۀ سنی شرکت‌کنندگان بین 18 تا 38 (متوسط سنی 15/28) سال بوده است. به هریک از شرکت‌کنندگان 42 تصویر محصول مختلف از 14 دستۀ 3تایی به‌مدت 4 ثانیه مطابق شکل 2 نشان داده‌ شده است؛ بنابراین، درمجموع 1050 (یعنی 42 در 25) قطعه سیگنال EEG ثبت شده است که از این تعداد 1045 به‌صورت دسترسی آزاد است. پس از مشاهده، از شرکت‌کننده خواسته‌ شده ترجیح خود را ازنظر محصول به دو دستۀ پسندیدن یا نپسندیدن بیان کند.

 

 

 

شکل 2: مجموعۀ تصاویر کالاهای مختلف در سه نوع مختلف

 

 

سیگنال‌های EEG ازطریق 14 کانال در مناطق مختلف سطح سر با سیستم بین‌المللی 10 - 20 شامل AF3، F7، F3، FC5، T7، P7، O1، O2، P8، T8، FC6، F4، F8 و AF4 ثبت شده است. الکترودهای مرجع CMS‌[20] و DRL‌[21] به‌ترتیب در موقعیت‌های P3 و P4 در بالای گوش در قرار داده شده‌اند. در سیستم ثبت آنها داده‌ها با استفاده از اتصال بلوتوث به یک رایانه منتقل ‌شده‌اند. فرکانس نمونه‌برداری سیگنال‌های EEG به‌صورت پیش‌فرض 2048 بوده است که به 128 هرتز کاهش یافته است. سیستم ثبت قادر به اِعمال پالایه‌های مختلف نرم‌‌افزاری روی سیگنال EEG بوده است؛ ولی سیگنال ذخیره‌‌شده در فایل‌‌ها به‌صورت خام و فاقد هرگونه پیش‌پردازش اولیه هستند. از شرکت‌کنندگان خواسته‌ شده محصولات را برحسب پسندیدن یا نپسندیدن برچسب‌گذاری کنند.

شرکت‌کنندگان بر روی صندلی روبه‌روی یک صفحۀ نمایش نشسته‌اند و با مشاهدۀ هر تصویر باید احساس دوست‌داشتن یا دوست‌نداشتن خود را با فشردن دکمۀ موس در مدت‌زمان 4 ثانیه مشخص کنند تا سیگنال دریافتی مشخصاً مربوط به تصمیم هر شرکت‌کننده باشد. پس از آزمودنی شخص باید تا انتهای 4 ثانیه تصویر را نگاه کند و بین نمایش محرک‌های تصویری مختلف، فیکسیشن برای توجه و آماده‌سازی کاربر نمایش داده نمی‌شود. داده شامل فایل برچسب مربوط به هر شخص است که درصورت پسندیدنِ محصول مقدار یک و درصورت نپسندیدنِ محصول مقدار منفی یک را گرفته است.

 

2-2-پیش‌پردازش سیگنال EEG

حرکات ناشی از پلک‌زدن، حرکت ماهیچه‎های صورت و ضربان قلب در هنگام ثبت سیگنال EEG از عوامل ایجاد آرتیفکت‌های ناخواسته هستند؛ بنابراین، پیش‌پردازش سیگنال EEG از ایجاد برخی اختلال‎های به‌وجودآمده جلوگیری می‎کند. در پژوهش‌ها معمولاً محدودۀ فرکانس سیگنال EEG زیر 45 هرتز در نظر گرفته می‌شود؛ بنابراین، از یک پالایۀ میان‌گذر باترورث درجۀ دوم[22] بین 4/0 تا 45 هرتز برای حذف آرتیفکت‌ها استفاده شده است. سپس از پالایۀ دیجیتال ساویتزکی گولای[23] برای هموارسازی[24] سیگنال EEG استفاده شده است. پالایۀ ساویتزکی گولای مبتنی بر چندجمله‌ای است که روش چندجمله‌ای حداقل مربعی سیگنال‌های پالایه‌شده را با ارزیابی ترکیبی سیگنال‌های همسایه پیدا می‌کند. هدف اصلی این روش افزایش نسبت سیگنال به نویز است و این کار تا حد زیادی بدون خدشه‌دارشدن سیگنال اصلی انجام می‌دهد. در این روش که برپایۀ انتگرال کانولوشن است، ابتدا سیگنال به پنجره‌هایی به‌طول  قسمت‌بندی می‌شود. سپس یک منحنی چندجمله‌ای با درجۀ  ( ) به نقاط این بخش از سیگنال با روش حداقل مربعات خطا برازش می‎شود. گفتنی است که گرچه استفاده از این روش‌های هموارسازی باعث بهبود وضعیت ظاهری طیف می‌شود، ممکن است سبب حذف اطلاعات مفید و قابل‌استفاده شود (Nicolai et al., 2007). عملکرد پالایۀ ساویتزکی گولای بر روی سیگنال  به‌طول  که   مطابق رابطۀ (1) است.

(1)

 

که  دهانۀ فریم (طول پنجره در این پژوهش )،  بیانگر تعداد ضرایب کانولوشن و  سیگنال هموارشدۀ حاصل است. مقدار  برای محاسبۀ مقادیر  با یک چندجمله‌ای استفاده می‌شود. مقادیر محاسبه‌شده برای  عبارت اند از 3-، 12، 17، 12 و 3-.

 

2-3- استخراج ویژگی

2-3-1-تبدیل موجک گسسته

استخراج ویژگی فرایندی برای استخراج اطلاعات مرتبط از داده‌های خام است. روش‌های مختلفی برای استخراج ویژگی از سیگنال‌های EEG وجود دارد. یکی از مناسب‌ترین روش‌ها برای پردازش سیگنال EEG روش تبدیل موجک (WT‌[25]) است. هنگام استخراج ویژگی‌ها دامنۀ زمان و هم دامنۀ فرکانس در نظر گرفته می‌شود. برای حد تفکیک فرکانس بالا یا پایین، به‌ترتیب از پنجره‌های کوتاه‌مدت و بلند‌مدت استفاده می‌شود. در این روش سیگنال‌های EEG با استفاده از موجک‌ها نمایش داده می‌شوند. یک موجکِ مادر وجود دارد که باعث پیدایش این موجک‌ها می‌شود. دو نوع روش تبدیل موجک نظیر تبدیل موجک پیوسته (CWT‌[26]) و DWT وجود دارد. در اینجا از DWT برای استخراج ویژگی استفاده شده است.

DWT یک روش تحلیل دامنۀ زمان فرکانس است که سیگنال‌ها را به ضرایب مختلف تجزیه می‌کند. می‌توان DWT را به‌عنوان تجزیه‌وتحلیل چندمقیاسی تعریف کرد که در آن هر ضریب نمایش منحصربه‌فردی از سیگنال‌های ذهنی است. عملیات کانولوشن یک فرایند ضرب دو تابع است (Chen et al., 2015; vega-Escobar, et al., 2015). هر ضرب داخلی یک ضریب موجک را به همراه دارد؛ بنابراین، DWT را می‌توان با استفاده از رابطۀ (2) بیان کرد.

(2)

 

که در آن  سیگنال (دنباله) به‌طول  و  تابع موجک مقیاس‌پذیر است. تجزیۀ DWT را می‌توان به‌عنوان گروهی از پالایه‌های بالاگذر (HP‌[27]) و پایین‌گذر (LP‌[28]) در یک بانک پالایه پیاده‌سازی کرد. خروجی پالایه‌های پایین‌گذر را ضرایب تقریبی ( [29]) و خروجی پالایه‌های بالاگذر را ضرایب جزئیات ( [30]) موجک می‌نامند. پس از پالایه‌کردن، سیگنال با ضریب دو براساس قضیۀ نایکوئیست نمونه‌برداری می‌شود و درنتیجه یک باند فرکانسی بین  و  ایجاد می‌شود. با فرض فرکانس نمونه‌برداری  و سطح تجزیۀ ، هر فرکانس ضریب جزئیات مربوط به نرخ فرکانس نمونه‌برداری  سیگنال‌های خام است که با   ارائه می‌شود. در استفاده از تبدیل موجک تعداد سطوح تجزیۀ موجک و انتخاب موجکِ مادر مناسب برای دست‌یابی به‌ تحلیل مطلوب DWT حیاتی است. هرچه شکل موجکِ مادر هم‎خوانی بهتری با سیگنال اصلی داشته باشد، تجزیه با کیفیت بهتری صورت می‎گیرد. در حالت کلی یک روش معمول برای انتخاب موجکِ مادر مشاهدۀ نتیجۀ هر موجک پایه و به‌عبارت‌ دیگر، شباهت شکل ظاهری موجک با سیگنال اصلی است.

انتخاب تعداد سطوح مبتنی بر اجزای فرکانس غالب است و به‌نحوی انتخاب می‌شود که قسمت‌هایی از سیگنال که با فرکانس‌های لازم برای طبقه‌بند همبستگی دارند، به‌وسیلۀ ضرایب موجک نگه داشته شوند. ازآنجایی‌که فرکانس نمونه‌برداری در مطالعۀ حاضر 128 هرتز است، از چهار سطح موجک دابشیز 4 (db4[31]) برای تجزیۀ سیگنال‌های EEG به پنج ضریب، یعنی ، ، ،  و  استفاده می‌شود. هر ضریب تقریباً با محدوده‌های فرکانسی پایه، یعنی دلتا (1-4 هرتز)، تتا (4-8 هرتز)، آلفا (8-13 هرتز)، بتا (13-30 هرتز) و گاما (30-45 هرتز) مرتبط است. جزئیات تجزیه‌شدۀ -  و تقریب  برای هریک از 14 کانال در شکل 3 نشان داده شده است.

 

 

 

شکل 3: سطوح مختلف تجزیۀ DWT توسط پالایۀ پایین‌گذر و پالایۀ بالاگذر ، ، ،  و  مربوط به دلتا، تتا، آلفا، بتا و گاما با فرکانس نمونه‌برداری 128 هرتز



مطابق شکل 3 مؤلفۀ   تقریباً در داخل محدودۀ فرکانسی دلتا (1 – 4 Hz)،   تقریباً در محدودۀ تتا (4 – 8 Hz)،    تقریباً در محدودۀ آلفا (8 – 13 Hz)، ‌ تقریباً در محدودۀ بتا (13 – 30 Hz) و ‌ تقریباً در محدودۀ گاما (30 – 45 Hz) قرار دارند؛ بنابراین، این پنج بازه به‌عنوان ضرایب معتبر استخراج می‎شوند. علاوه بر این مقادیر، آنتروپی شانون به‌عنوان معیار سنجش پیچیدگی سیگنال و ویژگی‌های آماری واریانس، انحراف معیار، متوسط، میانه، مقادیر صدک 25‌اُم و 75‌اُم، ریشۀ میانگین مربع (RMS‌[32]) مقادیر متوسط دامنه، نرخ عبور از صفر و متوسط مشتقات سیگنال استخراج می‌شوند؛ بنابراین، ده ویژگی آماری، مقدار آنتروپی و مقادیر پنج ضریب در 14 کانال سیگنال EEG محاسبه می‌شوند. درنهایت، تعداد ویژگی‌های DWT برابر 11×5×14=770 است.

 

2-3-2-پیچیدگی لمپل زیو

یکی دیگر از روش‎های تحلیل غیرخطی برای داده‎های با طول کم  LZCاست (Lempel & Ziv, 1976). این معیار در مقایسه با سایر معیارهای پیچیدگی، ساده و سریع‌ است. مطالعات قبلی نشان داده‌اند که LZC به‌دلیل حساسیت بیشتر به توزیع دامنۀ زمانی، با موفقیت برای تشخیص اختلالات روانی استفاده شده است؛ ازاین‌رو، می‌تواند ویژگی خوبی برای توصیف حالات مختلف مغز باشد (Fernandez et al., 2011). LZC تعداد الگوهای ایجادشدۀ جدید را برای دنباله‌های با طول محدود می‌شمارد. برای محاسبۀ LZC، سری‌های زمانی ابتدا باید به یک دنبالۀ با سمبل‎های محدود تبدیل شوند. برای سادگی تنها یک دنبالۀ باینری (صفر و یک) نظیر  را در نظر بگیرید که در آن  و  طول داده (طول پنجره) است. برای محاسبۀ LZC، ابتدا سیگنال با یک آستانۀ  مقایسه می‎شود و به دنبالۀ باینری‌ از  و ها مطابق رابطۀ (3) تبدیل می‌شود.

(3)

 

که  تخمینی از مقدار میانۀ[33] دامنۀ سیگنال‎ در هر کانال است. میانه به دلیل مقاوم بودن نسبت به موارد پرت و مجزا[34] انتخاب شده است (Nagarajan, 2002; Zhang et al., 2001). دنبالۀ  از چپ به راست پویش می‎شود و یک شمارندۀ پیچیدگی  هر زمان که یک زیر دنبالۀ جدید کاراکترهای بَعدی در فرآیند پویش واقع ‎شود، یک واحد افزایش می‎یابد. هر بار که با یک الگوی جدید مواجه می‌شود، پیچیدگی  افزایش می‌یابد.  بیانگر مقدار LZC سری زمانی است و با مقدار 1 شروع می‌شود و به‌محض ظهور یک دنبالۀ جدید یک واحد به آن اضافه می‌شود. برای به دست آوردن یک سنجش پیچیدگی که مستقل از طول دنباله است،  باید بهنجار شود. کران بالای  به‌صورت رابطۀ (4) به دست می‌آید.

(4)

 

که  بیانگر تعداد نمادهای مختلف و  بیانگر یک مقدار کوچک است و به‌عبارت‌ دیگر، در  مقدار  میل می‌کند. به‌طور کلی،  حد بالای  است.  بَعد از بهنجار‎سازی   مطابق رابطۀ (5)،  بیانگر نرخ اتفاق‌افتادن الگوهای جدید در زمان که با افزایش طول دنباله ایجاد شده است.

(5)

 

در اینجا برای تبدیل باینری مقدار  در نظر گرفته شده است. برای جزئیات بیشتر درخصوص محاسبۀ LZC می‎توان به (Fernandez et al., 2011) مراجعه کرد.

 

2-4-بهنجارسازی ویژگی‌های استخراج‌شده

ویژگی‌های استخراج‌شده ( ) از بازۀ دلخواه  با استفاده از رابطۀ (6) در بازۀ بین صفر و یک بهنجار می‌شوند و سپس به طبقه‌بند DNN وارد می‎شوند.

(6)

 

که  مقدار کمینۀ ویژگی،  مقدار بیشینۀ ویژگی و  مقدار دامنۀ نسبی (مقدار ویژگی بهنجارشده) است.

 

2-5-طبقه‌بند شبکۀ عصبی عمیق

یادگیری عمیق قادر به ارائۀ راه‌حل‌های بهینه برای بسیاری از مسائل در پردازش زبان طبیعی، طبقه‌بندی تصویر، پردازش سیگنال و تشخیص گفتار است (Aldayel et al., 2021; Hinton et al., 2012; Kumar et al., 2016). یادگیری عمیق در کاربرد BCI یک ابزار مؤثر برای تحلیل سیگنال‌های EEG است (Roy et al., 2019). به‌زبان ساده، یادگیری عمیق به مجموعه‌ای از روش‌های محاسباتی اشاره دارد که اخیراً برای آموزش DNN توسعه یافته‌اند (Hinton et al., 2006). در پژوهش حاضر هدف تشخیص دو دستۀ ترجیحی پسندیدن یا نپسندیدن از سیگنال‌های EEG در کاربرد بازاریابی عصبی به کمک DNN است.

DNN یک شبکۀ عصبی با بیش از یک لایۀ پنهان است. شبکۀ عصبی معمولی دارای یک لایۀ ورودی، یک لایۀ پنهان و یک لایۀ خروجی است. در این پژوهش ازDNN  با چهار لایۀ کاملاً متصل روبه‌جلو[35] شامل یک لایۀ ورودی، سه لایۀ پنهان و یک لایۀ خروجی مطابق شکل 4 استفاده می‌شود.

 

 

 

شکل 4: ساختار شبکۀ DNN با سه لایۀ پنهان



لایۀ ورودی به‌عنوان یک لایه در شبکه محاسبه نمی‌شود و به‌عنوان لایۀ صفر شناخته می‌شود. لایه‌های پنهان شامل واحدهایی با توابع فعال‌سازی خطی اصلاح‌شده (ReLu[36]) هستند (Kingma & Ba, 2014; He et al., 2015). خروجی به‌عنوان یک لایۀ softmax با تابع هزینۀ آنتروپی متقاطع[37] باینری پیکربندی شده است. هر لایۀ پنهان 60درصد از لایۀ قبلی خود تشکیل شده است؛ بنابراین، اولین لایۀ پنهان شامل 1800 واحد، دومین لایۀ پنهان شامل 1080 واحد و سومین لایۀ پنهان شامل 648 واحد است. ابعاد لایۀ خروجی دو است؛ زیرا با تعداد واحد لازم برای تشخیص دو دستۀ پسندیدن و نپسندیدن هدف مطابقت دارد.

برای آموزش طبقه‌بند DNN، از گرادیان نزول آدام‌[38] با تابع تلفات لگاریتمی استفاده شده است که آنتروپی متقاطع طبقه‌ای[39] به‌عنوان تابع تلفات هدف نامیده می‌شود. برای تمام مقادیر اولیۀ وزنِ تصادفی، مقداردهی اولیۀ هی‌[40] مطابق (He et al., 2015) انتخاب شد. برای انتقال یادگیری، الگوریتم با پیش‌فرض 02/0 به‌عنوان نرخ یادگیری شروع انتخاب می‌شود و سپس با هر دوره به‌صورت خطی کاهش ‌داده می‌شود؛ به‌طوری ‌که نرخ یادگیری برای آخرین دوره 001/0 باشد. نرخ حذف[41] برای لایۀ ورودی و لایه‌های پنهان (به‌جز لایۀ خروجی) روی 5/0 تنظیم شد. در این پژوهش نرخ حذف به‌منظور جلوگیری از یادگیری بیش‌ازحد[42] داده‌های آموزشی پیاده‌سازی‌شده‌ است. نرخ حذف به خروج تصادفی واحدها یا نورون‌ها در یک شبکۀ عصبی در طول هر مرحلۀ آموزشی اشاره دارد. افزودن نرخ حذف به یک شبکۀ عصبی معمولاً به عملکرد تعمیم بهتر منجر می‌شود؛ زیرا اساساً در طول هر مرحلۀ آموزشی، نوع متفاوتی از شبکۀ عصبی آموزش داده می‌شود که از وابستگی مشترک بین نورون‌ها جلوگیری می‌کند.

معیار توقف آموزش شبکه براساس عملکرد مدل در مجموعۀ اعتبارسنجی است. اگر شبکه شروع به یادگیری بیش‌ازحد کند، آموزش شبکه متوقف می‌شود. این معیار توقف در کاهش یادگیری بیش‌ازحد برازش در داده‌های اعتبارسنجی مفید است. سپس، طبقه‌بند DNN بر روی یک مجموعۀ آزمون آزمایش شد. مجموعۀ آزمون شامل 20درصد از نمونه‌های داده بود. همچنین، افزودن نویز گوسی[43] به مدل DNN در یک مجموعۀ دادۀ نسبتاً کوچک، می‌تواند استحکام آن را با اثر منظم‌کننده بهبود بخشد و از یادگیری بیش‌ازحد بکاهد. بدین‌منظور، در این پژوهش از نویز گوسی سیگما در لایه‌های پنهان استفاده شده است.

 

3-یافته‌ها

در این پژوهش ابتدا سیگنال‌های EEG توسط پالایه‌های میان‌گذر و ساویتزکی گولای پیش‌پردازش می‌شوند و سپس ویژگی‌های DWT و LZC از آنها استخراج می‌شوند؛ سپس ویژگی‌های بهنجارشده به دو بخش آموزش و آزمون تقسیم می‌شوند. در مدل پیشنهادی، طبقه‌بند DNN چهار لایه برای پیش‌بینی و تشخیص دو دستۀ پسندیدن و نپسندیدن استفاده شده است. شبیه‌سازی‌ها در محیط نرم‌افزار MATLAB 2014a انجام شده است.

 

3-1- معیارهای عملکردی

عملکرد طبقه‌بند با استفاده از معیارهای عملکردی نظیر دقت[44]، فراخوانی[45] (حساسیت[46]) و صحت[47] اندازه‌گیری می‌شود. هریک از مقادیر عناصر ماتریس درهم‌ریختگی[48] بدین‌شرح است: مثبت واقعی ( [49]) مواردی است که مصرف‌کننده محصول را پسندیده و پیش‌بینی درست بوده است. منفی واقعی ( [50]) مصرف‌کننده محصول را نپسندیده، اما درست پیش‌بینی‌ شده است. مثبت کاذب ( [51]) در اینجا مصرف‌کننده محصول را پسندیده و پیش‌بینی اشتباه بوده است. منفی‌ کاذب ( [52]) در اینجا مصرف‌کننده محصول را نپسندیده و پیش‌بینی اشتباه بوده است. معرفی نحوۀ محاسبۀ معیارهای عملکرد دقت، فراخوانی و صحت به‌شرح زیر است.

دقت نسبت مشاهدات مثبت پیش‌بینی‌شدۀ صحیح به کل مشاهدات مثبت پیش‌بینی‌شده است. دقت به‌طور شهودی توانایی طبقه‌بند است که نمونه‌ای را که منفی است، به‌عنوان مثبت نشان ندهد و مطابق رابطۀ (7) درصد دقت محاسبه می‌شود.

(7)

 

فراخوانی نسبت مشاهدات مثبت پیش‌بینی‌شدۀ درست به همۀ مشاهدات در دستۀ واقعی است. فراخوان به‌طور شهودی توانایی طبقه‌بند برای یافتن تمام نمونه‌های مثبت است و مطابق رابطۀ (8) درصد فراخوانی محاسبه می‌شود.

(8)

 

صحت یکی از مفیدترین معیارها برای ارزیابی طبقه‌بند است. این کسری از پیش‌بینی‌های صحیح از همۀ پیش‌بینی‌ها است. در مدل پیشنهادی، صحت بالاتر به‌معنای قدرت مدل برای پیش‌بینی صحیح این است که آیا مصرف‌کننده محصول را پسندیده است یا خیر. درصد صحت را می‌توان مطابق رابطۀ (9) محاسبه کرد.

(9)

 

جدول 1 مقادیر چهار عنصر ماتریس درهم‌ریختگی برای یک بار آزمایش آورده شده است.

 

جدول 1: مقادیر چهار عنصر ماتریس درهم‌ریختگی برای یک بار آزمایش ‌

پارامتر

مقدار

 

7/9

 

2/47

 

9/4

 

2/38



مقدار پارامترهای آماری دقت، فراخوانی و صحت در جدول 2 برای یک بار آزمایش آورده شده است. طبق نتایج حاصل‌شده، مقدار پارامتر دقت 95/82درصد، فراخوانی 59/90درصد و صحت 4/85درصد برای تشخیص دو دستۀ پسندیدن و نپسندیدن به دست آمده است. نرخ طبقه‌بندی اشتباه هم 6/14درصد است.

 

جدول 2: نمایش مقادیر پارامترهای دقت، فراخوانی و صحت پس از پنج بار متوسط‌گیری

پارامتر

مقدار (درصد)

دقت

95/82

فراخوانی

59/90

صحّت

4/85



مقدار پارامترهای آماری دقت، فراخوانی و صحت پس از پنج بار متوسط‌گیری عبارت است از دقت 82درصد، فراخوانی 5/87درصد و صحت 5/87درصد برای تشخیص دو دستۀ پسندیدن و نپسندیدن به دست آمده است. نرخ طبقه‌بندی اشتباه هم 5/12درصد است.

 

 

 

3-2-مقایسۀ نتایج با پژوهش‌های گذشته

در گذشته کارهای پژوهشی مختلفی درزمینۀ انتخاب و ترجیحات مصرف‌کننده انجام شده است. در جدول 2 مقایسه‌ای بین مدل پیشنهادی و پژوهش‌های گذشته مبتنی بر تشخیص ترجیحات مصرف‌کنندگان بر روی یک پایگاه دادۀ یکسان آورده شده است.

 

 

جدول 2: مقایسۀ نتایج مدل پیشنهادی با پژوهش‌های گذشته درمورد پیش‌بینی اولویت مصرف‌کننده بر روی یک پایگاه دادۀ یکسان

مرجع

روش/روش‌های تحلیل

نرخ صحت (درصد)

(Yadava et l., 2017)

DWT-DNN

10/60

DWT-SVM

85/62

DWT-RF

41/68

DWT-HMM

33/70

(Kaba, 2020)

Ensemble

71/50

(Alimardani et al., 2021)

CNN

48/51

(Aldayel et al., 2021)

PSD-DWT-kNN

73

PSD-DWT-SVM

81

PSD-DWT-DNN

83

PSD-DWT-RF

87

مدل پیشنهادی

DWT-LZC-DNN

5/87

 

درصد صحت مدل پیشنهادی باتوجه‌به جدول 2 از روش‌های‌ موجود قبلی (Yadava et l., 2017; Kaba, 2020; Alimardani, 2021; Aldayel; 2021) بر روی یک پایگاه دادۀ یکسان بهتر عمل کرده و افزایش 5/0درصدی را نسبت به مرجع (Aldayel et al., 2021) نشان می‌دهد. این افزایش صحت به نظر می‌رسد به‌دلیل استفاده از روش‌ آشوب‌گون LZC‌ به‌کمک DWT با طبقه‌بند DNN باشد. در مرجع (Aldayel et al., 2021) مشاهده می‌شود که استفاده از DWT و DNN به نتایج بهتری منجر شده است؛ بنابراین، با مقایسۀ نتایج با پژوهش‌های گذشته، روش استخراج ویژگی ترکیبی LZC با DWT و استفاده از طبقه‌بند DNN نقش مؤثری در پیش‌بینی مدل پیشنهادی برای تفکیک دو دستۀ پسندیدن و نپسندیدن دارد.

 

4-بحث و نتیجه‌گیری

بازاریابی عصبی به‌کارگیری عصب‌روان‎شناسی در پژوهش‎های بازاریابی است تا با استفاده از فناوری‎های نوین به مطالعۀ حسی‌ـ‌حرکتی رفتار مصرف‌کننده مانند پاسخ‌های شناختی و احساسی به محرک‌های بازاریابی بپردازد. امروزه استفاده از روش‌های سنتی بازاریابی مانند پرسشنامه، نظرسنجی، مصاحبۀ شخصی، مشاهدات، بررسی حالت‎ها و ارتباطات کلامی کم‌رونق شده است. سازمان‌های تجاری علاقه‌مند به روش‌های نفوذ در ذهن مصرف‎کننده و تسلط بر خواسته‌های مصرف‌کننده شده‌اند تا بازخورد بهتر و قوی‌تری از محصولات یا خدمات خود دریافت کنند.

این پژوهش روشی برای کشف فعالیت مغزی مصرف‌کنندگان به‌کمک سیگنال‌های EEG با استفاده از روش‌های بازاریابی عصبی طراحی شده است. هدف اصلی این مطالعه بررسی اثرات تبلیغات بر فعالیت مغزی مصرف‌کنندگان با تحلیل سیگنال‎های EEG است. بازاریابی عصبی برای پُرکردن شکاف بین مطالعات بازاریابی مرسوم و پژوهش‌های BCI مبتنی بر سیگنال EEG ایجاد شده است. اگر بازاریابی عصبی به بالاترین ظرفیت خود برسد، مصرف‌کننده و هم تبلیغ‌کننده سود خواهند بُرد. مشتریان مجبور نخواهند بود محصولاتی را جست‌وجو کنند که نیازهای آنها را برآورده کند و نهایت آرزوهای آنها فوراً برآورده خواهد شد. این زمانی است که متوجه می‌شوید بازاریابی عصبی چقدر موفق بوده است.

عملکرد سیستم‌های تشخیص اولویت مبتنی بر سیگنال EEG به انتخاب مناسب روش‌های استخراج ویژگی و الگوریتم‌های یادگیری ماشین بستگی دارد. در این مقاله از سیگنال‎های EEG 25 شرکت‌کننده در زمان مشاهدۀ 14 محصول مختلف اینترنتی در سه نوع متفاوت استفاده شده است. در این کار پژوهشی سیگنال‌های EEG را برای درکِ بهتر رفتار، انتخاب و ترجیح مصرف‌کننده تحلیل شد؛ بنابراین، ابتدا سیگنال‌های EEG توسط پالایه‌های میان‌گذر باترورث درجۀ دوم و ساویتزکی گولای پیش‌پردازش می‌شوند و ویژگی‌های DWT و LZC از آنها استخراج می‌شوند؛ سپس ویژگی‌های استخراجی بهنجارشده به دو بخش آموزش و آزمون تقسیم می‌شوند. سپس ویژگی‌های بهنجارشده به DNN برای پیش‌بینی نتیجۀ آموزش داده می‌شوند و درنهایت، پس از انجام آموزش مدل پیشنهادی آمادۀ پیش‌بینی است. شواهد نشان داده است سیگنال EEG ماهیتی آشوب‌گون دارد؛ بنابراین، از روش‌ آشوب‌گون غیرخطی در کنار DWT برای استخراج ویژگی استفاده شده است. LZC میزان وقوع الگوهای جدید را در چند زمان نشان می‌دهد. هرچه LZC بزرگ‌تر باشد، احتمال الگوهای توالی جدید بیشتر است و درنتیجه، رفتار دینامیکی پیچیده‌تری ایجاد می‌شود.

از معیارهای ارزیابی مختلف نظیر دقت، یادآوری و صحت برای سنجش عملکرد طبقه‌بند استفاده شده است. درنهایت، مدل پیشنهادی توانسته با صحت 5/87درصد دو دستۀ پسندیدن و نپسندیدن را از یکدیگر تفکیک کند که افزایش 5/0درصدی را نسبت به مرجع (Aldayel et al., 2021) نشان می‌دهد. همچنین، با مقایسۀ نتایج با مراجع (Aldayel et al., 2021;Yadava et l., 2017) نشان می‌دهد روش استخراج ویژگی LZC نقش مؤثری در پیش‌بینی مدل پیشنهادی برای تفکیک دو دستۀ پسندیدن و نپسندیدن دارد. نتایج نشان می‌دهد روش پیشنهادی می‌تواند راه‌حل مکمل برای اقدامات سنتی پیش‌بینی موفقیت محصول در بازار ارائه دهد. همچنین، روش پیشنهادی می‌تواند در توسعۀ استراتژی‌های بازار، پژوهش و پیش‌بینی موفقیت بازار با گسترش مدل‌های موجود استفاده شود. این روش به تبلیغ‌کنندگان کمک می‌کند تا متوجه شوند کدام‌یک از تبلیغات آنها مؤثر است و چگونه باید استراتژی تبلیغات خود را برنامه‌ریزی کنند.

تلاش برای راه‌های جدید و سودآور هنوز یک سؤال پژوهشی باز است؛ بدین‌منظور، پیشنهادهایی جهت بهبود پژوهش در آینده می‎توان ارائه داد. الف) برای دست‌یابی به یک نتیجۀ واضح‌تر و قابل‌توجه‌تر داده با تعداد شرکت‌کنندگان بیشتر لازم است؛ ب) در زمان فرایند ثبت می‎توان از الکترودهای خشک، برای آزمون‌های قابل‌جابه‌جایی افراد در پژوهش‌های دنیای واقعی استفاده کرد؛ ج) از روش‌های تحلیل‌ بلادرنگ استفاده شود؛ د) استفاده از دادۀ ردیابی حرکات چشم نیز در تحلیل‌ها مفید است و ه) برنامه‌ریزی برای استخراج ویژگی‌های صورت مصرف‌کننده برای پیش‌بینی اولویت مصرف‌کننده نیز در دستور کار قرار گیرد. پردازش تصویر می‌تواند دراین‌زمینه پژوهش‌ها را کمک کند. اگر بتوان پردازش تصویر را در همان حوزۀ زمانی سیگنال‌های EEG ادغام کرد، می‌توان ویژگی‌های ترجیح دیداری مصرف‌کننده را استخراج کرد. برای مثال، چه شی‌ء یا چه رنگی بر آنها تأثیر می‌گذارد.

 

[1] ElectroEncephaloGram

[2] Galvanic Skin Response

[3] Discrete Wavelet Transform

[4] Hidden Markov Model

[5] Support Vector Machine

[6] Random Forest

[7] Multi-Layer Perceptron

[8] Retail

[9] Priming

[10] Gaze Cascade Theory

[11] Davidson’s model of emotion

[12] Riemannian

[13] Ensemble

[14] Convolutional Neural Network

[15] Brain Computer Interface

[16] Power Spectral Density

[17] k-Nearest Neighbors

[18] Deep Neural Network

[19] Lempel Ziv Complexity

[20] Common Mode Sense

[21] Driven Right Leg

[22] Second-order Butterworth

[23] Savitzky–Golay

[24] Smoothing

[25] Wavelet Transform

[26] Continuous Wavelet Transform

[27] High Pass

[28] Low Pass

[29] Approximation

[30] Detail

[31] Daubechies

[32] Root Mean Square

[33] Median

[34] Outliers

[35] Fully connected feed-forward

[36] Rectified Linear Unit

[37] Cross-entropy

[38] Adam gradient descent

[39] Categorical cross-entropy

[40] He-initialization

[41] Dropout

[42] Excessive learning

[43] Gaussian noise

[44] Precision

[45] Recall

[46] Sensitivity

[47] Accuracy

[48] Confusion matrix

[49] True Positive

[50] True Negative

[51] False Positive

[52] False Negative

References

Aldayel, M., Ykhlef, M., & Al-Nafjan, A. Deep learning for EEG-based preference classification in neuromarketing. Applied Sciences, 10(4), 1525, 2020.
Aldayel, M., Ykhlef, M., & Al-Nafjan A. (2021). Recognition of consumer preference by analysis and classification EEG signals. Frontiers in Human Neuroscience, 560.
Alimardani, M. & Kaba, M. (2021). Deep Learning for Neuromarketing; Classification of User Preference using EEG Signals. 12th Augmented Human International Conference, Geneva, Switzerland, 1-7.
Al-Nafjan, A., Hosny, M., Al-Ohali, Y., & Al-Wabil A. (2017). Review and classification of emotion recognition based on EEG brain-computer interface system research: a systematic review. Applied Sciences, 7(12), 1239.
Amin, C. R., Hasin, M. F., Leon, T. S., Aurko, A. B., Tamanna, T., Rahman, & M. A., Parvez, M. Z. (2020). Consumer Behavior Analysis using EEG Signals for Neuromarketing Application. IEEE Symposium Series on Computational Intelligence (SSCI), 2061–2066.
Chen, L., Zhao, Y., Zhang, J., & Zou, J. (2015). Automatic detection of alertness/drowsiness from physiological signals using wavelet-based nonlinear features and machine learning. Expert Systems with Applications, 42(21), 7344-7355.
Fernández, A., López-Ibor, M. I., Turrero, A., Santos, J. M., Morón, M. D., Hornero, R., Gómez, C., Méndez, M. A., Ortiz, T., & López-Ibor, J. J. (2011). Lempel–Ziv complexity in schizophrenia: a MEG study. Clinical neurophysiology, 122(11), 2227-2235.
Georgiadis, K., Kalaganis, F. P., Oikonomou, V. P., Nikolopoulos, S., Laskaris, N. A., & Kompatsiaris, I. (2022). RNeuMark: A Riemannian EEG Analysis Framework for Neuromarketing.
He, K., Zhang, X., Ren, S., & Sun, J. (2015). Delving deep into rectifiers: Surpassing human-level performance on imagenet classification,” IEEE international conference on computer vision, 1026-1034.
Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A. R., Jaitly, N., Senior, A, Vanhoucke, V., Nguyen, P., Sainath, T. N., & Kingsbury, B. (2012). Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups,” IEEE Signal processing magazine, 29(6), 82-97.
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.
Kaba, M. (2020). The Application of Deep Learning and Traditional Machine Learning in EEG Neuromarketing Prediction Tasks. PhD Thesis, Tilburg University.
Kingma, D. P. & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Krajinović, A., Sikirić, D., & Jašić D. (2012). Neuromarketing and customers’ free will. Gomezelj Omerznel, D., Nastav, B., Sedmak, S., MIC, 1143–1163.
Kumar, S., Sharma, A., Mamun, K., & Tsunoda, T. (2016). A deep learning approach for motor imagery EEG signal classification. 3rd Asia-Pacific World Congress on Computer Science and Engineering (APWC on CSE), 34-39.
Lempel, A. & Ziv, J. (1976). On the complexity of finite sequences. IEEE Transactions on Information Theory, 22(1), 75-81.
Mathewson, K. E., Harrison, T. J., & Kizuk, S. A. (2017). High and dry? Comparing active dry EEG electrodes to active and passive wet electrodes. Psychophysiology, 54(1), 74-82.
Nagarajan, R. (2002). Quantifying physiological data with Lempel-Ziv complexity-certain issues. IEEE Transactions on Biomedical Engineering, 49(11), 1371-1373.
Nicolai, B. M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K. I., & Lammertyn J. (2007). Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest biology and technology, 46(2), 99-118.
Pal, S., Das, P., Sahu, R., & Dash S. R. (2021). Study of Neuromarketing with EEG Signals and Machine Learning Techniques. Machine Learning for Healthcare Applications, 33-56.
Penenberg, A. (2011). NeuroFocus uses neuromarketing to hack your brain. Fast company, 84-125.
Pozharliev R., (2017). Social Neuromarketing: The role of social context in measuring advertising effectiveness. PhD Thesis, 2017.
Roy, Y., Banville, H., Albuquerque, I., Gramfort, A., Falk, T. H., & Faubert, J. (2019). Deep learning-based electroencephalography analysis: a systematic review. Journal of neural engineering, 16(5), 051001.
Scanagatta, C. (2021). Exploring the consumer’s brain: a neuromarketing approach. Msc Thesis, Ca' Foscari University of Venice.
Trimble, E. (2018). The Influence of Colour Priming on Consumers’ Physiological Responses in a Retail Environment Using EEG and Eye-Tracking. The University of Manchester (United Kingdom).
Vega-Escobar, L., Castro-Ospina, A. E., & Duque-Munoz, L. (2015). DWT-based feature extraction for motor imagery classification, 6th Latin-American Conference on Networked and Electronic Media (LACNEM).
Yadava, M., Kumar, P., Saini, R., Roy, P. P., & Dogra, D. P. (2017). Analysis of EEG signals and its application to neuromarketing. Multimedia Tools and Applications, 76(18), 19087-19111.
Zhang, X. S., Roy, R. J., & Jensen, E. W. (2001). EEG complexity as a measure of depth of anesthesia for patients. IEEE Transactions on Biomedical Engineering, 48(12), 1424-1433.
 
 
 
Research in Cognitive and Behavioral Sciences
Volume 12, Issue 1 - Serial Number 22
January 2023
Pages 185-204

Files

History

  • Receive Date: 08 April 2022
  • Revise Date: 12 February 2023
  • Accept Date: 25 February 2023

Share

How to cite

Statistics