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

مقدمه

بازاریابی و معرفی محصولات مختلف مصرفی ازطریق تبلیغات، اقدامی مؤثر برای افزایش فروش، آگاهی در میان مصرف‌کنندگان و افزایش سوددهی واحد تولیدی است. تولید مجدد محصولات معمولاً به میزان مصرف در بازار بستگی دارد. شناخت این اولویت‌ها می‌تواند با استفاده از آگاهی از تغییرات احساس افراد صورت گیرد و این تغییرات تأثیر زیادی بر فعالیت‌های مغزی دارند. دانستن اولویت مصرف‌کننده برای تصمیم‌گیری و پیش‌بینی رفتار برای استفادۀ مؤثر از محصول با استفاده از فرایندهای ناخودآگاه، بازاریابی نامیده می‌شود (یاداوا و همکاران[1]، 2017).

بازاریابی عصبی شامل تلفیق دو علم بازاریابی و عصب‌شناسی است. این واژه برای اولین بار در سال 2002 مطرح شد و با استقبال چندانی روبه‌رو نشد. تا اینکه در سال‌های اخیر بخش زیادی از پژوهش‌ها را به خود اختصاص داده است. هدف بازاریابی عصبی انتقال بهتر پیام‌های بازاریابی به دیگران و افزایش احتمال خرید توسط مخاطب است. درنتیجه، با استفاده از بازاریابی عصبی بودجۀ تخصیصی به بازاریابی و تبلیغات کاهش می‌یابد. درکِ چگونگی تصمیم‌گیری مصرف‌کنندگان یکی از مباحث مهم و موردتوجه پژوهشگران، بازاریان و مدیران صنعتی است. بازاریابی عصبی به مطالعۀ بررسی پاسخ مؤثر حسی، شناختی و عاطفی محرک‌های بازاریابی مصرف‌کنندگان می‌پردازد. پس از نااُمیدی از روش‌های سنّتی، روش‌های نوین و ترکیبی ازقبیل بازاریابی عصبی توسعه یافته‌اند. یکی از اهداف اساسی پژوهش‌های بازاریابی، پیش‌بینی ترجیحات مصرف‎کنندگان و موفقیت پویش‌های بازاریابی در سطح جمعیت است، بااین‌حال، ابزارهای بازاریابی سنّتی محدودیت‌های مختلفی دارند که نیازمند اقدام‌های جدید برای بهبود قدرت پیش‌بینی است (حکیم و همکاران[2]، 2020).

روش‌های زیادی برای تبلیغات محصولات وجود دارد و بازاریابی عصبی حوزۀ جدیدی دراین‌زمینه است (زمانی و نائینی[3]، 2020). از روش‌های بازاریابی عصبی به‌منظور توسعۀ تبلیغات و پویش‌های تبلیغاتی و تولید صحیح آنها استفاده می‌شود. بازاریابی عصبی می‌تواند توسط ارزش‌افزایی ازطریق فهم بهتر تأثیر تبلیغات که معمولاً فرایندی ابتکاری است، بر موفقیت اثربخشی آن مؤثر باشد. این رویکرد شیوۀ جدیدی را به‌منظور مشخص‌کردن پویش‌های تبلیغاتی که واقعاً جامعه را درگیر می‌کنند، مهیا کرده است و ظرفیت بسیار زیادی برای ارتقای پویش‌های بازاریابی و فعالیت افراد دارد.

پژوهشگران با استفاده از فناوری‌هایی مانند تصویربرداری با تشدید مغناطیسی عملکردی (fMRI[4])، سیگنال‎های الکتریکی مغز (EEG[5])، سیگنال‌های مغناطیسی مغز (MEG[6]) و ردیابی حرکات چشم به سنجش تغییرات فعالیت مغز و حرکات چشم می‌پردازند (زمانی و نائینی، 2020). در میان این روش‌ها، سیگنال EEG یک روش نسبتاً ارزان و دارای حد تفکیک زمانی بالا برای بررسی فعالیت مغز است (تلپاز و همکاران[7]، 2015). این سنجش‎های شناختی به درک بهتری از چگونگی تصمیم‌گیری مصرف‌کنندگان و اینکه چه بخش یا بخش‌هایی در مغز دخالت دارند، کمک می‌کنند. استفاده از داده‌های بایومتریک مرکز توجه پژوهش‌های بازاریابی عصبی است (گلنارنیک و همکاران[8]، 2019)؛ بنابراین، در سال‎های اخیر روش‌های تشخیص گوناگونی مبتنی‌بر پردازش سیگنال EEG به کار گرفته شده است.

موراگاپان و همکاران[9] (2014) به شناسایی بهترین برند خودرو در مالزی ازطریق سیگنال‌های EEG بی‌سیم پرداختند. آنها ویدئوی آگهی تبلیغاتی از برند‌های تویوتا، آئودی، پروتون و سوزوکی را برای تحریک افراد (9 مرد و 3 زن با محدودۀ سنی 22 تا 24 سال) نمایش دادند و پاسخ‌های سیگنال EEG به این محرک‌ها را به‌کمک سیستم ثبت Emotiv در 14 کانال با فرکانس نمونه‌برداری 128 هرتز جمع‌آوری کردند. سیگنال‌ها با استفاده از پالایۀ میان‌گذر درجۀ چهار باترورث[10] با فرکانس قطع 0.5 تا 60 هرتز پیش‌پردازش و با استفاده از لاپلاسین سطحی[11] هموار شدند. طیف فرکانسی باند آلفا (8 هرتز - 13 هرتز) ازطریق تبدیل فوریۀ سریع به‌دست‌آمده تا سه ویژگیِ چگالی طیف توان (PSD[12])، انرژی طیفی (SE[13]) و مرکز طیفی (SC[14]) از سیگنال‌های EEG استخراج شود. بردار ویژگی به دو طبقه‌بندی‌کنندۀ k نزدیک‌ترین همسایه (kNN[15]) و شبکۀ عصبی احتمالی (PNN[16]) داده شده است. نتایج آنها نشان داده است افراد بیشتر از خودروهای تویوتا در مقایسه با دیگر برندها الهام گرفته‌اند. با استفاده از ویژگی PSD و طبقه‌بندی PNN به متوسط صحت 96.62درصد رسیدند.

بالکونی و همکاران[17] (2014) به بررسی اثر تبلیغات و برند در نحوۀ عملکرد مغز مصرف‌کننده به‌کمک بازاریابی عصبی پرداختند. آنها رابطۀ بین پاسخ‌های صریح (ترجیح مصرف‌کننده) و تلویحی (سنجش EEG) مصرف‎کنندگان و نقش مهم سیستم پاداش را بررسی کردند. به‌طور خاص، آنها تأثیر مکانیسم‎های پاداش برای حمایت از فرایندهای شناختی و احساسی در ارزیابی کالاهای مصرفی را تجزیه‌وتحلیل کردند. آنها از 34 نفر شرکت‌کننده در آزمون ‌که پنج تبلیغ تجاری را مشاهده می‌کردند، باندهای فرکانسی (دلتا، تتا، آلفا و بتا) را سنجش کردند. درنهایت، افراد شرکت‌کننده در آزمون، کالاها را ارزیابی کردند و ترجیحات خود را توضیح دادند.

تلپاز و همکاران (2015) نشان دادند سیگنال EEG می‌تواند انتخاب‌های آیندۀ محصولات مصرفی را پیش‎بینی کند. در آزمایش آنها شرکت‌کنندگان محصولات مصرفی جداگانه را بدون انجام هیچ‌گونه انتخاب واقعی مشاهده کردند و هم‌زمان سیگنال EEG شرکت‌کنندگان ثبت شده است. در پایان آزمایش، به شرکت‌کنندگان انتخاب بین دو جفت از محصولات یکسان پیشنهاد شده است. آنها دریافتند که فعالیت مغزی سنجش‌شده از یک الکترود میانی جلویی، افزایش مؤلفۀ N200 وتوان باند تتای ضعیف‌تر را نشان داده است که با یک محصول ترجیحی بیشتر ارتباط دارد.

یاداوا و همکاران (2017) یک چهارچوب مدل‌سازی پیش‌بینی برای درکِ انتخاب مصرف‌کننده از محصولات تجارت الکترونیکی ازنظر دوست‌داشتن و دوست‌نداشتن به‌کمک پردازش سیگنال‎های EEG ارائه دادند. در پژوهش آنها سیگنال‌های EEG شرکت‌کنندگان با سن و جنسیت متفاوت در هنگام مرور محصولات مختلف ثبت شده است. صحت پیش‌بینی انتخاب با استفاده از روش آزمایش مستقل از کاربر با کمک طبقه‌بندی مدل مخفی مارکوف (HMM[18]) به دست ‌آمده است. نتایج پیش‌بینی آنها امیدوارکننده است و بنابراین، چهارچوب آنها می‌تواند برای مدل تجاری بهتر استفاده شود.

باستیانسن و همکاران[19] (2018) یک آزمایش بازاریابی عصبی به‌کمک پتانسیل‎های وابسته به رویداد (ERP[20]) انجام دادند تا به ارزیابی اثربخشی محتوای بازاریابی مقصدِ گردشگری در فیلم‌ها بپردازند. واکنش‎های احساسی به محرک‎های بازاریابی برای مقاصد گردشگری ضروری است؛ اما اندازه‌گیری آنها دشوار است. آنها به دو گروه از شرکت‌کنندگان، تصاویری از شهرهای بروژ و کیوتو را نشان دادند. قبل از مشاهدۀ تصاویر، گروهی گزیده‌ای از فیلم در بروژ[21] ساخته‌شده در سال 2008 را دیدند که به‌طور مثبت جاذبه‌های اصلی گردشگری بروژ را به تصویر می‌کشید. گروه دیگر گزیده‌ای از فیلم خطرات عجیب‌وغریب[22] ساخته‌شده در سال 2011 را مشاهده کردند که در آن اثری از شهر بروژ وجود نداشت. نتایج پژوهش برای گروه اول یک پاسخ احساسی ابتدایی به تصاویر بروژ پس از ارائۀ آنها مشاهده شد؛ ولی برای گروه دوم هیچ تفاوت معناداری در ERPهای مربوط به تصاویر کیوتو یافت نشد؛ بنابراین، آنها نتیجه گرفتند بازاریابی عصبی مبتنی‌بر سیگنال EEG یک ابزار ارزشمند برای ارزیابی اثربخشی بازاریابی مقصد است و فیلم‌های محبوب می‌توانند بر تصویر مقصد گردشگران تأثیر مثبت بگذارند.

یورال و همکاران[23] (2019) به تخمین همدوسی فاز موجک سیگنال‌های EEG در مطالعۀ بازاریابی عصبی پرداختند. مطالعۀ آنها شامل تحلیل سیگنال‌های EEG، پلتیسموگرافی (PPG‌[24]) و هدایت الکتریکی پوست (GSR [25]) است که به تجزیه‌وتحلیل رابطۀ بین الکترودها و استرس احساسی در تبلیغات تجاری مربوط می‌شود. در پژوهش آنها از همدوسی موجک (WC‌[26]) و تفاوت فاز (PD‌[27]) برای بررسی چگونگی تحریک بازاریابی ناشی از میزان جریان اطلاعات بین الکترودهای EEG استفاده شده است. تغییرات نرخ پالس (PRV‌[28]) از PPG انگشت به دست آمده و توان‌ها را در فرکانس بالا (HF‌[29]) و فرکانس پایین (LF‌[30]) محاسبه می‌کند. توان در باندهای LF و HF توسط سیستم‌ عصبی خودمختار و سپس تغییرات سطح رسانایی پوست از GSR تنظیم می‌شود. این اندازه‌گیری‌های الکتروفیزیولوژیکی برای ارزیابی استرس عاطفی محاسبه شده است. سیگنال‌ها به‌طور هم‌زمان از 30 نفر با استفاده از سیستم iMotions دانشگاه اسکودار[31] ترکیه در دو مرحلۀ قبل از محرک‌های تبلیغاتی (مرحلۀ کنترل) و در طول محرک‌های تبلیغاتی (مرحلۀ آزمایشی) ثبت شده است. WC و PD برای هر جفت الکترود برای پنج زیر باند فرکانسی (دلتا، تتا، آلفا، بتا و گاما) سیگنال EEG محاسبه شده است. نتایج پژوهش آنها نشان داد ارزش WC به‌طورکلی در مرحلۀ آزمایشی از مرحلۀ کنترل به‌ویژه در فرکانس تتا، آلفا و بتا بیشتر بوده است و ارزش PD به‌طورکلی در باند گاما پایین‌تر بوده است. افزایش همدوسی بین کره‌ای در مرحلۀ آزمایشی در ناحیۀ قدامی پیشانی-زمانی-آهیانه‌ای رخ داده است. در همان زمان نسبت LF/HF و SCL‌[32] به‌طورکلی در مرحلۀ آزمایشی بالاتر بوده است. همچنین، آنها نشان دادند تفاوت معنی‌داری در WC، PD و نسبت LF/HF بین مرحلۀ آزمایشی و مرحلۀ کنترل وجود دارد؛ اما در SCL وجود ندارد.

گلنارنیک و همکاران (2019) دو هدف شامل پتانسیل طیف توان سیگنال EEG برای پیش‌بینی ترجیحات مصرف‌کنندگان و تفسیر تغییر تصمیم‌گیری مصرف‌کنندگان در رفتار خرید را وقتی محتوای یک تبلیغ ازجمله رنگِ زمینه و تبلیغات تغییر می‌کند، بررسی کردند. برای این منظور، تبلیغات مربوط به برند‌های مختلف تلفن همراه که ازنظر محتوا متفاوت‌اند، به شرکت‌کنندگان نشان دادند و هم‌زمان سیگنال EEG ثبت کردند. از توان سیگنال‌های EEG برای یافتن مهم‌ترین مناطق مغز برای تمایز بین ترجیحات و پیش‌بینی وقوع تصمیم‎گیری استفاده کردند. آنها نشان دادند ویژگی‎های استخراج‌شده از توان سیگنال EEG می‌تواند میزان تصمیم‌گیری مصرف‌کننده را با صحت بالای 87درصد پیش‌بینی کند و بین ترجیحات دوست‌داشتن و دوست‌نداشتن با صحت بیش از 63درصد تمایز قائل شود. همچنین، بیشترین تمایز برای پیش‌بینی میزان تصمیم‎گیری دربارۀ دوست‌داشتن یا دوست‌نداشتن خرید یک محصول در نواحی کانال‌های پیشانی و آهیانه‎ای Fp1،Cp3  و Cpz مشاهده شده است؛ درحالی‌که تفاوت بین دوست‌داشتن و دوست‌نداشتن تصمیمات، بیشتر در نواحی جلو با کانال‌های F4 و Ft8 مشاهده شده است. علاوه‌براین، نتایج آنها نشان داد افزودن رنگ پس‌زمینه به تبلیغات بر میزان دوست‌داشتن یک محصول تأثیر منفی دارد.

کومار و همکاران[33] (2019) یک چهارچوب چندوجهی برای پیش‌بینی رتبه‌بندی محصولات مصرفی با ترکیب منابع دادۀ مختلف، یعنی سیگنال‌های فیزیولوژیکی، بررسی‌های سراسری به‌طور جداگانه برای محصول و نام تجاری آن ارائه دادند. نظرات ارسال‌شدۀ تماشاگران سراسری با استفاده از روش پردازش زبان طبیعی (NLP[34]) بازیابی و پردازش شد تا امتیاز ترکیبی محاسبه‌شده به‌عنوان رتبۀ سراسری در نظر گرفته شود. همچنین، سیگنال‌های EEG شرکت‎کنندگان به‌طور هم‌زمان هنگام مشاهدۀ محصولات مختلف روی صفحۀ نمایشگر ثبت شده است. از سیگنال EEG، نمرات ظرفیت ازنظر رتبه‌بندی محصول با استفاده از خودگزارشی برای هر محصول دیده‌شده برای کسب رتبۀ محلی به دست‌ آمده است. نمرۀ ظرفیت بالاتر مربوط به جذابیت ذاتی محصول برای شرکت‌کننده است. روش‌های برازش مبتنی‌بر جنگل تصادفی (RF[35]) برای مدل‎سازی داده‌های EEG برای ایجاد چهارچوب پیش‌بینی رتبه به‌عنوان رتبه‎بندی محلی استفاده شده است. علاوه‌براین، الگوریتم بهینه‌سازی کلونی زنبور مصنوعی (ABC[36]) برای افزایش عملکرد کلی چهارچوب با ترکیب رتبه‌بندی سراسری و محلی استفاده شده است. مجموعۀ سیگنال EEG از 40 شرکت‎کننده (25 مرد و 15 زن) در هنگام مشاهدۀ 42 محصول مختلف موجود در وب‌سایت تجارت الکترونیک ثبت ‌شده است. نتایج آزمایش‌ آنها امیدوار‌کننده است و نشان دادند روش بهینه‌سازی ABC توانسته در پیش‌بینی رتبه‌بندی، خطای میانگین مربع ریشۀ (RMSE^[37]) کمتری در مقایسه با طرح‌های تک‌مدتی داشته باشد.

حکیم و همکاران (2019) از ویژگی‌های مختلف استخراج‌شده از سیگنال EEG و الگوریتم‌های یادگیری ماشین برای بهبود پیش‌بینی ترجیحات، تنها براساس خودگزارشی استفاده کردند. در پژوهش آنها افراد تبلیغات ویدئویی شش محصول غذایی را تماشا کردند و هم‌زمان سیگنال EEG ثبت شده است. پس‌ازآن، به پرسشنامه‌ای که به‌عنوان معیار خوداظهاری عمل ‌کرده است، پاسخ دادند. پس‌ازآن، افراد انتخاب‌های دوتایی را بر روی محصولات غذایی انجام دادند. آنها براساس نمونه و ترجیحات سطح جمعیت، براساس پاسخ پرسشنامۀ افراد و ویژگی‌های استخراج‌شده از سیگنال EEG در طول مشاهده‌های تجاری، پیش‌بینی را انجام دادند. آنها در پیش‌بینی‌ بین بیشترین و کم‌ترجیح‌ترین محصولات افراد به صحت 68.5درصد و بهبود صحت به‌میزان 4.07درصد در مقایسه با پیش‌بینی تنها براساس خودگزارشی رسیدند. آنها دریافتند که بیشترین پیش‌بینی سنجش EEG شامل توان پیشانی در باند آلفا، عدم‌تقارن نیمکره‌ای در باند بتا و همبستگی بین موضوعی در باندهای دلتا و آلفاست.

ژانگ و همکاران^[38] (2019) به بررسی انگیزۀ ضمنی مصرف‌کنندگان در خرید برند‌های لوکس مبتنی‌بر سیگنال EEG پرداختند. هدف آنها کشف انگیزه‌های ضمنی مصرف‌کنندگان برای خرید برند‎های لوکس براساس نظریه‌های عملکردی نگرش‌ها با استفاده از سیگنال ERP است. 20 شرکت‌کنندۀ سالم زن راست‌دست در آزمایش ثبت داده شرکت کردند که دارای اعتبار دو برند تجاری (اصلی/تقلبی) و دو آرم (مطرح/بی‌نام‌ونشان) است. در آزمایش آنها شرکت‌کنندگان کیف‌های لوکس مختلف با اصالت برند و اهمیت آرم را مرور کردند و سپس قصد خرید خود را در پنج مقیاس گزارش کردند و هم‌زمان سیگنال‌های ERP ثبت شد. برای برندهای تقلبی، شرایط بی‌نام‌ونشان دامنۀ N200 بزرگ‌تر، دامنۀ N400 بزرگ‌تر و دامنۀ LPP‌^[39] کوچک‌تر از شرایط آرم مطرح را به‌همراه داشت؛ بااین‌حال، برای برند‌های اصلی، اثر تعدیل مطرح‌بودن آرم را نمی‌توان یافت. نتایج نشان داد هنگامی‌که یک هدف را نمی‌توان برآورده کرد، مصرف‎کنندگان بیشتر انتظار رضایت یک هدف دیگر را خواهند داشت. اگر این انتظار نقض شود، غیرمنتظره و غیرقابل‌قبول به نظر می‌رسد؛ بنابراین، تعارض پیش‌بینی بیشتر (N200) و تضاد احساسی (N400) ایجادشده و انگیزۀ خرید (LPP‌) برانگیخته نشده است. ترجیحات مصرف‌کنندگان برای برندهای لوکس براساس رضایت از اهداف اجتماعی آنهاست. این اهداف اجتماعی همیشه در کنار هم هستند و به‌عنوان جبران‌ساز یکدیگر عمل می‌کنند. نارضایتی از یک هدف اجتماعی، انتظار آنها را از رضایت از یک هدف اجتماعی دیگر افزایش می‌دهد.

زمانی و نائینی (2020) روش بازاریابی عصبی را به‌کمک سیگنال EEG ثبت‌شده از 32 نفر (16 مرد و 16 زن) با محدودۀ سنی 20 تا 35 سال برای پیش‌بینی ترجیحات مصرف‌کننده در زمان مشاهدۀ محصولات پیشنهاد دادند. سیستم آنها شامل پیش‌پردازش سیگنال EEG، استخراج ویژگی به‌کمک تبدیل موجک گسسته (DWT^[40]) و ویژگی‎های آماری و طبقه‌بندی‌کننده به‌کمک ماشین بردار پشتیبان (SVM^[41])، شبکۀ عصبی مصنوعی (ANN^[42]) و RF است. مؤلفه‌هایی نظیر صحت، حساسیت، ویژگی و دقت برای ارزیابی عملکرد مدل محاسبه شده است. نتایج آنها نشان می‌دهد الگوریتم SVM برای طبقه‌بندی با صحت بیش از 87درصد بر روی کل داده‌ها و 84درصد برای داده‎های لوب آهیانه‌ای عملکرد بالایی داشته است.

کالاگانیس و همکاران^[43] (2021) به بررسی گذشته، حال و آینده در سوگیری مصرف‌کنندۀ ناخودآگاه در بازاریابی عصبی پرداختند. آنها از سیگنال EEG به‌علت غیرتهاجمی و مقرون‌به‌صرفه‌بودن استفاده کردند. سیگنال EEG ازنظر حد تفکیک فضایی ضعف دارد؛ اما با داشتن حد تفکیک زمانی بالا می‌تواند تغییرات فعالیت شناختی مغز را به‌خوبی نشان دهد؛ بنابراین، سیگنال EEG برای رمزگشایی فعالیت مغزی مصرف‌کنندگان مطلوب است؛ بااین‌حال، برخلاف استفادۀ گسترده از آن در بازاریابی عصبی، نمی‌تواند به‌تنهایی تصویر کاملی را ارائه دهد؛ بنابراین، پژوهشگران به‌منظور غلبه بر محدودیت‌ها، از روش‌های تلفیقی نظیر ترکیب آن با ردیابی حرکات چشم، تغییرات الکتریکی پوست و تغییرات نرخ ضربان قلب برای بررسی رفتار مصرف‌کنندگان استفاده می‌کنند.

کار پژوهشی در مبحث بازاریابی عصبی بسیار موردتوجه است و هنوز به سطحی از رضایت‌مندی نرسیده است. در پژوهش حاضر، مدلی جدید در بازاریابی عصبی برای پیش‌بینی انتخاب کاربران در محصولات مختلف از روی سیگنال‌های EEG به‌کمک ویژگی‌های استخراج‌شده از طیف‌های مرتبۀ بالا (HOS^[44]) و آزمون هاینیچ^[45]، انتخاب ویژگی‎های برتر به‌کمک الگوریتم ژنتیک (GA‌^[46]) و نزدیک‌ترین همسایه در مدل رپر و طبقه‌بندی‌کننده به‌کمک شبکۀ عصبی پرسپترون چندلایه (MLP‌^[47]) و SVM ارائه ‌شده است.

ساختار این مقاله به‌این‌شرح است که در بخش دوم با عنوان مواد و روش‌ها به معرفی دادۀ پژوهش، پیش‌پردازش سیگنال EEG، ویژگی‎های استخراجی به‌کمک HOS و آزمون هاینیچ از سیگنال EEG، بهنجارسازی ویژگی‌ها، انتخاب ویژگی توسط الگوریتم‌های GA و نزدیک‌ترین همسایه در مدل رپر و طبقه‌بندی‌کننده‌های شبکۀ عصبی MLP و SVM پرداخته می‌شود. در بخش سوم نتایج پژوهش‎ ارائه می‎شود و درنهایت، در بخش چهارم نتیجه‎گیری و پیشنهادهایی برای کارهای آینده بیان می‌شود.

2- مواد و روش‎ها

مدل پیشنهادشده مطابق شکل 1 شامل دادۀ پژوهش، پیش‌پردازش، استخراج ویژگی، بهنجار‌سازی، انتخاب ویژگی و طبقه‌بندی است.

شکل 1: روند نمایی از روش پیشنهادشده

در این قسمت هرکدام از مراحل مدل پیشنهادی به‌صورت مختصر تشریح می‌شوند.

2-1- معرفی دادۀ پژوهش

در این پژوهش از 25 شرکت‌کننده با محدودۀ سنی 18 تا 38 سال (متوسط سنی 15/28) در زمان مشاهدۀ 14 محصول مختلف استفاده شده است (یاداوا و همکاران، 2017). گروه A شامل 10 مرد و 6 زن با گسترۀ سنی 18 تا 23 سال، گروه B شامل 8 مرد و 5 زن با گسترۀ سنی 25 تا 30 سال و گروه C شامل 7 مرد و 4 زن با گسترۀ سنی 31 تا 38 سال هستند. سیگنال EEG توسط سیستم ثبت بی‌سیم Emotiv EPOC و مطابق استاندارد بین‌المللی 20-10 از 14 کانال به نام‌های F4، F8، F4، FC6، T8، P8، O2، O1، P7، T7، FC5، F3، F7 و AF3 اخذ شده است. الکترودهای مرجع CMS‎[48] و DRL‎[49] به‌ترتیب در موقعیت‌های P3 و P4 و در بالای گوش‌ها قرار داده شده است. تجهیزات ثبت، نام و شمارۀ الکترودها و محل قرارگیری آنها روی سطح سر در شکل 2 نشان داده شده است.

شکل 2: تجهیزات ثبت، نام و شمارۀ الکترودها و محل قرارگیری آنها روی سطح سر

فرکانس نمونه‌برداری داخل دستگاه 2048 هرتز است که نرخ نمونه‌برداری آنها 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 پردازش اولیه است. سیگنال EEG داوطلب در هنگام پخش تصاویر کالاهای یک فروشگاه اینترنتی ثبت شده است. در پروتکل ثبت داده، مجموعه‌ای از 14 محصول متفاوت دارای سه نوع مختلف A، B و C وجود دارد که درمجموع 42 (42=3×14) تصویر مختلف را مطابق شکل 3 ایجاد می‌کنند. 1050 (1050=25×42) قطعه سیگنال EEG برای همۀ شرکت‌کنندگان ثبت شده است.

شکل 3: نمایشی از 14 محصول متفاوت در سه نوع مختلف برگرفته‌شده از (یاداوا و همکاران، 2017)

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 به‌طور مشخص 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.

2-2-تحلیل سیگنال EEG

2-2-1-پیش‌پردازش سیگنال EEG

پیش‌پردازش برای تمیزشدن سیگنال از آرتیفکت‌هایی نظیر فعالیت عضلات و حرکت چشم انجام می‌شود. در این مرحله، سیگنال EEG با استفاده از پالایۀ میان‌گذر فاز صفر در باند فرکانسی 0.53 تا 60 هرتز در محیط نرم‌افزار متلب پیش‎پردازش می‌شود.

2-2-2-استخراج ویژگی به‌کمک طیف‎های مرتبۀ بالا

در روش‌‌های تخمین طیف، فرض اولیه این است که سیگنال بررسی‌شده به‌صورت جمع تعدادی از هارمونیک‌‌های فرکانسی است که هیچ‌گونه همبستگی آماری ندارند و میزان چگالی توان در هریک از هارمونیک‌‌ها محاسبه می‌‌شود؛ بنابراین، روابط بین فاز هارمونیک‌‌ها حذف می‌‌شود (حسینی[50]، 2015) و (حسینی، 2012) و (حسینی و همکاران، 2010). اطلاعات موجود در طیف توان دقیقاً همان اطلاعات موجود در دنبالۀ خودهمبستگی سیگنال موردنظر است. این اطلاعات برای شناسایی کامل یک فرایند کاملاً گوسی با میانگین مشخص کافی است؛ ولی در بسیاری از موارد عملی، به اطلاعاتی بیش از تابع خودهمبستگی، نظیر میزان انحراف فرایند از توزیع گوسی، میزان و نوع غیرخطی‌بودن فرایند نیاز است که در طیف توان دردَسترس نیست. اینجاست که طیف‌‌های مرتبۀ بالا یا چند طیفی‌ها[51] به کمک می‌‌آیند (نیکیاس و همکاران[52]، 1993) و (نیکیاس، 1993).

پژوهش حاضر با هدف بررسی تفاوت‌‌های موجود بین سیگنال‌های EEG در دو حالت دوست‌داشتن و دوست‌نداشتن محصول و ارائۀ روشی برای تفکیک بین این دو حالت به‌کمک ویژگی‌های استخراجی از HOS انجام شده است. به‌این‌منظور، دو تابع دوطیفی[53] و شکل بهنجارشدۀ آن دوهمدوسی[54] برای هر 14 کانال سیگنال EEG محاسبه می‌شوند. برای تعریف ویژگی‌‌ها ابتدا صفحۀ دوفرکانسی مطابق شکل 4 به 16 محدودۀ مجزا تقسیم‌‌بندی شدند و سپس ویژگی‌‌ها به‌‌صورت مجموع اندازۀ دوطیفی‌ها، مجموع مربع اندازۀ دوطیفی‌ها، مجموع اندازۀ دوهمدوسی‌‌ها و مجموع مربع اندازۀ دوهمدوسی‌‌ها در هریک از این 10 محدودۀ فرکانسی (6 محدوده تکراری است) به‌علاوۀ هریک از این مجموعه‌ها در کل محدودة فرکانسی به‌همراه ویژگی‌های استخراج‌شده از آزمون هاینیچ (1982) نظیر مقدار خی‌دو (CSV‎[55])، اﺣﺘﻤﺎل ﻫﺸﺪار ﮐﺎذب (Pfa‌[56]) وLambda  تعریف شدند (672= (4+4´‎(1+10))´14). برای محاسبة این ویژگی‌ها می‌توان از تبدیل فوریۀ سریع 256 نقطه‌ای با ضریب c به‌صورت پیش‌فرض برابر 0.51 استفاده کرد. جمعاً 48 ویژگی را برای هر کانال تشکیل می‌دهند که با محاسبۀ آنها در کانال‌‌های مختلف، برای هر نمونه 672=48´14 ویژگی به دست می‌آید.

شکل 4: صفحۀ دو فرکانسی برای تقسیم‌بندی نواحی مختلف فرکانسی سیگنال EEG حاوی باندهای فرکانسی در بازه‌های ، ،  و

در آزمون هاینیچ ابتدا دوطیفی فرایند تخمین زده می‌شود و از یک پالایۀ هموارساز گذرانده می‌‌شود. سپس بررسی می‌‌شود که آیا مقدار آن به‌طور معنی‌‌دار با صفر اختلاف دارد یا نه. در اینجا دیدگاه اصلی این است که تخمین دوطیفی، به‌طور مجانبی نرمال مختلط است؛ بنابراین، توزیع مجموع مربع اندازۀ (انرژی) آنها یک توزیع خی‌دو است که درجۀ آزادی آن به تعداد نقاط محاسبۀ تبدیل فوریۀ سریع و طول پنجرۀ هموارساز بستگی دارد. در این آزمون فرض اولیه بر صفربودن دوطیفی (گوسی‌‌بودن فرایند) گذاشته می‌‌شود و مقدار Pfa، به‌عنوان احتمال خطا در پذیرش فرض دیگر (غیرگوسی‌بودن فرایند) محاسبه می‌‌شود. به‌این‌منظور، ابتدا مؤلفۀ CSV که متناسب با مجموع مربع اندازۀ دوهمدوسی‌‌هاست، محاسبه می‌‌شود و آن‌گاه احتمال انحراف این مؤلفه از مقدار آستانۀ موردنیاز، باتوجه‌به درجۀ آزادی محاسبه‌شده به دست می‌‌آید. درنهایت، اگر Pfa از یک حد آستانه (مثلاً 05/0) بالاتر باشد، فرض اولیه (گوسی‌بودن فرایند) پذیرفته می‌‌شود.

2-2-3-بهنجارسازی ویژگی‌ها

به‌منظور بهنجارسازی ویژگی‌های استخراجی از بازۀ دلخواه  به بازۀ ، از رابطۀ (1) استفاده می‎شود.

2-2-3-انتخاب ویژگی توسط الگوریتم ژنتیک

پس از محاسبۀ ویژگی‌های استخراجی‌، نوبت به ارزیابی آنها می‌رسد. گاهی اوقات در بازشناسی آماری الگو، هدفْ انتخاب دستۀ بهینه از بین تمام ویژگی‌هاست. بررسی تمام حالت‎های ممکن برای تشکیل بردار ‌ویژگی از بین یک مجموعه ویژگی بزرگ و کنترل کارایی تک‌تک آنها، کاری بسیار وقت‌گیر و در بسیاری از موارد ناممکن است؛ بنابراین، در این حالت باید روالی برای انتخاب ویژگی‌ها به کار گرفته شود که بتواند با کنترل تعداد محدودی از حالت‌های ممکن، طی چند مرحله به‌ دستۀ ویژگیِ بهینه نزدیک شود. در این مقاله از الگوریتم ژنتیک (مالاکار و همکاران[57]، 2020) و نزدیک‎ترین همسایه مبتنی‌بر مدل رپِر[58] برای انتخاب مناسب‌ترین دستۀ ویژگی ‌ممکن بهره گرفته می‌شود. کروموزوم‌ها به‌صورت رشته‌ای از صفر و یک با طول برابر تعداد کل ویژگی‌های موردبررسی تعریف می‌شوند که صفر به‌معنای عدم‌حضور و یک به‌معنای حضور آن ویژگی در دستۀ ویژگی بهینه است. تابع برازندگی[59] مورداستفاده -که کروموزوم‌های الگوریتم ژنتیک درجهت رشد آن حرکت می‌کنند- نیز صحت خروجی طبقه‌بندی‌کنندۀ نزدیک‌ترین همسایه است که باید در هر نسل برای تمام کروموزوم‌ها محاسبه شود.

در این مدل دو مرحله با عنوان مرحلۀ انتخاب ویژگی و مرحلۀ یادگیری و آزمایش وجود دارد. در مرحلۀ انتخاب ویژگی که در آن زیرمجموعه‌هایی از مجموعه ویژگی اصلی، با استفاده از صحت طبقه‌بندی روی‌ داده‌های آموزش به‌عنوان معیار با GA انتخاب می‌شوند و مرحلۀ یادگیری و آزمایش که در آن یک طبقه‌بندی با استفاده از بهترین زیرمجموعه ویژگی یافته‌شده و داده‌های آموزش، یاد گرفته می‌شود و با استفاده از داده‌های آزمایش محک زده می‌شود که در این مرحله از روش نزدیک‌ترین همسایه استفاده می‌شود. اگر ساختار یک مجموعۀ داده به‌این‌صورت در نظر گرفته شود که هر سطر نشان‌دهندۀ ویژگی باشد، مدل کلی روش انتخاب ویژگی در شکل 5 به نمایش گذاشته شده است.

شکل 5: نمایش کلی روش انتخاب ویژگی به‌کمک GA در مدل رپر و نزدیک‌ترین همسایه

که در آن برای هر کروموزوم یک بردار در نظر گرفته می‌شود که هر خانۀ آن مترادف با شمارۀ ویژگی در مجموعۀ داده است. در روش انتخاب ویژگی، هر خانه از کروموزوم که مقدار 1 داشته باشد آن ویژگی در مجموعۀ ویژگی انتخاب قرار دارد.

مجموعه جواب‌های اولیۀ GA به‌صورت تصادفی تولید می‌شود و با استفاده از تابع برازندگی رابطۀ (2)، میزان مطلوبیت جواب‌ها ارزیابی می‌شود. GA در مرحلۀ تقاطع کروموزوم‌ها دو جواب ممکن (کروموزوم) را با یکدیگر قطع می‌دهد و همچنین، جهشی در برخی از کروموزوم اتفاق می‌افتد و سپس بهترین کروموزوم‌ها جایگزین بدترین‌ها می‌شوند. در اینجا از تقاطع تک‌نقطه‌ای استفاده‌ شده است. در ادامه GA کروموزوم‌های جدید تولیدشده درصورتی‌که بهتر از کروموزوم‌های قبلی باشند، جایگزین می‌شوند؛ درغیراین‌صورت حذف می‌شوند. بهتربودن کروموزوم با استفاده از رابطۀ (2) مشخص می‌شود؛ بدین‌صورت که به‌ازای هر کروموزوم که این تابع مقدار بیشتری را نشان دهد، آن کروموزوم بهتر است. برای ارزیابی هر کروموزوم در GA از رابطۀ (2) به‌عنوان صحت دسته‌بندی‌کننده استفاده می‌شود.

که  بیانگر تعداد رکوردهایی است که دستۀ واقعی آنها منفی بوده و دسته‌بندی‌کننده نیز دستۀ آنها را به‌درستی منفی تشخیص داده است.  بیانگر تعداد رکوردهایی است که دستۀ واقعی آنها مثبت بوده و دسته‌بندی‌کننده نیز دستۀ آنها را به‌درستی مثبت تشخیص داده است.  بیانگر تعداد رکوردهایی است که دستۀ واقعی آنها منفی بوده و دسته‌بندی‌کننده دستۀ آنها را به‌اشتباه مثبت تشخیص داده است.  بیانگر تعداد رکوردهایی است که دستۀ واقعی آنها مثبت بوده و دسته‌بندی‌کننده دستۀ آنها را به‌اشتباه منفی تشخیص داده است.

در روش پیشنهادی برای ارزیابی هر کروموزوم (مجموعه ویژگی) باید میزان تابع برازندگی محاسبه شود. به‌این‌منظور، از روش نزدیک‌ترین همسایه برای ارزیابی مجموعه ویژگی‌های انتخابی مطابق رابطۀ (3) استفاده می‌شود.

که در آن N_t و N_s به‌ترتیب نمایندۀ تعداد کل ویژگی‌ها و تعداد ویژگی‌های انتخاب‌شده وa  یک ضریب بین 0 و 1 است. میزان صحت طبقه‌بندی‌کننده در تابع برازندگی مشابه رابطۀ (2) است.

2-2-4- طبقه‌بندی‌کننده

قدرت طبقه‌بندی‌کننده‌ها معمولاً به مؤلفه‌های مختلفی ازقبیل ساختار، توپولوژی، هسته‌ها (Kernels )، نوع یادگیری و همچنین نحوۀ بهینه‌سازی مؤلفه‌های طبقه‌بندی وابسته است. در روش پیشنهادی باتوجه‌به پیشینۀ پژوهش، از دو شبکۀ عصبی MLP با یک‌لایۀ پنهان و SVM با هستۀ گوسی استفاده می‌شود.

2-2-4-1- شبکۀ عصبی مصنوعی پرسپترون چندلایه

شبکۀ عصبی MLP حاوی یک‌ لایۀ پنهان است که دو دستۀ موردنظر با دو نورون در لایۀ خروجی آن کد می‌شوند. باید تعداد نورون‌های مختلف در لایۀ پنهان آزمایش شود تا بهترین معماری آن مشخص شود. تعداد نورون‌های لایۀ ورودی برابر تعداد ویژگی‌های مورداستفاده برای طبقه‌بندی به‌اضافۀ یک نورون بایاس است. در هر حالت موردبررسی، سعی شده است که بسته به بُعد بردار ویژگی، تعداد نورون‌های لایۀ پنهان به‌نحوی انتخاب شود که «قاعدۀ یک‌به‌ده» رعایت شود. براساس این قاعده، برای اینکه شبکه دچار یادگیری بیش‌ازحد نشود، لازم است که تعداد نمونه‌های آموزشی موجود برای تعلیم شبکه حداقل ده‌برابر بزرگ‌تر از تعداد کل وزن‌های شبکه باشد (بابو و همکاران[60]، 2019). برای تعلیم شبکه و تعیین وزن‌های بهینۀ آن از الگوریتم پس انتشار خطای^[61] لونبرگ-مارکوارت[62] در نرم‌افزار متلب[63] استفاده می‌شود.

2-2-4-2- ماشین بردار پشتیبان با هستۀ گوسی

SVMها از طبقه‌بندی‌کننده‌های بسیار پرکاربرد است که اصول اولیۀ آنها در سال 1995 ارائه شده است. ایدۀ اصلی آن کاهش ریسک خطاست. SVM در ساختار استاندارد خود یک طبقه‌بندی‌کنندۀ دودسته‌ای است (شانکار و همکاران[64]، 2020) و هدف آن تعیین یک فوق‌صفحۀ جداکنندۀ بهینه بین دسته‌هاست. باتوجه‌به دستۀ داده‌های آموزشی    که  و ، طبقه‌بندی‌کنندۀ SVM به‌عنوان راه‌حل مسئلۀ بهینه‌سازی رابطۀ (4) را مشخص می‌کند.

که داده‌های آموزشی  به‌وسیلۀ تابع  در فضایی با ابعاد بالاتر ترسیم می‌شوند و  به‌عنوان ضریب جریمه ( ) است. در این پژوهش پس از بررسی هسته‌های مختلف، از هستۀ گوسی به‌علت حصول نتایج بهتر مطابق رابطۀ (5) استفاده شد.

دو مؤلفه در نحوۀ عملکرد این طبقه‌بندی‌کننده نقش مهمی دارند. نخستین مؤلفه مقدار واریانس تابع گوسی (σ) است که هرچه کوچک‌تر باشد، تابع گوسی را تیزتر می‌کند و صحت را بالا می‌برد؛ ولی درمقابل از میزان قابلیت تعمیم روش می‌کاهد. مؤلفۀ دوم  است که با میزان خطای قابل‌قبول نسبت عکس دارد و بنابراین، هرچه  کمتر فرض شود، خطای بیشتری پذیرفته‌ می‌شود. انتخاب مؤلفه‌ها با سعی و خطا و ارزیابی نتایج حاصل از مؤلفه‌های مختلف بر روی یک دادگان کوچک اولیه انجام شد و پس از تعیین مؤلفه‌های بهینه، روش بر روی کل دادگان اِعمال و نتایج آن استخراج شد. برنامۀ SVM در جعبه‌ابزار LIBSVM شبیه‌سازی و اجرا شده است (چانگ و همکاران[65]، 2011).

3- نتایج پژوهش

از بین روش‌‌های مستقیم و غیرمستقیم برای محاسبۀ دوطیفی، روش مستقیم به‌دلیل حجم محاسبات کمتر و سهولت در پیاده‌‌سازی مطابق شکل 6 انتخاب شد. برای بهبود این تخمین یک پنجرة هموارساز 5نقطه‌‌ای از نوع پنجرۀ بهینۀ Rao-Gabr بر روی آن اِعمال می‌‌شود. استخراج ویژگی به‌کمک جعبه‌ابزار HOSA (سوآمی[66] و همکاران، 2013) نرم‌افزار متلب شبیه‌سازی و اجرا شده است.

شکل 6: روند نما برای نحوۀ محاسبۀ دوطیفی به‌روش مستقیم

ویژگی‌های استخراج‌شده برای هر کاربر در مشاهدۀ هر عکس، یک نمونۀ آموزشی را برای استفاده از طبقه‌بندی شامل می‌شود؛ اما این تعداد ویژگی در مرحلۀ انتخاب ویژگی کاهش می‌یابد. در مرحلۀ انتخاب ویژگی هر کروموزوم به‌اندازۀ طول کلیۀ ویژگی‌ها یعنی 672 ژن دارد که به‌طور تصادفی با صفر و یک پر می‌شود. صفر به‌معنی اینکه ویژگی مترادف آن ژن انتخاب نشده و یک به‌معنی آن است که انتخاب شده است.

برای انتخاب ویژگی از GA با 30 کروموزوم، احتمال تقاطع 0.7 و به‌صورت تک‌نقطه‌ای و احتمال جهش 0.05 استفاده شد. در تابع برازندگی رابطۀ (3) باتوجه‌به اهمیت میزان صحت مدل، a برابر 0.7 در نظر گرفته شد تا بدین‌صورت وزن تابع برازندگی در قسمت صحت مدل بیشتر باشد. در نمودار همگرایی میزان خطا MSE نشان‌ داد بهترین مجموعه ویژگی انتخابی توسط GA توانسته حداقل خطای 18.54 داشته باشد. گفتنی است در تمام اجراها تعداد همسایگان در روش نزدیک‌ترین همسایه 3 در نظر گرفته شد. تعداد ویژگی‌های انتخابی از مجموع 672 ویژگی برای هر نمونه با روش انتخاب ویژگی GA روش نزدیک‌ترین همسایه به 206 ویژگی کاهش یافت.

در ادامۀ مرحلۀ انتخاب ویژگی، آموزش طبقه‌بندی‌کننده‌هاست. در فاز آموزش مدل از 70درصد داده‌ و از 30درصد بقیه برای آزمایش استفاده شده است. درواقع، از مجموع کل نمونه‌ها 735 نمونه برای آموزش و 315 نمونه برای آزمایش استفاده شده است.

نتایج حاصل از شبکۀ عصبی MLP و SVM در چند حالت بررسی شده است. در یک بررسی میزان صحت طبقه‌بندی در دو دستۀ دوست‌داشتن و دوست‌نداشتن برای هرکدام از 14 محصول آزمایش شده است. در این آزمایش برای هر فرد یکی از محصولات برای آزمایش در نظر گرفته شد و نتیجۀ صحت طبقه‌بندی به‌صورت میانگین ثبت شد. در آزمایش بعدی میزان صحت دسته‌بندی برای هر کاربر به‌صورت جداگانه بررسی و ثبت شد.

در آزمایش‌ها با امتحان‌کردن نورون‌های مختلف در لایۀ پنهان شبکۀ عصبی MLP مشاهده شد که بهترین تعداد نورون در لایۀ پنهان 8 است و شبکۀ عصبی به‌ازای این تعداد نورون نتیجۀ دسته‌بندی بهتری داشته است. در آموزش SVM با هسته‌های مختلف مشاهده شد که بهترین نتایج مربوط به استفاده از هستۀ گوسی است. نمودار میله‌ای صحت دسته‌بندی در شکل 7 برای شبکۀ عصبی MLP و SVM آمده است و در شکل 8 مقایسۀ بهتری نمایش داده شده است.

شکل 7: نمودار صحت دسته‌بندی‌کننده‌های شبکۀ عصبی MLP و SVM

شکل 8: مقایسۀ صحت دسته‌بندی‌کننده‌های شبکۀ عصبی MLP و SVM

همان‌طور که از نتایج شکل 8 مشاهده می‌شود، نتایج SVM از شبکۀ عصبی MLP بهتر است و این شاید به‌علت تعداد نمونه‌های نسبتاً کم باشد؛ زیرا SVM برخلاف شبکۀ عصبی می‌تواند با تعداد نمونه‌های کمتری نیز به نتایج قابل‌قبولی برسد. بیشترین میزان صحت دسته‌بندی در محصول کفش با 97.42درصد بوده است و کمترین مربوط به کراوات با 53.85درصد بوده است. باتوجه‌به شکل 9 به‌طور میانگین برای کلیۀ محصولات با دسته‌بندی‌کنندۀ SVM می‌توان به 74.82درصد صحت رسید؛ اما با شبکۀ عصبی MLP می‌توان به 69.75درصد دست یافت. در شکل 9 میزان صحت دسته‌بندی در آزمایش هر کاربر به‌ازای تمام محصولات با روش SVM آمده است.

شکل 9: نمودار میله‌ای میزان صحت پیش‌بینی انتخاب همۀ محصولات برای هر کاربر به‌کمک طبقه‌بندی‌کنندۀ SVM

در شکل 9 بیشتر میزان صحت مربوط به کاربر سوم و کمترین میزان صحت مربوط به کاربر دوم است و به‌طور میانگین در کلیۀ کاربران 73.24درصد صحت مشاهده ‌شده است.

4- نتیجه‌گیری و پیشنهادها

امروزه استفاده از روش‌های سنّتی بازاریابی مانند پرسشنامه و برگه‌های نظرخواهی کم‌رونق شده است. بسیاری از سازمان‌ها از روش‌های نفوذ در اعماق ذهن مشتریان استفاده می‌کنند تا از بازخورد قوی به محصولاتشان برخوردار شوند. باتوجه‌به حجم بالای تبلیغات در رسانه‌ها، علوم اعصاب‌شناختی می‌تواند به‌عنوان ابزاری حیاتی برای سازمان‌هایی که تمایلی به درک بهتری از مصرف‌کنندگان خود و طراحی محصولات مناسب دارند، مهم باشد. اهداف نهایی بازاریابی عصبی، بررسی چگونگی شکل‌گیری رفتار مصرف‌کننده، فرایند شناسایی عوامل تعیین‌کنندۀ ترجیحات مشتری و نحوۀ انتخاب برندهای گوناگون است.

به‌علت علاقۀ وافر بازاریان به کشف فرایند تصمیم‌گیریِ خریدِ مصرف‌کنندگان و درک نیت درونی آنها، نظریه‌ها و مدل‌های مورداستفاده در پژوهش‌های مرتبط با رفتار مصرف‌کننده به‌طور چشمگیری در سال‌های گذشته گسترش یافته است؛ بنابراین، پژوهشگران به‌دنبال روش‌های نوین تصمیم‌گیری خرید مصرف‌کنندگان هستند تا به افزایش فروش و اثربخشی پیام‌های تبلیغاتی کمک کنند؛ به‌این‌دلیل، روش‌های برگرفته از علوم اعصاب‌شناختی در بازاریابی به‌صورت گسترده‌ای رواج یافته است و در سال‌های اخیر، رشد بسزای توانمندی متخصصان علوم اعصاب‌شناختی مشاهده می‌شود.

در این مقاله مدلی برای پیش‌بینی تشخیص انتخاب کاربران دربارۀ محصولات مختلف ارائه ‌شده است. در اینجا 14 کانال سیگنال EEG مربوط به 25 کاربر در زمان مشاهدۀ 14 محصول مختلف اینترنتی در سه نوع متفاوت که جمعاً 42 تصویر نمایش داده‌، جمع‌آوری ‌شده است. ابتدا سیگنال‌ EEG پیش‌پردازش شده و سپس مقادیر دوطیفی، دوهمدوسی از HOS و مؤلفه‌های آزمون هاینیچ استخراج شده است. برای تعریف ویژگی‌‌ها ابتدا صفحۀ دوفرکانسی به چند محدودۀ مجزا تقسیم‌‌بندی شد و ویژگی‌‌ها به‌‌صورت مجموع اندازۀ دوطیفی‌‌ها، مجموع مربع اندازۀ دوطیفی‌ها، مجموع اندازۀ دوهمدوسی‎ها و مجموع مربع اندازۀ دوهمدوسی‌‌ها در هریک از این محدوده‌‌ها تعریف شد. این ویژگی‌‌ها جمعاً 48 ویژگی را برای هر کانال تشکیل دادند که با محاسبۀ آنها در کانال‌‌های مختلف، برای هر نمونه 672 ویژگی به دست آمد. ویژگی‌های برتر با استفاده از GA به‌همراه روش نزدیک‌ترین همسایه در مدل رپر انتخاب شد. در مرحلۀ انتخاب ویژگی تعداد 206 ویژگی به دست آمد. درنهایت، با طبقه‌بندی‌کننده‌های شبکۀ عصبی MLP و SVM آموزش داده شده است.

نتایج نشان داد روش پیشنهادی به‌کمک SVM با هستۀ گوسی توانسته به‌طور میانگین روی کلیۀ کاربران به صحت 73.24درصد برسد که نسبت به پژوهش گذشته بهبود 3.24 را نشان داده است (یاداوا و همکاران، 2017). روش طیف‌‌های مرتبۀ بالا در استخراج اطلاعات فاز سیگنال EEG حاکی از عملکرد خوب آن در تشخیص حالت‌‌های دوست‌داشتن محصول و دوست‌نداشتن آن بوده است؛ بنابراین، پردازش سیگنال EEG به‌کمک طیف‌های مرتبۀ بالا می‌تواند ابزاری مفید برای پیش‌بینی تصمیم‌گیری رفتار مصرف‌کنندگان باشد.

در این مقاله تنها به توابع دوطیفی و دوهمدوسی پرداخته شد و طیف‌‌های مراتب بالاتر و سایر توابع این مجموعه از ازجمله تریسپکتروم[67] و بین‌طیفی[68]‌‌ها بررسی نشد؛ بنابراین، یک موضوع مناسب برای پژوهش‌های آینده می‌‌تواند کاربرد توابع تحلیل دیگر باشد که البته باید به حجم بالای محاسبات و پیچیدگی نسبی آنها نیز توجه داشت. موضوع جالب دیگر، مطالعه بر روی سایر ویژگی‌‌های قابل‌تعریف از روی دوطیفی و دوهمدوسی است. استفاده از روش‌‌هایی برای کاهش زمان محاسبه، استفاده از الگوریتم‌‌های پیشرفته‌‌تر برای تخمین دوطیفی و دوهمدوسی و همچنین، پیاده‌‌سازی این روش‌‌ها با زبان‌‌های برنامه‌‌نویسی پیشرفته نظیر پایتون، می‌‌تواند در کارهای آینده استفاده شود.

تقدیر و تشکر

این مقاله حاصل طرح پژوهشی در دانشگاه آزاد اسلامی واحد مشهد است.

[1]. Yadava et al.

[2]. Hakim et al.

[3]. Zamani & Naieni

[4]. functional Magnetic Resonance Imaging

[5]. ElectroEncephaloGraphy

[6]. MagnetoEncephaloGraphy

[7]. Telpaz et al.

[8]. Golnar-Nik et al.

[9]. Murugappan et al.

[10]. Butterworth

[11]. Surface Laplacian

[12]. Power Spectral Density

[13]. Spectral Energy

[14]. Spectral Centroid

[15]. k Nearest Neighbor

[16]. Probabilistic Neural Network

[17]. Balconi et al.

[18]. Hidden Markov Model

[19]. Bastiaansen et al.

[20]. Event Related Potential

[21]. In Bruges

[22]. The Rum Diary

[23]. Ural et al.

[24]. PhotoPlethysmoGraph

[25]. Galvanic Skin Response

[26]. Wavelet Coherence

[27]. Phase Difference

[28]. Pulse Rate Variability

[29]. High Frequency

[30]. Low Frequency

[31]. Uskudar

[32]. Skin Conductance Level

[33]. Kumar et al.

[34]. Natural Language Processing

[35]. Random Forest

[36]. Artificial Bee Colony

[37]. Root Mean Square Error

[38]. Zhang et al.

[39]. Late Positive Potential

[40]. Discrete Wavelet Transform

[41]. Support Vector Machine

[42]. Artificial Neural Network

[43]. Kalaganis el al.

[44]. Higher-Order Spectra

[45]. Hinich

[46]. Genetic Algorithm

[47]. Multi Layer Perceptron

[48]. Common Mode Sense

[49]. Driven Right Leg

[50]. Hosseini

[51]. Poly spectra

[52]. Nikias et al.

[53]. Bispectrum

[54]. Bicoherence

[55]. Chi Square Value

[56]. Probability of false alarm

[57]. Malakar et al.

[58]. Wrapper

[59]. Fittness function

[60]. Babu et al.

[61]. Error backpropagation

[62]. Levenberg-Marquardt

[63]. Matlab

[64]. Shankar et al.

[65]. Chang et al.

[66]. Swami et al.

[67]. Trispectrum

[68]. Cross_spectrum