• مقدمه[1]

در طول سال‌ها، سیگنال‌های مغزی (EEG‌[1]) به دلیل حمل‌پذیر و غیرتهاجمی بودن کمک زیادی به مدل‌های پژوهشی مبتنی بر داده در فناوری‌های علوم شناختی کرده است [1]. بازاریابی عصبی رشته‌ای است که از روش‌های علوم اعصاب برای تحلیل و درک رفتار انسان در رابطه با بازارها استفاده می‌کند [2] و یکی از زیرمجموعه‌های اقتصاد عصبی به شمار می‌رود [3]. به ‌عبارت‌ دیگر، اندازه‌گیری انگیزه‌های فیزیولوژیکی و عصبی برای درک انگیزه‌ها، ترجیحات و انتخاب‌های مشتریان است [3]. بازاریابی عصبی کاربرد ابزارهای شناختی برای ثبت همبستگی‌های عصبی رفتار مصرف‌کنندگان نظیر تصمیم‌گیری، احساسات، توجه و حافظه نسبت به محرّک‌های بازاریابی مانند برندها و تبلیغات است [4]. بازاریابی عصبی به مطالعۀ اَعمال حسی - حرکتی مصرف‌کننده مانند پاسخ‌های شناختی و احساسی به محرّک‌های بازاریابی با کمک فناوری‌های نوین می‌پردازد [5]. بازاریابی عصبی یکی از زمینۀ پژوهشی نوظهور است و ممکن است آیندۀ پژوهش‌های بازاریابی باشد [5]. بازاریابی عصبی برای مشاغل آینده‌نگر براساس اولویّت مصرف‌کننده است [6]. درنهایت، بازاریابی عصبی کاربرد علوم شناختی برای درک ترجیحات مصرف‌کننده نسبت به محصولات و خدمات است [7].

روش‌های اندازه‌گیری تصویربرداری مختلفی نظیر تصویربرداری تشدید مغناطیسی عملکردی (fMRI[2])، توپوگرافی انتشار پوزیترون (PET[3])، توپوگرافی حالت پایدار (SST[4]) و روش‌های غیرتصویربرداری مختلف نظیر EEG، مگنتوانسفالوگرافی (MEG[5])، ردیابی حرکات چشم، پاسخ هدایت الکتریکی پوست (GSR[6])، کدینگ صورت، الکترومایوگرافی صورت[7] و آزمون پاسخ ضمنی[8] برای تسهیل ثبت این جنبۀ حیاتی از فرآیند تصمیم‌گیری پیشنهاد شده‌ است [8]. در این میان، استفاده از سیگنال EEG در بازاریابی عصبی بسیار پرکاربرد و امیدوارکننده است.

تا کنون فعالیّت‌های پژوهشی زیادی برای حصول نتایج بهتر در زمینه بازاریابی عصبی انجام شده است. یاداوا و همکارانش [9] یک چارچوب مدل‌سازی پیش‌بینی برای درکِ انتخاب مصرف‌کننده نسبت به محصولات تجارت الکترونیکی ازنظر پسندیدن و نپسندیدن به کمک پردازش سیگنال‌های EEG ارائه دادند. در پژوهش آنها سیگنال‌های EEG شرکت‌کنندگان با سن و جنسیّت متفاوت در هنگام مرور محصولات مختلف ثبت شده است. نتایج پیش‌بینی آنها به صحّت 70 درصد به کمک طبقه‌بندی مدل مخفی مارکوف (HMM[9]) رسیده است؛ بنابراین، چارچوب آنها می‌تواند برای مدل تجاری بهتر استفاده شود.

آمران و همکارانش [1] روش‌های اخذ داده در مطالعات علوم اعصاب و پردازش داده به کمک سیگنال EEG را در کاربردهای بازاریابی عصبی مرور کردند. بوچوا و همکارانش [2] به تفسیری جامع از اصطلاح بازاریابی عصبی برای تحلیل و درک رفتار انسانی در رابطه با بازارها و مبادلات بازار پرداختند. هر یک از روش‌های بازاریابی عصبی، داده‌های متفاوتی را سنجش می‌کند. علاقه به پژوهش‌های نظری بازاریابی عصبی بر فرآیند تصمیم‌گیری مصرف‌کننده متمرکز است. آنها متقاعد شده‌اند که وجود مرکز بازاریابی عصبی سهم مهمی در توسعۀ نظریۀ بازاریابی عصبی دارد. روباینا کالدرن و همکارش [10] نشان دادند در حال حاضر علاقۀ فزاینده‌ای به درک عمیق‌تر از رفتار مصرف‌کننده وجود دارد.

مالیک و همکارش [3] به بررسی دقیق کاربردهای مدیریتی بازاریابی عصبی در بازاریابی و چگونگی مقابله با آنها پرداختند. در مطالعۀ آنها پس از خلاصه‌ای از زمینۀ بازاریابی عصبی، شرایط و روش‌ها، نتیجه‌گیری‌ها و پیامدهای آن برای پژوهش‌های مصرف‌کننده، با مروری بر مفاهیم کلیدی اخلاقی و بحث دربارۀ اقدامات متقابل به پایان می‌رسد. به‌طور خلاصه، این پژوهش تأیید می‌کند چه چیزی برای سازمان‌ها، مردم و بازاریابان در جهت درک بهتر الزامات استفاده از روش‌های علوم اعصاب در تمام زمینه‌های بازاریابی، مهم است. نیلاشی و همکارانش [11] به مرور پژوهش‌های قبلی در زمینه روش‌های بازاریابی عصبی پرداختند. نتایج آنها نشان دادند بیشتر پژوهش‌ها در بازاریابی عصبی بر کاربردهای تجاری متمرکز بوده است.

الشریف و همکارانش [4] به پژوهش‌های بازاریابی عصبی با هدف ارائۀ ابزارهای فعلی به‌کاررفته در پژوهش‌های تجربی در پنج سال گذشته به‌عنوان یک تحلیل کتاب‌شناختی پرداختند. آنها چارچوب پریزما[10] (موارد ترجیحی در گزارش مقالات مروری منظم و فراتحلیل‌ها[11]) و یک تحلیل کتاب‌شناختی را برای انتخاب مقالات که از ابزارهای بازاریابی عصبی استفاده کرده‌اند، دنبال کرده‌اند. آنها 24 سند را از پایگاه دادۀ اسکوپوس، استخراج و تحلیل کردند تا به سؤالات مطالعاتی خود پاسخ دهند. آنها دریافتند سیگنال EEG محبوب‌ترین ابزار شناختی در پژوهش‌های بازاریابی عصبی است که در آن تقریباً سیزده بار استفاده شده و به دنبال آن، ردیابی حرکات چشم و GSR به‌عنوان فیزیولوژیکی‌ترین ابزارها، تقریباً چهار بار برای هر ابزار استفاده شده است.

امین و همکارانش [5] به تحلیل رفتار مصرف‌کننده با استفاده از سیگنال‌های EEG برای کاربرد بازاریابی عصبی پرداختند. در مطالعۀ آنها مدلی با استفاده از الگوریتم‌های داده‌کاوی و یادگیری ماشین برای تحلیل رفتار مصرف‌کننده از سیگنال‌های EEG ارائه شده است. ویژگی‌های توزیع زمان-فرکانس از سیگنال‌های EEG استخراج 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. در پژوهش آنها سیگنال‌های EEG 25 شرکت‌کنندگان که ازنظر سن و جنس متفاوت بودند، جمع‌آوری ‌شدند تا درک بهتری از رفتار مصرف‌کنندگان نسبت به سیاست بازاریابی داشته باشند. با تحلیل داده‌ها، دلیل اینکه آنها چگونه و چرا سیاست‌های بازاریابی خاص را دوست دارند، کشف شد. صحّت مدل بر مجموعۀ داده 95 درصد است؛ در حالی ‌که صحّت روش موجود روی همان مجموعۀ داده 70 درصد بوده است. آنها همچنین ارزیابی کردند اقدامات عصب روان‌شناختی می‌تواند تفاوت‌ها را در اقدامات مصرف‌کننده با توجه به محرّک‌های بازاریابی مختلف نشان دهد. نتایج تجربی روی مدل آنها نشان می‌دهند مطالعات در این زمینه می‌تواند باعث تغییر و بهبود استراتژی‌های بازاریابی برای بهبود تولیدکننده و مصرف‌کننده شود و درنهایت به منفعت متقابل منجر شود.

نیهاریکا و همکارانش [12] به مطالعۀ سیگنال‌های EEG برای درکِ بهتر ترجیحات مصرف‌کننده پرداختند. اندازه‌گیری‌های مرسوم که برای پاسخ مصرف‌کننده به محصولات غذایی استفاده می‌شوند، ممکن است در معرض سوگیری شناختی باشند؛ زیرا داده‌های اندازه‌گیری گزارش‌شده مصرف‌کننده ازطریق پرسشنامه‌ها بوده و تصمیم‌گیری دربارۀ غذا تحت تأثیر مجموعۀ پیچیده‌ای از احساسات، نگرش‌ها و ارزش‌ها است که ارزیابی آنها به‌سادگی با پرسیدن نظرات مصرف‌کنندگان میسر نیست. عدم تقارن سیگنال EEG بین نیم‌کرۀ چپ و راست مغز می‌تواند برای تعیین میزان پذیرش محرّک‌ها در یک فرد تحریک‌شده استفاده شود. اندازه‌گیری مؤثر ازطریق پردازش سیگنال EEG، بازاریابان را قادر می‌سازد تا پاسخ مصرف‌کننده را به محرّک‌های بازاریابی مختلف و لحظات تأثیرگذاری مرتبط با محصول یا برند خاص برای موقعیّت بهتر محصول در بازار مقایسه کنند.

استفکو و همکارش [13] به بازاریابی عصبی در زمینۀ تفاوت‌های جنسیّتی در زمینۀ رفتار خرید مصرف‌کننده پرداختند. هدف اصلی شناسایی تفاوت‌های آماری معنادار در ارزیابی رفتار خرید مصرف‌کننده و بازاریابی عصبی در زمینۀ برابری جنسیّتی است. جامعۀ نمونۀ پژوهش شامل 204 نفر پاسخگو با ردۀ سنی 18 تا 59 سال و میانگین سنی 69/33 سال بوده است که از این تعداد 126 نفر مرد و 78 نفر زن بوده است. داده‌های موردنیاز برای تحلیل، ازطریق پرسشنامه نویسندگان به ‌دست ‌آمده‌اند که منبع اولیۀ داده‌ها بوده‌اند. دو فرضیۀ تحقیق برای پژوهش آنها ایجاد شد. داده‌های به‌دست‌آمده در سطح آمار توصیفی، پردازش و تفسیر شدند. تحلیل نتایج، وجود تفاوت‌های آماری معنی‌داری را بین مصرف‌کنندگان زن و مرد در هنگام ارزیابی رفتار خرید تأیید می‌کند.

کاردوسو و همکارانش [14] به طراحی الگوریتم نرم‌افزاری برای ارتقای نقطۀ فروش داده‌کاوی توسط یک برنامۀ بازاریابی دیجیتال برخط، کاربرپسند، مقرون‌به‌صرفه، تعاملی و زیست‌محیطی پرداختند که قادر است داده‌ها را در زمان واقعی به دانش تبدیل کند تا به بازاریابان امکان تصمیم‌گیری چابک بدهد. برای پاسخ به چالش‌های فعلیِ نقطۀ فروش، یک راه‌حل یادگیری عمیق را توسعه دادند که بازاریابی عصبی را در بر می‌گیرد و امکان ایجاد کمپین‌های تبلیغاتی در نقاط فروش را به‌صورت مؤثرتر فراهم می‌کند. ازطریق سیستم نقطۀ فروش داده‌کاوی، مدیر یک نقطۀ فروش قادر خواهد بود به سؤالاتی پاسخ دهد؛ ازجمله: مشخصات و زمان مصرف‌کنندگانی که وارد فروشگاه می‌شوند چقدر است؟ کسانی که کمپین‌های تبلیغاتی را می‌بینند چه کسانی هستند؟ چه تعداد کمپین تبلیغاتی اجراشده و مصرف‌کنندگان را جذب کرده است؟ آیا می‌توانید زمانی را که فروش فوری توسط نمایه‌های مصرف‌کننده ناشی از تجسّم کمپین‌های تبلیغاتی نشان داده شده است، محاسبه کنید؟

زِنگ و همکارانش [6] به پیش‌بینی پسندیدن یا نپسندیدن کفش‌های ورزشی به کمک سیگنال‌های EEG در کاربرد بازاریابی عصبی پرداختند. پیش‌بینی اولویّت مصرف‌کننده براساس سیگنال‌های EEG می‌تواند به‌طور قابل ‌اعتمادی علاقه‌مندی یا عدم علاقه در یک محصول را پیش‌بینی کند؛ با این ‌حال، رسیدن به صحّت طبقه‌بندی سیگنال EEG فعلی هنوز به سطح مطلوبی نرسیده است. علاوه بر این، هنوز مشخص نیست چگونه اطلاعات مختلف نواحی مختلف مغز و ویژگی‌های مختلفی مانند چگالی طیفی توان، عدم تقارن مغزی، آنتروپی و پارامترهای جورث[12] بر صحّت پیش‌بینی تأثیر می‌گذارند. آنها نشان دادند صحّت تشخیص پسندیدن یا نپسندیدن محصول کفش به 22/94 درصد ‌رسیده است. در مقایسه با سایر نواحی مغز، ویژگی‌های ناحیۀ جلویی و پس سری مغز صحّت پیش‌بینی بالاتری به دست آورده است؛ اما ادغام ویژگی‌های کل نواحی مغز می‌تواند صحّت پیش‌بینی پسندیدن یا نپسندیدن را حتی بیشتر بهبود بخشد.

آویناش و همکارانش [15] روش‌های بازاریابی عصبی و کاربرد عدم تقارن تتا پیشانی ناشی از محرّک‌های موسیقی را به‌عنوان مدل‌سازی انتخاب کردند. پژوهش آنها روش‌های مختلف انتخاب‌شده در بازاریابی عصبی را بررسی و نتیجه درخور ‌توجه عدم تقارن تتا پیشانی را در حین گوش‌دادن به موسیقی در 41 شرکت‌کننده استنباط می‌کند. مطابق نتایج آنها احساسات مثبت نظیر شادی، قدرت تتا را در نیم‌کرۀ چپ افزایش می‌دهد؛ در حالی ‌که احساسات منفی نظیر غمگینی باعث افزایش قدرت تتا در نیم‌کرۀ راست شده است.

دارابی و همکارانش [16] به پردازش سیگنال EEG برای ارزیابی تأثیر تبلیغات ورزشی بر مشتریان پرداختند. در پژوهش آنها 40 دانشجوی ورزشکار راست‌دست بین 18 تا 25 سال که به برند نایک علاقه‌مند یا بی‌علاقه بودند، شرکت داشتند. آنها 10 مرد ورزشکار علاقه‌مند، 10 ورزشکار مرد بی‌علاقه، 10 ورزشکار زن علاقه‌مند و 10 ورزشکار زن بی‌علاقه بودند. تحلیل داده‌ها با استفاده از آزمون تحلیل واریانس (ANOVA[13]) و آزمون کمترین تفاوت (LSD[14]) انجام شده است. نتایج آنها نشان دادند فعالیّت ریتم‌های آلفا، بتا و تتا در گروه علاقه‌مند افزایش معنی‌داری داشته است. همچنین، میزان فعالیّت آلفا و تتا در گروه بی‌علاقه تفاوت معنی‌داری نداشته است. نتایج آنها همچنین نشان دادند می‌توان با ثبت سیگنال EEG مشتری، به تأثیر تبلیغات ورزشی برند نایک بر ریتم‌های آلفا، بتا، دلتا و تتا پی برد. علاوه بر این، با پردازش سیگنال‌ها به این نتیجه ‌رسیدند که تبلیغات، میزان تفکّر تحلیلی و متمرکز و همچنین، برانگیختگی را افزایش می‌دهد و نقش بسزایی در تصمیم‌گیری دارد.

خورانا و همکارانش [7] به مرور بازاریابی عصبی با استفاده از سیگنال‌های EEG پرداختند. به ‌این ‌ترتیب، فعالیّت عصبی مرتبط با اولویّت و قصد خرید را مطالعه کردند. سالانه حدود 400 میلیارد دلار هزینه برای تبلیغات انجام می‌گیرد. با توجه به بزرگی این بازار، حتی یک بهبود جزئی در عملکرد می‌تواند تأثیر زیادی داشته باشد. رویکردهای سنتی بازاریابی، بازخورد پسینی کاربر را در قالب پرسشنامه، رتبه‌بندی محصول یا نظرات بررسی در نظر می‌گیرند؛ اما این رویکردها به‌طور کامل فرآیند تصمیم‌گیری در زمان واقعی مصرف‌کنندگان را توضیح نمی‌دهند. پژوهش انجام‌شده به بررسی طیف وسیعی از ملاحظات برای استراتژی‌های بازاریابی عصبی مبتنی بر سیگنال EEG ازجمله انواع اطلاعاتی که می‌توان جمع‌آوری کرد، نحوۀ ارائۀ محرّک‌های بازاریابی به مصرف‌کنندگان، چگونگی تأثیر چنین استراتژی‌هایی بر مصرف‌کننده ازنظر جذابیّت و حافظه، روش‌های یادگیری ماشین به کار گرفته‌ شده می‌پردازد. ازجمله چالش‌های پیش رو در این زمینه، بحث اخلاق در این زمینه نوظهور است.

پال و همکارانش [17] به مطالعۀ بازاریابی عصبی به کمک سیگنال‌های EEG و روش‌های یادگیری ماشین پرداختند. بازاریابی عصبی، کاربردها و مزایای بسیاری در بخش تجاری دارد؛ زیرا ظاهراً می‌تواند تشخیص دهد کدام محصول در حین تجزیه‌وتحلیل رقابت دارای پتانسیل است و همچنین، از تولید محصولاتی که ممکن است در روندهای آیندۀ بازار دچار شکست شوند، جلوگیری کند. بازاریابی عصبی قرار است شکاف بین نتایج نظرسنجی و رفتار واقعی مشتری در بازار را پُر کند. پژوهش ارائه‌شده، انتخاب مصرف‌کنندگان را با توجه به محصولات مختلف، تحلیل و الگوی سیگنال‌های EEG را با استفاده از آن کشف کرده است. روش‌های یادگیری ماشین براساس پسندیدن و نپسندیدن روی 25 موضوع کارآزمایی، مشاهده و انجام شده‌‌اند. در پژوهش ارائه‌شده، سیگنال‌های EEG 25 داوطلب با ردۀ سنی 18 تا 38 سال، در حالی ‌که محصولات رایج را روی یک نمایشگر مشاهده می‌کردند، در 14 کانال ثبت شده است. رویکردهای پیشنهادی، امکان‌سنجی بازاریابی را نشان داده‌اند و روشی اضافی به روش سنتی برای پیش‌بینی عملکرد محصول ارائه داده‌اند. آنها نشان دادند ماشین بردار پشتیبان (SVM[15]) بهتر از سایر طبقه‌بندی‌کننده‌ها عمل کرده است.

با مطالعۀ ادبیات گذشته مشاهده می‌شود پژوهش‌ها در حوزۀ بازاریابی عصبی همچنان جذاب و هنوز به سطحی از رضایت‌مندی نرسیده است. در این پژوهش، یک چارچوب بازاریابی عصبی برای پیش‌بینی ترجیحات مصرف‌کننده در زمان مشاهده محصولات مختلف در فروشگاه اینترنتی ارائه می‌شود. در این پژوهش، سیگنال‌های EEG افراد پردازش می‌شوند و درنهایت، یک تحلیل مقایسه‌ای با سایر پژوهش‌های گذشته ارائه می‌شود.

 ساختار این مقاله بدین شرح است که در بخش دوم به مطالعۀ مواد و روش‌های این پژوهش شامل معرفی داده، روش تحلیل و پردازش سیگنال EEG پرداخته می‌شود، سپس در بخش سوم، نتایج پژوهش آورده می‌شود و درنهایت، در بخش چهارم به بحث و نتیجه‌گیری پرداخته می‌شود.

 

2- مواد و روش‌ها

مراحل کلی انجام این پژوهش در روندنمای شکل 1 آورده شده است. مطابق این روندنما، ابتدا سیگنال EEG پیش‌پردازش می‌شود، سپس چهار ریتم ، ،  و  از سیگنال EEG توسط پالایه باترورث[16] جدا می‌شوند [18]. سپس ویژگی‌های آنتروپی پراکندگی (DE­[17]) و آنتروپی پراکندگی سلسله‌مراتبی (HDE­[18]) از این چهار ریتم استخراج می‌شوند. درنهایت، به کمک روش اعتبارسنجی تقاطعی 5 دسته‌ای و طبقه‌بندی‌کننده جنگل تصادفی (RF­[19]) دو دستۀ پسندیدن و نپسندیدن پیش‌بینی می‌شوند. در ادامه به معرفی مختصر هر یک از بخش‌ها پرداخته می‌شود.

 

 

شکل(1): نمایش مراحل انجام پژوهش شامل پردازش سیگنال EEG به‌منظور تفکیک دو دستۀ پسندیدن و نپسندیدن

 

2-1- دادۀ پژوهش

دادۀ پژوهش از 25 شرکت‌کننده با محدودۀ سنی 18 تا 38 سال با متوسط سنی 15/28 سال در زمان مشاهدۀ 14 محصول مختلف استفاده شده است [9]. 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^[20] و DRL‌^[21] به‌ترتیب در موقعیّت‌های 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 شده‌اند.

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 اولیه‌اند. 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 وجود دارد که درمجموع، 42 (42=3×14) تصویر مختلف را مطابق شکل 3 ایجاد می‌کنند. درمجموع، 1050 (1050=25×42) قطعه سیگنال EEG برای هر کانال همۀ شرکت‌کنندگان ثبت‌ شده است.

 

 

 

 

شکل (2): تجهیزات ثبت، نام و شمارۀ الکترودها و محل قرارگیری آنها روی سطح سر [9].

 

 

شکل (3): نمایشی از تصاویر استفاده‌شده برای ارزیابی دیداری (برگرفته‌شده از مرجع [9])

 

شرکت‌کنندگان روی صندلی، روبه‌روی یک صفحۀ نمایش نشسته‌اند و با مشاهده هر تصویر باید احساس پسندیدن یا نپسندیدن 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 محرّک‌های تصویری مختلف، فیکسیشن برای توجه و آماده‌سازی کاربر نمایش داده نمی‌شود. در جمع‌آوری داده‌ها به شرکت‌کنندگان بیان ‌شده است که نظر صادقانۀ خود را نسبت به محصولات برچسب‌گذاری‌شده بیان کنند.

 

2-2- پیش‌پردازش سیگنال EEG

 پیش‌پردازش برای تمیزشدن سیگنال از آرتیفکت‌هایی نظیر فعالیّت عضلات و حرکت چشم انجام می‌شود. در این مرحله، سیگنال EEG با استفاده از پالایۀ میان‌گذر فاز صفر در باند فرکانسی 0.53 الی 60 هرتز پیش‌پردازش می‌شوند.

 

2-3- استخراج ویژگی

2-3-1- آنتروپی پراکندگی

روش DE برای توصیف پیچیدگی و بی‌نظمی سری‌های زمانی پیشنهاد شده است [19]. DE بر مشکل راندمان محاسبات کُند آنتروپی نمونه (SE^[22]) و کاستی‌های آنتروپی جایگزین (PE^[23]) غلبه می‌کند که رابطۀ بزرگی بین دامنه‌ها را در نظر نمی‌گیرند؛ بنابراین، DE دارای مزایای سرعت محاسبۀ سریع و پایداری بالا است و رابطه بزرگی بین دامنه‌ها را در نظر می‌گیرد؛ با این ‌حال، DE تنها بخش فرکانس پایین سیگنال را تجزیه‌وتحلیل می‌کند و اطلاعات موجود در فرکانس کامل را نادیده می‌گیرد. خلاصۀ الگوریتم DE به‌صورت زیر ارائه شده است.

1- یک سری زمانی یک بُعدی به‌صورت  که  تعداد نقاط نمونه (طول) سیگنال  فرض کنید. یک تابع توزیع نرمال برای نگاشت سری زمانی  به دنبالۀ جدید   به‌صورت رابطۀ (1) که  و  استفاده می‎شود.

(1)

[1]

 

که در رابطۀ (1)  و  به‌ترتیب مقدار مورد انتظار (متوسط) و انحراف معیار  هستند.

2-ازطریق تبدیل خطی  هر  به یک دسته عدد صحیح در محدودۀ  اختصاص داده می‌شود که تابع  بیان‌کنندۀ گردکردن به نزدیک‌ترین عدد صحیح (به‌صورت افزایش یا کاهش) و  بیان‌کنندۀ شمارۀ دسته (شمارۀ گروه) است.

3-بردار جاسازی‌شده  محاسبه می‌شود. هر بردار جاسازی‌شده  با بُعد جاسازی‌شده  و تأخیر زمانی  بر اساس رابطۀ (2) ایجاد می‌شود.

(2)

 

هر سری زمانی  به یک الگوی پراکندگی  نگاشت می‌شود که در آن ،  و .... و . از آنجایی که  حاوی  عنصر با مقادیر صحیح از 1 تا  هستند، تعداد الگوهای پراکندگی ممکن در هر  برابر   است.

4-برای هر یک از الگوی پراکندگی  از ­، فرکانس نسبی به‌صورت رابطۀ (3) به دست می‌آید.

(3)

 

درواقع،  بیان‌کنندۀ تعداد الگوهای پراکندگی  است که به  اختصاص داده‌ شده‌ و تقسیم بر تعداد کل سیگنال‌های جاسازی‌شده با بُعد جاسازی‌شده  است.

5- درنهایت، DE مطابق رابطۀ آنتروپی شانون به‌صورت رابطۀ (4) تعریف می‌شود.

(4)

 

 توجه داشته باشید که رابطۀ (4) می‌تواند با تقسیم‌ بر  مطابق رابطۀ (5) نرمال شود، تا مقادیر NDE ^[24] بین 0 و 1 به دست آیند.

(5)

 

از این نظر، بالاترین سطح DE زمانی به دست می‌آید که همۀ الگوهای پراکندگی احتمال یکسانی داشته باشند. درمقابل، اگر سری زمانی کاملاً منظم باشد، تنها یک احتمال  با صفر متفاوت است و بنابراین، حداقل مقدار DE گزارش می‌شود [20]. در مقایسه با سایر معیارها، DE به تعداد زیادی نمونه در یک سری زمانی نیاز ندارد تا حداکثر سطح خود را با مقادیر کوچک‌تر  و  افزایش دهد. درواقع، تعداد نقاط موردنیاز برای به دست آوردن حداکثر سطوح DE برابر  است [20], [21]. با ‌وجود این، اگرچه سیگنال طولانی برای به دست آوردن تخمین‌های قوی از DE استفاده نمی‌شود، استحکام این تخمین‌ها برای تعداد بیشتری از نقاط در یک سری زمانی افزایش می‌یابد [21].

 

2-3-2- آنتروپی پراکندگی سلسله‌مراتبی

برای غلبه بر کاستی‌های DE که تنها باند فرکانس پایین سیگنال را تحلیل می‌کند و باند فرکانس بالا را نادیده می‌گیرد، HDE برای توصیف جامع‌تر و دقیق‌تر سری زمانی اتخاذ شده است. الگوریتم HDE به‌صورت زیر ارائه شده است [22].

1-یک سری زمانی   که تعداد نقاط (طول) است را در نظر بگیرید (  که در آن  یک عدد صحیح مثبت است). عملگرهای متوسط  و  برای سری زمانی به‌صورت رابطۀ (6) تعریف می‌شود.

(6)

 

که در آن  و  به‌ترتیب دارای ویژگی‌های فرکانس پایین و فرکانس بالا در مقیاس 2 هستند. هنگامی که  باشد، نماد در رابطۀ (6) مثبت و هنگامی که  باشد، نماد منفی می‌شود. براساس عملگرهای  و  سری زمانی به‌صورت رابطۀ (7) بازسازی می‌شود.

(7)

 

2- ماتریس عملگر^[25]  برای  یا  به‌صورت رابطۀ (8) بیان می‌شود.

(8)

 

3-عملگرها در مرحلۀ 2 به‌طور مکرر تا دستیابی به تجزیه سلسله‌مراتبی سری‌های زمانی  استفاده می‌شوند. برای به دست آوردن مؤلفه‌های گره هر لایه در تجزیه سلسله‌مراتبی، یک بردار  بُعدی  باید ساخته شده است. در اینجا عدد صحیح غیر منفی  که از بردار  بُعدی ساخته می‌شود، به‌صورت رابطۀ (9) بیان می‌شود.

(9)

 

توجه داشته باشید که عدد صحیح  در مرحلۀ 3 و عملگر ماتریس  در مرحلۀ 2 یک رابطۀ موازی دارند؛ یعنی همۀ آنها در حال آماده‌سازی برای محاسبه مؤلفه‌های گره‌اند.

4- سپس براساس بردار  هر گره از هر لایه سلسله‌مراتبی سری زمانی  به‌صورت رابطۀ (10) تعریف می‌شود.

(10)

که در آن،  تعداد لایه‌ها در تقسیم‌بندی سلسله‌مراتبی و  نشان‌دهندۀ تعداد گرهها است. مقدار DE با محاسبۀ آنتروپی هر جزء سلسله‌مراتبی به دست می‌آید؛ بنابراین، HDE به‌صورت رابطۀ (11) بیان می‌شود.

 

(11)

تحلیل سلسله‌مراتبی با سه لایه در شکل 4 به نمایش گذاشته شده است

.

 

 

 

شکل(4): نمایش تحلیل سلسله‌مراتبی با سه لایه ( ).

 

 

2-3-3- انتخاب پارامترها برای روش‌هایDE  و HDE

در این مقاله، چهار پارامتر بُعد جاسازی‌شده، تأخیر زمانی، تعداد لایه‌های سلسله‌مراتبی و تعداد دسته برای محاسبۀ DE و HDE به شرح زیر انتخاب شدند.

• بُعد جاسازی‌ طبق [23] روی 3 تنظیم شد؛ زیرا اگر خیلی بزرگ باشد، طول داده بیشتری موردنیاز است.
• تأخیر زمانی به‌عنوان انتخاب شد؛ دلیل اصلی انتخاب این بود که وقتی باشد، ممکن است برخی اطلاعات مهم‌ مرتبط با فرکانس از بین برود و همچنین، ممکن است منجر به آلیاسینگ^[26] شود [23].
• تعداد لایه‌های سلسله‌مراتبی 𝑘 روی 3 تنظیم شد؛ زیرا مطالعات قبلی نشان داده‌اند زمانی که 𝑘 خیلی بزرگ باشد، کارایی محاسبه و نقاط نمونه درگیر در محاسبه هر سطح کاهش می‌یابد؛ در حالی ‌که وقتی 𝑘 خیلی کوچک باشد، باند فرکانسی سیگنال به‌دقت تقسیم نمی‌شود و اجزای سلسله‌مراتبی ناکافی می‌شوند [23].
• شمارۀ دسته روی 5 تنظیم شد؛ زیرا وقتی خیلی کوچک باشد، ویژگی‌های مختلف به‌عنوان یک دسته طبقه‌بندی می‌شوند؛ در حالی ‌که وقتی  خیلی بزرگ باشد، ویژگی‌های مشابه به‌عنوان دسته‌های مختلف شناسایی می‌شوند [23] به ‌عبارت‌ دیگر، وقتی خیلی کوچک یا خیلی بزرگ شود، ممکن است الگوریتم حساس به نویز شود. همچنین، شرط  رعایت شود. معمولاً مقدار  بین 4 تا 8 در نظر گرفته می‌شود [20].

 

2-4- طبقه‌بندی‌کننده جنگل تصادفی

داده‌های زمان واقعی بسیار پیچیده‌اند و برخلاف مجموعه داده‌های سنتی با عوامل زیادی متفاوت‌اند. طبقه‌بندی‌کننده‌های سنتی نظیر SVM، Naive bayes، k-NN^[27] و LDA^[28] در طبقه‌بندی سیگنال EEG در سال‌های اخیر توانسته‌اند نتایج خوبی ارائه دهند [24], [25]؛ بنابراین، آزمایش با یادگیری جمعی به ما یک رویکرد جایگزین برای یادگیری از داده‌های زمان واقعی به‌دست‌آمده می‌دهد [25]. برایمن^[29] اولین‌بار جنگل‌ تصادفی را ارائه کرد [26]. RF یک روش یادگیری جمعی^[30] برای دسته‌بندی و رگرسیون است [27] که از درخت‌های تصمیم‌گیری چندگانه در طول مرحلۀ آموزش استفاده می‌کند و میانگین پیش‌بینی درختان را به دست می‌آورد. RFها برای درختان تصمیم مناسب‌اند که در مجموعه آموزشی دچار بیش برازش می‌شوند.

عملکرد RF معمولاً بهتر از درخت تصمیم است؛ اما این بهبود عملکرد تا حدی به نوع داده هم بستگی دارد. این طبقه‌بندی‌کننده جنگل‌هایی را با تعداد تصادفی درخت تولید می‌کند. الگوریتم‌های درخت تصمیم عادی مبتنی بر قانون‌اند و صرفاً براساس مجموعه‌ای از قوانین برای پیش‌بینی در مجموعه داده‌ها هستند. درمقابل، طبقه‌بندی‌کننده‌های RF به‌جای استفاده از شاخص جینی^[31] [26] یا اطلاعات کسب‌شده برای محاسبۀ گره ریشه، گره ریشه را پیدا و ویژگی‌ها را به‌طور تصادفی تقسیم می‌کنند. شکل 5 [28] عملکرد کلی طبقه‌بندی‌کننده RF را نشان می‌دهد.  ورودی طبقه‌بندی‌کننده را نشان می‌دهد. درخت‌های تصمیم تصادفی به نام‌های ، ، ...،  تولید می‌شوند که خروجی‌های مربوط به آن ، ، ...،  است. دستۀ  از بین دسته‌های ، ، ...،  است که براساس رأی اکثریت گرفته‌شده انتخاب می‌شود؛ بنابراین، خروجی طبقه‌بندی‌کننده ، دستۀ  با رأی اکثریت آرا است.

 

 

 

شکل) 5): نمایش عملکرد کلی طبقه‌بندی‌کنندۀ جنگل تصادفی [28].

 

 

3- نتایج پژوهش

در مرحله اول، داده‌های خام سیگنال EEG پیش‌پردازش‌شده به‌عنوان 4 ریتم مختلف تتا، آلفا، بتا و گاما ارائه می‌شوند. این 4 ریتم نشان‌دهندۀ حالت‌های مختلف مغز در دو دستۀ پسندیدن و نپسندیدن است.

 

3-1- بررسی آماری مقادیر خام ویژگی‌های استخراجی در دو دستۀ پسندیدن و نپسندیدن

مقادیر خام قبل از بهنجارسازی ویژگی‌ها در نمودار جعبه‌ای شکل 6 در دو دستۀ پسندیدن و نپسندیدن برای دو ویژگی استخراجی DE و HDE آورده شده‌اند.

3-2- بررسی آماری مقادیر خام ویژگی‌های استخراجی در کانال‌های مختلف ثبت

مقادیر خام قبل از بهنجارسازی ویژگی‌های استخراجی DE و HDE در کانال‌های مختلف سیگنال EEG در نمودارهای جعبه‌ای ترسیم‌شده به‌ترتیب در شکل‌های 7 و 8 آورده شده است. در نمودار جعبه‌ای، خواص آماری نظیر کمینه، بیشینه، چارک اول، چارک سوم و میانه ‌مقایسه‌پذیر است. در شکل‌های 7 و 8 سعی شده است کانال‌های قرینه در نیم‌کره‌های مغزی در کنار یکدیگر، ترسیم شوند تا قابلیت مقایسه آماری راحت‌تر باشد.

 

 

 

 

شکل(6): نمودار جعبه‌ای مقادیر خام قبل از بهنجارسازی ویژگی‌ها در دو دستۀ پسندیدن و نپسندیدن برای دو ویژگی استخراجی DE و HDE

 

 

شکل (7): نمودار جعبه‌ای مقادیر خام قبل از بهنجارسازی ویژگی‌ استخراجی DE در کانال‌های مختلف سیگنال EEG

 

 

شکل(8) : نمودار جعبه‌ای مقادیر خام قبل از بهنجارسازی ویژگی‌ استخراجی HDE در کانال‌های مختلف سیگنال EEG

 

 

3-3- معیارهای عملکرد

عملکرد طبقه‌بندی‌کننده با استفاده از معیارهایی مانند دقت^[xxxii]، فراخوانی^[xxxiii] (حساسیّت)، پشتیبانی^[xxxiv] و صحّت^[xxxv] اندازه‌گیری می‌شود. هر یک از عناصر ماتریس بدین شرح است:  بیان‌کنندۀ تعداد رکوردهایی است که دستۀ واقعی آنها منفی بوده و الگوریتم دسته‌بندی نیز دستۀ آنها را به‌درستی منفی تشخیص داده است.  بیان‌کنندۀ تعداد رکوردهایی است که دستۀ واقعی آنها مثبت بوده و الگوریتم دسته‌بندی نیز دستۀ آنها را به‌درستی مثبت تشخیص داده است.  بیان‌کنندۀ تعداد رکوردهایی است که دستۀ واقعی آنها منفی بوده و الگوریتم دسته‌بندی دستۀ آنها را به‌اشتباه مثبت تشخیص داده است.  بیان‌کنندۀ تعداد رکوردهایی است که دستۀ واقعی آنها مثبت بوده و الگوریتم دسته‌بندی دستۀ آنها را به‌اشتباه منفی تشخیص داده است. معرفی معیارهای عملکرد دقت، فراخوانی و صحّت به شرح زیر است.

• دقت: نسبت مشاهدات مثبت پیش‌بینی‌شده صحیح به کل مشاهدات مثبت پیش‌بینی‌شده است. دقت به‌طور شهودی توانایی طبقه‌بندی‌کننده است که نمونۀ منفی را به‌عنوان مثبت نشان ندهد.

(11)

 

• فراخوانی: نسبت مشاهدات مثبت پیش‌بینی‌شده درست به همۀ مشاهدات در دستۀ واقعی است. فراخوان به‌طور شهودی توانایی طبقه‌بندی‌کننده برای یافتن تمام نمونه‌های مثبت است.

(12)

 

• صحّت: معیاری است که به‌طورکلی نحوه عملکرد مدل را در همه دسته‌ها توصیف می‌کند. زمانی مفید است که همۀ دسته‌ها از اهمیّت یکسانی برخوردار باشند. صحّت مطابق رابطۀ (13) به‌عنوان نسبت بین تعداد پیش‌بینی‌های صحیح به تعداد کل پیش‌بینی‌ها محاسبه می‌شود.

(13)

 

بررسی‌ها نشان می‌دهند بسیاری از مقالات از یادگیری جمعی برای طبقه‌بندی سیگنال‌های EEG برای کاربردهای مختلف استفاده کرده‌اند. طبقه‌بندی در مدل ارائه‌شده باینری است؛ به این معنی که مدل پیش‌بینی می‌کند آیا وضعیّت ذهنی فرد حالت پسندیدن یا نپسندیدن است. در مدل پیشنهادشده، برای طبقه‌بندی از روش RF استفاده شده است که از رویکرد یادگیری جمعی برای پیش‌بینی استفاده می‌کند. طبقه‌بندی‌کننده RF به روشی مشابه طبقه‌بندی‌کننده درخت تصمیم کار می‌کند؛ تنها با یک رویکرد یادگیری جمعی که به آن اضافه شده است. اولین گام، ایجاد بسیاری از درخت‌های تصمیم تصادفی است که هرکدام یک دستۀ خاص را با توجه به ویژگی‌های داده‌شده به آن پیش‌بینی می‌کنند. هنگامی‌ که هر درخت یک دسته را پیش‌بینی می‌کند، رأی‌گیری انجام می‌شود تا طبق اکثریت، دستۀ نهایی در نظر گرفته شود. سپس خروجی، دسته‌ای است که اکثریت رأی را دارد.

در این پژوهش، اعتبارسنجی تقاطعی 5 دسته‌ای برای آموزش و آزمون طبقه‌بندی‌کننده RF استفاده شده است تا عملکرد طبقه‌بندی‌کننده دقیق و بدون بایاس حاصل شود. در رویکرد اعتبارسنجی تقاطعی 5 دسته‌ای، به‌طور تصادفی مجموعه ویژگی‌ها به 5 مجموعه با اندازه مساوی تقسیم می‌شود و الگوریتم یادگیری 5 بار اجرا می‌شود. هر بار یکی از 5 مجموعه آزمایشی به‌عنوان آزمون است و مدل روی 4 مجموعه باقی‌مانده آموزش داده می‌شود. درنهایت، متوسط 5 مقدار گزارش می‌شود؛ بنابراین، به‌طور خلاصه، برای آزمایش مدل 80 درصد از کل داده‌ها برای آموزش و 20 درصد برای آزمون در نظر گرفته شده است و این روند 5 بار تکرار می‌شود.

درصد دقت برای 5 بار تکرار به‌ترتیب 27/76، 91/73، 88/70، 35/74 و 63/77 حاصل شده که بیشینه درصد صحّت 63/77 حاصل شده است. درصد صحّت برای 5 بار تکرار به‌ترتیب 71/75، 27/72، 58/69، 33/74، 45/76 حاصل شده است که بیشینه دقت 45/76 حاصل شده است. مقدار پارامترهای آماری دقت، فراخوانی و صحّت در جدول 1 آورده شده است. طبق نتایج حاصل از 5 بار متوسط‌گیری، مقدار پارامتر دقت 61/74 درصد، فراخوانی 9/72 درصد و صحّت 67/73 درصد برای تشخیص دو دستۀ پسندیدن و نپسندیدن به دست آمده است.

 

جدول (1): نمایش پس از 5 بار متوسط‌گیری مقادیر پارامترهای دقت، فراخوانی و صحّت

پارامتر	مقدار (درصد)	انحراف معیار
دقت	61/74	57/2
فراخوانی	9/72	11/3
صحّت	67/73	78/2

 

4- بحث و نتیجه‌گیری

بازاریابی عصبی یک حوزه نوظهور با فرصت‌هایی در حوزۀ تبلیغات تجاری است. پیش‌بینی اولویّت مصرف‌کننده براساس سیگنال‌های EEG می‌تواند به‌طور قابل ‌اعتمادی علاقه‌مندی در یک محصول را پیش‌بینی کند. رویکردهای سنتی بازاریابی در قالب تکمیل پرسشنامه و بررسی نظرات مصرف‌کنندگان است؛ بنابراین، این رویکردها به‌طور کامل فرآیند تصمیم‌گیری مصرف‌کنندگان در زمان واقعی را توضیح نمی‌دهند. بازاریابی عصبی می‌تواند تشخیص دهد کدام محصول دارای پتانسیل تولید است و از تولید محصولاتی که در آینده‌ ممکن است دچار شکست شوند، جلوگیری کند.

در این مقاله با استفاده از سیگنال‌های EEG ثبت ده از 25 شرکت‌کننده در هنگام تماشای 14 محصول مختلف اینترنتی به تحلیل رفتار و پیش‌بینی ترجیحات پرداخته ‌شده است. در اینجا از سیگنال EEG چهار ریتم تتا، آلفا، بتا و گاما انتخاب شده است و رابطۀ بین چهار ریتم در دو دستۀ پسندیدن و نپسندیدن تحلیل می‌شوند. ارزیابی الگوهای پراکندگی با استفاده از ویژگی‌های استخراجی DE و HDE برای اولین‌بار برای تشخیص دو دستۀ پسندیدن و نپسندیدن به کمک سیگنال‌های EEG استفاده شده است.

روش DE دارای سرعت محاسباتی و پایداری بالا است و بر محاسبات کُند روش SE و کاستی‌های PE غلبه می‌کند؛ با این ‌حال، DE تنها بخش فرکانس پایین سیگنال را تحلیل می‌کند و اطلاعات موجود در فرکانس بالا را نادیده می‌گیرد؛ بنابراین، برای غلبه بر کاستی‌ DE، HDE برای توصیف جامع‌تر و دقیق‌تر سری زمانی ارائه شده است. اگر مقادیر  یا  خیلی بزرگ باشند، زمان محاسباتی موردنیاز برای الگوریتم DE زیاد خواهد شد. در این پژوهش، مقدار  روی 3 تنظیم شد؛ زیرا مقادیر کوچک  ممکن است از آشکارسازی تغییرات دینامیکی حاضر در سیگنال جلوگیری کند؛ در حالی ‌که مقادیر بزرگ  ممکن است موجب شود روش HDE تغییرات کوچک در سیگنال را نادیده بگیرد. همچنین، در این پژوهش، تأخیر زمانی  انتخاب شد؛ دلیل اصلی انتخاب این است که وقتی  باشد، ممکن است برخی اطلاعات مهم‌ مرتبط با فرکانس از بین برود و همچنین، ممکن است به آلیاسینگ منجر شود.

همچنین، در این پژوهش، تعداد لایه‌های سلسله‌مراتبی 𝑘 روی 3 تنظیم شد؛ زیرا زمانی که 𝑘 خیلی بزرگ باشد، کارایی محاسبه و نقاط نمونه درگیر در محاسبۀ هر سطح کاهش می‌یابد؛ در حالی ‌که وقتی 𝑘 خیلی کوچک باشد، باند فرکانسی سیگنال به‌دقت تقسیم نمی‌شود و اجزای سلسله‌مراتبی ناکافی می‌شوند. همچنین، در این پژوهش، شمارۀ دستۀ  روی 5 تنظیم شد؛ زیرا وقتی  خیلی کوچک باشد، ویژگی‌های مختلف به‌عنوان یک دسته طبقه‌بندی می‌شدند؛ در حالی‌ که وقتی  خیلی بزرگ باشد، ویژگی‌های مشابه به‌عنوان دسته‌های مختلف شناسایی می‌شوند. به‌ عبارت ‌دیگر، وقتی خیلی کوچک یا خیلی بزرگ شود، ممکن است الگوریتم حساس به نویز شود.

در این پژوهش از RF و روش‌های اعتبارسنجی تقاطعی 5 دسته‌ای برای تفکیک بین دو دستۀ پسندیدن و نپسندیدن استفاده شده است. معیارهای ارزیابی مختلفی نظیر دقت، فراخوانی و صحّت استفاده شده است. نتایج نشان می‌دهند دو دستۀ پسندیدن و نپسندیدن یک کالا را می‌توان با میزان صحّت متوسط 67/73 درصد طبقه‌بندی کرد. با مقایسه نتایج پژوهش در [9] 67/3 و در [29]  17/0 درصد بهبود در نتایج دیده می‌شود. امیدوار است این پژوهش اطلاعات مفیدی دربارۀ روش‌های بازاریابی عصبی و کاربردهای آنها ارائه داده باشد. نتایج این پژوهش نشان می‌دهند مطالعات در این زمینه می‌تواند باعث تغییر و بهبود استراتژی‌های بازاریابی برای بهبود تولیدکننده و مصرف‌کننده شود.

پیشنهاد می‌شود برای ادامه پژوهش با کمک یک الگوریتم تکاملی نظیر PSO به محاسبۀ پارامترهای DE و HDE پرداخته شود. همچنین، پیشنهاد می‌شود در پژوهش‌های مرتبط با بازاریابی عصبی، روش‌های ثبت سیگنال‌های حیاتی دیگری مانند ردیابی حرکات چشم به این فرآیند افزوده شوند.

 

[1] تاریخ ارسال مقاله: 03/02/1401

تاریخ پذیرش مقاله: 17/10/1401

نام نویسندۀ مسئول: سیّدعابد حسینی

نشانی نویسندۀ مسئول: ایران، مشهد، دانشگاه آزاد اسلامی، واحد مشهد، گروه مهندسی برق

 

[1] ElectroEncephaloGraphy

[2] functional Magnetic Resonance Imaging

[3] Positron Emission Tomography

[4] Steady State Topography

[5] MagnetoEncephaloGraphy

[6] Galvanic Skin Response

[7] Facial electromyography

[8] Implicit response testing

[9] Hidden Markov Model

[10] PRISMA

[11]Preferred Reporting Items for Systematic review and Meta-Analyses

[12] Hjorth

[13] ANalysis Of VAriance

[14] Least Significant Difference

[15] Support Vector Machine

[16] Butterworth

[17] Dispersion Entropy

[18] Hierarchical Dispersion Entropy

[19] Random Forest

[20] Common Mode Sense

[21] Driven Right Leg

[22] Sample Entropy

[23] Permutation Entropy

[24] Normalizaed Dispersion Entopy

[25] Matrix operator

[26] Aliasing

[27] K Nearest Neighbours

[28] Linear Discriminant Analysis

[29] Breiman

[30] Ensemble learning

[31] Gini index

[xxxii] Precision

[xxxiii] Recall

[xxxiv] Support

[xxxv] Accuracy

تعداد مشاهده مقاله: 879

تعداد دریافت فایل اصل مقاله: 333