• مقدمه[1]

در بخش فروش کالاهای مصرفی، هزینۀ زیادی صرف تبلیغ و موفقیّت در فروش محصولات می‌شود. بازاریابی و تبلیغات محصولات مختلفِ مصرفی، یک اقدام مؤثر برای افزایش فروش و آگاهی در میان مصرف‌کنندگان است [1]. بازاریابی عصبی[i] به معنای پی‌بردن به اولویّت مصرف‌کنندگان برای تصمیم‌گیری و پیش‌بینی رفتار آنها در استفادۀ مؤثر از محصول، با استفاده از فرآیندهای ناخودآگاه است [1]. روان‌شناسان دانشگاه هاروارد، مفهوم بازاریابی عصبی را نخستین بار در سال 1990 به وجود آوردند. پدر علم بازاریابی، دکتر پال آل اسمیتز، کلمۀ بازاریابی عصبی را با مضمون به‌کارگیری روش شناسایی مکانیسم‌های مغزی برای درک رفتار مشتریان به‌منظور بهبود استراتژی‌های بازاریابی ابداع کرد [2].

بازاریابی عصبی از حوزه‌های روان‌شناسی اجتماعی، بازاریابی و علوم اعصاب شناختی برای تجزیه‌وتحلیل مکانیسم‌های عصبی و روان‌شناختی ناشی از تصمیم‌ها و رفتارهای انسانی استفاده می‌کند [3]؛ ازاین‌رو، مطالعۀ این مکانیسم‌ها برای توضیح واکنش مصرف‌کنندگان به محرّک‌های بازاریابی مفید است [4]. علوم اعصاب شناختی، اطلاعاتی دربارۀ ترجیحات مصرف‌کننده در انتخاب محصولات را بیان می‌کند. این نگاه معمولاً با استفاده از روش‌های سنتی نظیر پرسشنامه، نظرسنجی، مصاحبۀ شخصی، مشاهدات، بررسی حالت‌ها و ارتباطات کلامی امکان‌پذیر نیست [4] و سببِ بهبود طراحی محصولات، قبل از عرضۀ واقعی در بازار می‌شود. درواقع روشی که مدیران برای ارائۀ محصول و فروش در نظر می‌گیرند، توسط علوم شناختی و بررسی نقشه‌های مغزی، تهیه و در اختیار آنها قرار می‌گیرد. این امر موجب خواهد شد تا شرکت‌های تولیدکنندۀ محصولات یا خدمات به اهداف خود به‌خوبی نزدیک شوند؛ بنابراین، نقش علوم اعصاب شناختی در برند سازی حائز اهمیّت است [5].

پژوهشگران تا کنون روش‌ها و ابزارهای مختلفی را برای تحلیل رفتار مصرف‌کننده، پدیدۀ تبلیغات و بازاریابی توسعه داده‌اند [6], [7]. ابزارهای مختلفی نظیر الکتروانسفالوگرافی (EEG [ii]) [1]، مگنتوانسفالوگرام (MEG [iii])، تصویربرداری تشدید مغناطیسی عملکردی (fMRI [iv])، برش‌نگاری با گسیل پوزیترون (PET­ [v])، تحریک مغناطیسی مغز (TMS­ [vi])، پتانسیل‌های وابسته به رویداد (ERP­ [vii])، هدایت الکتریکی پوست (GSR­ [viii])، الکترومایوگرافی (EMG­ [ix]) صورت، پلتیسموگراف (PPG [x])، نرخ ضربان قلب (HRV­ [xi]) و ردیابی حرکات چشم در حوزۀ بازاریابی عصبی استفاده شده است. بسیاری از پژوهشگران علاقه‌مند به مطالعه‌ دربارۀ منشأ پدیده، یعنی مغز برای ترجیحات مصرف‌کنندگان هستند؛ برای نمونه، برخی پژوهشگران، مطالعه‌های fMRI را ترجیح می‌دهند؛ بااین‌حال، تحلیل سیگنال‌های EEG و ردیابی حرکات چشم به دلیل کاهش هزینه‌ها و پیشرفت‌های سریع فناوری رو به افزایش است [7].

مورین و همکارش در سال 2011 [8] با رویکرد بازاریابی عصبی به‌ بررسی رفتار مصرف‌کنندگان پرداختند. آنها بیان داشتند هر سال بیش از 400 میلیارد دلار در کمپین‌های تبلیغاتی سرمایه‌گذاری می‌شود؛ بااین‌حال، روش‌های متداول سنجش و پیش‌بینی اثربخشی این سرمایه‌گذاری‌ها به‌طورکلی شکست ‌خورده‌اند؛ زیرا ارزیابی این روش‌های تبلیغ، به تمایل و صلاحیّت مصرف‌کنندگان بستگی دارد. وکییاتو و همکارانش در سال 2011 [9] به کمک سیگنال‌های EEG و MEG به بررسی رفتار مصرف‌کنندگان در بازاریابی عصبی پرداختند. هرچند این روش‌ها دارای حد تفکیک زمانی بالاتری در مقایسه با fMRI هستند، حد تفکیک مکانی آنها پایین‌ است. به‌تازگی با معرفی روش‌های پیشرفتۀ پردازش سیگنال، حد تفکیک مکانی روش‌های EEG و MEG نیز تا حدی بهبود یافته است [3].

برنز و مور در سال 2012 [10] با اندازه‌گیری فعالیّت مغز 27 نوجوان و به کمک داده‌های fMRI برای پیش‌بینی محبوبیّت موسیقی استفاده کردند. آنها همبستگی مثبت در پاسخ‌های مغز شرکت‌کنندگان با فروش در گوش‌دادن به آهنگ‌های هنرمندان بسیار ناشناخته پس از سه سال را نشان دادند. همچنین، نشان دادند فعالیّت درون جسم مخطّط[xii] شکمی به‌طور چشمگیری با تعداد واحدهای فروخته‌شده ارتباط دارد. با وجود این‌، هزینه‌های آزمایش به کمک fMRI بسیار گران‌قیمت است.

خوشابا و همکارانش در سال 2013 [11] به کمک سیگنال EEG و ردیابی حرکات چشم به ارزیابی پاسخ مغز در محرّک‌های بازاریابی پرداختند. آنها به بررسی فرآیندهای تصمیم‌گیری فیزیولوژیک مبتنی بر انتخاب، در زمان ارجحیّت‌دادن شرکت‌کنندگان به محصولات پرداختند. سباستین در سال 2014 [3] به ارزیابی پاسخ‌های شناختی و احساسی مصرف‌کنندگان به محرّک‌های بازاریابی پرداخت. بازاریابی عصبی به درک نحوۀ تأثیر پردازش ذهن به‌صورت ناخودآگاه بر فرآیند تصمیم‌گیری در خرید می‌پردازد؛ بنابراین، سبب درک بهتری از رفتارهای مصرف‌کننده، عواطف، احساس‌ها، نیازها و انگیزه‌ها در ارتباط با محصولات را ایجاد می‌کند.

مورگاپان و همکارانش در سال 2014 [12] به بررسی میزان محبوبیّت برندهای مختلف خودرو در مالزی با استفاده از ثبت سیگنال EEG پرداختند. آنها برندهای تویوتا، آئودی، پروتون و سوزوکی را در آزمایش خود استفاده کردند. با استفاده از تبدیل سری فوریه سریع و شبکۀ عصبی احتمالی (PNN [xiii]) به تجزیه‌وتحلیل سیگنال مغزی پرداختند. نتایج نشان دادند افراد برند تویوتا را با میانگین نرخ طبقه‌بندی 96.62 درصد ترجیح می‌دهند.

بالوادو و همکارانش در سال 2015 [13] به پیش‌بینی آینده محصولات، قبل از ورود به بازار در خرده‌فروشی صنعت کفش پرداختند. نتایج آنها نشان دادند با استفاده از واکنش‌های مغز مصرف‌کننده می‌توان آینده یک محصول را پیش‌بینی کرد که آیا این محصول استقبال خواهد شد یا نیاز به اصلاح دارد. این نتایج به مدیران واحدهای تولیدی کمک می‌کند تولیدات خود را به سمت سلیقۀ بازار سوق دهند و تا حدودی از شکست برخی محصولات که بار مالی سنگینی برای واحدهای تولیدی به همراه دارند، جلوگیری کنند.

سو در سال 2017 [14] به بازاریابی عصبی و نقش آن بر ذهن مصرف‌کننده پرداخت. همواره علاقه‌مندی به روشی مبتنی بر فعالیّت مغز وجود دارد که مدیران قادر باشند به‌طور مستقیم از افکار، احساس‌ها و قصدهای مشتریان خود آگاه شوند. لی و همکارانش در سال 2017 [15] به بررسی ادبیات بازاریابی عصبی از نگاه یک ‌تازه‌وارد پرداختند. آنها با بررسی پژوهش‌های گذشته نتیجه گرفتند علاقه به این زمینه رو به افزایش است و موضوع‌ها و روش‌های متنوّعی هر ساله ارائه می‌شوند. هریس و همکارانش در سال 2017 [7] به مطالعۀ مروری بر ابزارهای حوزۀ بازاریابی عصبی پرداختند. کارمارکار و پلاسمان در سال 2017 [16] به بررسی گذشته، حال و آینده در زمینۀ نقش علوم اعصاب در رفتار مصرف‌کنندگان پرداختند و مزایا و معایب روش‌های مختلف را بیان کردند. لین و همکارانش در سال 2018 [17] برای نشان‌دادن کاربردهای سیگنال EEG در علوم اعصاب مصرف‌کننده، به‌ مرور مطالعه‌های گذشته با تمرکز بر درک موضوع‌های مرتبط با مصرف‌کننده در بازاریابی و زمینه‌های بین‌رشته‌ای مرتبط پرداختند.

بُز و همکارانش در سال 2017 [18] بیان کردند قیمت یک محصول نقش تعیین‌کننده و کلیدی در درآمدها و سودهای یک تجارت گردشگری دارد. مشتریان قضاوت ارزش خود را برای یک محصول یا خدمات توریستی براساس قیمت پرداختی انجام می‌دهند. علاوه بر این، قیمت یک محصول یا خدمات توریستی ممکن است تأثیرات روانی بر مشتری داشته باشد؛ بنابراین، نحوۀ درک قیمت توسط گردشگران بالقوه اهمیّت ویژه‌ای دارد.

یاداوا و همکارانش در سال 2017 [1] به تحلیل سیگنال‌های EEG و کاربرد آن در بازاریابی عصبی پرداختند. آنها یک چارچوب مدل‌سازی پیش‌بینی‌کننده برای درک گزینه‌های مصرف‌کننده به‌سوی محصولات تجارت الکترونیک ازنظر «پسندیدن» و «نپسندیدن» را به کمک تحلیل سیگنال‌های EEG پیشنهاد دادند. سیگنال EEG از داوطلبان با سن و جنسیّت متفاوت ثبت ‌شده است؛ زمانی‌ که آنها محصولات مختلف مصرفی را مرور می‌کنند.

او‌ن و همکارانش در سال 2018 [19] اولویّت‌های مصرف‌کننده را برای کالاهای مختلف بررسی کردند. در مجموعه کالاها 4 دسته کالا و از هر دسته، 5 مدل مختلف موجود است. سیگنال EEG ثبت‌شده را با استفاده از روش غیرخطی روش تحلیل نوسان روند زدایی شده (DFA [xiv]) برای استخراج ویژگی و طبقه‌بندهای نزدیک‌ترین همسایگی (KNN [xv]) و شبکۀ عصبی برای پیش‌بینی ترجیحات مصرف‌کننده استفاده کردند و نتایج حاصل حاکی از آن است که مصرف‌کننده در صورت پسندیدن کالا، مقدار DFA برای امواج بتا بیشترین مقدار است.

حکیم و همکارش در سال 2018 [20] به بررسی دستاوردها، هشدارها و چشم‌اندازها در پیش‌بینی استفاده از سیگنال EEG در بازاریابی عصبی پرداختند. واکنش‌های احساسی به محرّک‌های بازاریابی، برای بازاریابی مقصد توریست ضروری است؛ اما هنوز سنجش معتبر دشوار است [21]. بدین منظور، باستینسن و همکارانش در سال 2018 [21] یک آزمایش بازاریابی عصبی را با استخراج تصاویر مقصد برای ارزیابی اثربخشی محتوای بازاریابی مقصد توریست در فیلم‌ها به کمک ERP‌ها استفاده کردند. دو گروه از شرکت‌کنندگان، تصاویری از شهرهای بروخه (بروژ) و کیوتو را مشاهده کردند. قبل از دیدن تصاویر هدف، گروه اول یک نمونۀ منتخب از فیلم جاذبه‌های گردشگری در بروژ را دیدند و گروه دوم، منتخبی از یک فیلم خاطرات عجیب‌وغریب[xvi] را دیدند که اثری از بروژ در آن نبود. نتایج پژوهش برای گروه اول یک پاسخ احساسی ابتدایی به تصاویر بروژ پس از ارائه آنها مشاهده شد؛ ولی برای گروه دوم، هیچ تفاوت معناداری در ERPهای مربوط به تصاویر کیوتو یافت نشد؛ درنتیجه، بازاریابی عصبی مبتنی بر سیگنال EEG یک ابزار ارزشمند برای ارزیابی اثربخشی بازاریابی مقصد است و فیلم‌های محبوب می‌توانند به‌طور مثبت بر تصویر مقصد عاطفی تأثیر بگذارند.

استاسی و همکارانش در سال 2018 [22] به بررسی سامانمند انتخاب مواد غذایی توسط مصرف‌کنندگان پرداختند. این انتخاب اغلب به دلایلی انجام می‌شود که مصرف‌کنندگان از آن کاملاً آگاه نیستند. همچنین، تصمیم‌گیری دربارۀ انتخاب غذا، از مجموعه‌ای پیچیده از احساس‌ها، نگرش‌ها و ارزش‌ها تأثیر می‌گیرد که ارزیابی سادۀ آنها ازطریق نظرهای مصرف‌کنندگان غیرممکن است. درواقع، روش‌های سنتی عمدتاً امکان سنجش واکنش‌های آگاهانه و منطقی بر یک محصول یا تبلیغات را دارند؛ ولی بازاریابی عصبی از روش‌ها و ابزارهایی استفاده می‌کند که امکان سنجش واکنش‌های عاطفی و خودبه‌خودی مصرف‌کنندگان را به روشی عینی‌تر و مشاهده‌پذیر‌تر بیان می‌کند.

لیم در سال 2018 [23] پژوهشی با رویکرد تغییر شکل بازاریابی عصبی انجام دادند. این پژوهش سؤالات کلیدی دربارۀ بازاریابی عصبی را روشن و راههای مختلفی را برای گسترش معنادار خطوط پژوهشی در زمینۀ بازاریابی عصبی مشخص می‌کند. یورال و همکارانش در سال 2019 [24] به کمک سیگنال‌های EEG، PPG و GSR به بازاریابی عصبی پرداختند که به تجزیه‌وتحلیل رابطۀ بین الکترودها و استرس هیجانی در سراسر تبلیغات تجاری مربوط می‌شود. آنها از همبستگی موجک و اختلاف‌فاز برای تحلیل سیگنال EEG، از توان در باند فرکانسی بالا و باند فرکانسی پایین برای تحلیل سیگنال PPG و از سطح هدایت پوست برای تحلیل سیگنال GSR استفاده کرده‌اند. نتایج آنها نشان دادند اختلاف معناداری بین همبستگی موجک و اختلاف‌فاز و همچنین، نسبت باند فرکانسی پایین به باند فرکانسی بالا بین مرحلۀ آزمایش و مرحلۀ کنترل وجود دارد؛ اما در سطح هدایت پوست وجود ندارد.

گلنارنیک و همکارانش در سال 2019 [25] به کمک توان سیگنال EEG برای پیش‌بینی و تفسیر تصمیم‌گیری مصرف‌کننده پرداختند. آنها نشان دادند اضافه‌کردن رنگ پس‌زمینه به تبلیغات طراحی‌شده، تأثیر مثبتی بر میزان علاقه به محصولات دارد. برای هرکدام از برندها چهار نوع تبلیغ استفاده شده است و در جریان آزمایش تبلیغات از حالت ساده به سمت پیچیده تغییر می‌کنند. نتایج این پژوهش نشان داد که تبلیغات در صورت ساده‌تر بودن بیشتر مصرف‌کننده را مجاب به خرید می‌کنند؛ درنتیجه، تجزیه‌وتحلیل سیگنال‌های EEG می‌تواند به‌عنوان یک ابزار مفید برای پیش‌بینی تصمیم‌گیری مصرف‌کننده استفاده شود؛ در حالی ‌که برای به دست آوردن دقیق‌تر، دیگر ویژگی‌ها باید برای تمایز بین تنظیمات مختلف آزمایش شوند.

زمانی و همکارش در سال 2020 [26] به کمک تبدیل موجک گسسته، ویژگی‌های آماری و ماشین بردار پشتیبان (SVM [xvii]) به تحلیل سیگنال EEG در کاربرد بازاریابی عصبی پرداختند. در آزمون آنها 32 نفر شامل 16 مرد و 16 زن در محدودۀ سنی 20 تا 35 سال شرکت داشتند. آنها از بازاریابی عصبی برای پیش‌بینی اولویّت مصرف‌کننده در هنگام مشاهدۀ محصولات تجارت الکترونیک استفاده کردند. نتایج آنها نشان دادند به کمک SVM به صحّت بیش از 87 درصد دست یافتند.

حکیم و همکارانش در سال 2021 [27] به بهبود پیش‌بینی اولویّت‌ها ازطریق گزارش‌های شخصی با استفاده از اندازه‌گیری EEG چندگانه و یادگیری ماشین پرداختند. آنها به کمک توان‌های باند فرونتال، عدم تقارن نیمکره، همبستگی میان کاربری و SVM به درصد صحّت 68.5 در پیش‌بینی محصولاتی رسیدند که بیشترین و کمترین ارجحیّت را دارند. کالاگانیس و همکارانش در سال 2021 [28] به نظرسنجی دربارۀ گذشته، حال و آینده طرح‌های EEG ترکیبی در بازاریابی عصبی پرداختند؛ بااین‌حال، آنها بیان کردند باوجود استفادۀ گسترده از سیگنال EEG در بازاریابی عصبی، این روش تصویر کاملی را به‌تنهایی ارائه نمی‌دهد. به‌منظور غلبه بر محدودیّت‌های استفاده از یک روش واحد، پژوهشگران بر رویکردهای کُل‌نگر تمرکز می‌کنند. بهره‌برداری از طرح‌های EEG ترکیبی به‌عنوان نمونه ترکیب EEG با ردیابی حرکات چشم، فعالیّت الکترودرمال، ضربان قلب یا موارد دیگر روزبه‌روز در حال رشد است و امیدوارند بازاریابی عصبی بتواند رفتار مصرف‌کنندگان را آشکار کند.

با مطالعۀ ادبیات گذشته مشاهده می‌شود پژوهش 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 مشاهدۀ محصولات مختلف ارائه می‌شود. در این پژوهش، سیگنال‌های EEG افراد پردازش و تحلیل می‌شوند و درنهایت، یک تحلیل مقایسه‌ای با سایر طبقه‌بندی‌ها نیز ارائه می‌شود.

ساختار این پژوهش بدین ‌صورت است که در بخش دوم به معرفی مواد و روش‌های پژوهش شامل معرفی داده، روش تحلیل سیگنال EEG شامل پیش‌پردازش، استخراج ویژگی و طبقه‌بندی کننده پرداخته می‌شود. در بخش سوم به گزارش نتایج پژوهش پرداخته می‌شود و درنهایت، در بخش چهارم بحث و نتیجه‌گیری آورده می‌شود.

2- مواد و روش‌ها

2-1- معرفی دادۀ پژوهش

سیگنال‌های EEG با دستگاه بی‌سیم 14 کانالۀ EMOTIV EPOC+ با استاندارد بین‌المللی 10 - 20 با آرایش الکترودهای AF3، F7، F3، FC5، T7، P7، O1، O2، P8، T8، FC6، F4، F8، AF4 مطابق شکل (1) ثبت شده‌اند [1]. الکترودهای مرجع CMS­^[xviii] و DRL­^[xix] به‌ترتیب در موقعیّت‌های P3 و P4 و در بالای گوش‌ها قرار دارند. فرکانس نمونه‌برداری داخل دستگاه 2048 هرتز است که نرخ نمونه‌برداری آنها به 128 هرتز کاهش‌ یافته است. اطلاعات با بلوتوث و دانگل USB­ به رایانه ارسال می‌شوند. قبل از استفاده، پدهای نمدی بالای حسگرها به کمک محلول نمکی مرطوب می‌شوند. باتری دستگاه به کمک یک شارژر USB شارژ می‌شود.

(الف)

(ب)

شکل (1): الف) نمایش دستگاه بی‌سیم 14 کانالۀ EMOTIV EPOC+ و ب) نحوۀ آرایش الکترودها روی سطح سر (29)

سیگنال EEG از 25 شرکت‌کننده در زمان نمایش محصولات در صفحۀ نمایشگر رایانه به مدت 4 ثانیه ثبت شده است. مجموعه‌ای از 14 محصول مختلف مطابق شکل (2) انتخاب شده که هر محصول دارای سه نوع مختلف (A، B و C) است که درمجموع 42 (3×14) تصویر مختلف را ایجاد می‌کند.

شکل (2): مجموعه تصاویر کالاهای مختلف (برگرفته‌شده از(1))

درنهایت، 1050 (25*42) قطعه سیگنال EEG برای همۀ شرکت‌کنندگان ثبت شده است. شرکت‌کنندگان در گسترۀ سنی 18 تا 38 سال قرار دارند. گروه A شامل 10 مرد و 6 خانم با گسترۀ سنی 18 تا 23 سال، گروه B شامل 8 مرد و 5 خانم با گسترۀ سنی 25 تا 30 سال و گروه C شامل 7 مرد و 4 خانم با گسترۀ سنی 31 تا 38 سال هستند [1]. پس از مشاهده، از شرکت‌کننده خواسته ‌شد ترجیح خود را ازنظر محصول به دو دستۀ پسندیدن یا نپسندیدن بیان کند [1]. داده شامل فایل برچسب مربوط به هر شخص است که در صورت پسندیدنِ محصول، مقدار یک و در صورت نپسندیدنِ محصول، مقدار منفی یک را گرفته است.

2-2- تحلیل سیگنال EEG

پیش‌پردازش با پالایۀ ساویتزکی-گولای (SG ^[xx])

حرکات ناخواسته ناشی از پلک‌زدن، حرکت ماهیچه‌های صورت و ضربان قلب در هنگام ثبت سیگنال EEG از عوامل ایجاد آرتیفکت‌های ناخواسته‌اند؛ بنابراین، پیش‌پردازش سیگنال EEG از ایجاد برخی اختلال‌های به‌وجودآمده جلوگیری می‌کند.

در این پژوهش از پالایۀ بالا گذر SG استفاده شده است. پالایۀ ساویتزکی-گولای در هموارسازی سیگنال‌های حیاتی در پژوهش‌های گذشته استفاده شده [1], [30], [31] که براساس تقریب چندجمله‌ای حـداقل مجـذور محلـی است. هدف اصلی این روش، افزایش نسبت سیگنال به نویز است و این کار تا حد زیادی بدون خدشه‌دار شدن سیگنال اصلی انجام می‌شود. در این روش که بر پایه انتگرال کانولوشن است، ابتدا سیگنال به پنجره‌هایی به طول  قسمت‌بندی می‌شود، سپس یک منحنی چندجمله‌ای با درجه  ( ) به نقاط این بخش از سیگنال با روش حداقل مربعات خطا برازش می‌شود. شایان ذکر است گرچه استفاده از این روش‌های هموارسازی باعث بهبود وضعیّت ظاهری طیف می‌شود، ممکن است سبب حذف اطلاعات مفید و درخور ‌استفاده شود [32]. از یک سیگنال  به طول  که  است، پالایۀ SG با رابطۀ (1) محاسبه می‌شود.

که  بیان‌کنندۀ طول پنجره،  بیان‌کنندۀ تعداد ضرایب کانولوشن و  بیان‌کنندۀ سیگنال هموار شده است. در این پژوهش، از پالایه برای هموارسازی سیگنال‌های EEG با استفاده از یک طول پنجره با اندازۀ 5 ( ) با چندجمله‌ای درجۀ چهار استفاده شده است. اِعمال پالایۀ SG روی قطعه‌ای از سیگنال EEG در شکل (3) به نمایش گذاشته است.

شکل (3): قطعه‌ای از سیگنال EEG خام و سیگنال EEG پیش‌پردازش‌شده با پالایۀ SG

• استخراج ویژگی از سیگنال EEG

برای استخراج ویژگی از سیگنال EEG از روش‌های مختلف خطی و غیرخطی استفاده می‌شود. در این پژوهش از ویژگی‌هایی نظیر تخمین چگالی طیف توان به روش ولش^[xxi]، DFA­ و تحلیل کمّی‌سازی بازگشتی (RQA­ ^[xxii]) استفاده شده است. نمایشی از چارچوب روش پیشنهادی در شکل (4) آورده شده است.

شکل (4): نمایش چارچوب روش پیشنهادی شامل پیش‌پردازش با ساویتزکی-گولای، استخراج ویژگی با روش‌های تخمین چگالی طیف توان به روش ولش، تحلیل نوسان روند زدایی ‌شده و تحلیل کمّی‌سازی بازگشتی و طبقه‌بندی‌کننده با ماشین بردار پشتیبان

• روش ولش

روش ولش یکی از روش‌های غیر پارامتری تخمین طیف توان است [33]. این روش مبتنی بر ایدۀ بارتلت دربارۀ تقسیم داده به بخش‌ها و یافتن میانگین پریودوگرام آنها است. دو تفاوت عمده با روش بارتلت عبارت‌اند از: نخست، بخش‌های داده‌ در روش ولش مجاز به همپوشانی هستند و دوم، هر بخش داده قبل از محاسبۀ پریودوگرام پنجره می‌شوند [34]. فرض کنید ،  نمونه‌هایی از یک قسمت سیگنال EEG باشد ( ). در اینجا برای تخمین طیف توان به روش ولش از سه مرحلۀ اساسی برای پیاده‌سازی در نرم‌افزار MATLAB استفاده شده است.

1- ابتدا، دنبالۀ طول اصلی  به   بخش با طول مساوی تقسیم می‌شود. اُمین دنباله از رابطۀ (2) به دست می‌آید.

که  نقطۀ شروع بخش‌های پی‌درپی دنباله است (بدون همپوشانی  و دارای همپوشانی 50 درصد ).

2- برای هر بخش، یک پنجره اِعمال می‌شود و سپس پریودوگرام روی بخش‌های پنجره‌شده، با رابطۀ (3) محاسبه می‌شود (پریودوگرام پنجره‌شده).

که فاکتور   ثابت بهنجارشده بوده و به‌منظور جبران انرژی سیگنال ناشی از تابع پنجره ( ) است (  توان پنجرۀ زمانی  است).

3- تخمین چگالی طیف توان به روش ولش با میانگین پریودوگرام‌های پنجره‌شده از  بخش مطابق رابطۀ (4) محاسبه می‌شود.

در این پژوهش، از هشت بخش به طول مساوی با 50 درصد همپوشانی برای مرحلۀ اول و پنجرۀ همینگ در مرحلۀ دوم استفاده می‌شود.

• روش تحلیل نوسان روند زدایی شده (DFA)

در تحلیل‌های مبتنی بر تبدیل فوریه برای استخراج طیف توان سیگنال EEG که ماهیّتی غیر ایستان دارد، فرض ایستایی در یک بازۀ زمانی کوچک لازم است؛ بنابراین، در این پژوهش علاوه بر روش‌های مبتنی بر تبدیل فوریه، به کمک روش DFA به بررسی تغییرات ضریب خودهمانی سیگنال EEG پرداخته شده است. هارولد ادوین هرست در سال 1951 میلادی، روش تحلیل نمای هرست را برای بررسی حافظۀ طولانی‌مدت داده‌ها معرفی کرد [35]. این روش برای سری‌های زمانی با تعداد دادۀ کم ‌اتکاپذیر نبود. در سال 1994 روش DFA یک تحلیل قابل ‌اطمینان و مناسب برای به دست آوردن نمای هرست سری‌های زمانی معرفی شد [36]. این روش، قابلیت آشکارسازی همبستگی‌های طولانی‌مدت در سری‌های زمانی غیر ایستا را دارد و خواص همبستگی سیگنال را با یک پارامتر کمّی ساده به نام نمای مقیاس‌گذاری ( ) به‌خوبی نشان می‌دهد [37]. با این روش می‌توان خودهمانی را که در محدودۀ وسیعی از مقیاس‌های زمانی رخ می‌دهد، در مقیاس زمانی خاصی محاسبه کرد. برای محاسبۀ DFA از روش پنگ و همکارانش استفاده شده است [36]. این روش شامل چند مرحله به شرح زیر است.

سری زمانی ،  را در نظر بگیرید. سری زمانی  مطابق رابطۀ (5) با استفاده از جمع انباره‌ای تفاضل سری زمانی  از میانگین سری زمانی  ( ) آن به دست می‌آید.

در مرحلۀ بَعد، سری زمانی به‌دست‌آمدۀ  به تعداد  پنجرۀ مساوی به طول  تقسیم ‌شده و در هر یک از این پنجره‌ها یک خط  روی مجموعه نقاط آن پنجره با استفاده از روش کمترین مربع خطا برازش می‌شود. سپس تابع میانگین مربع خطا  برای کل سری زمانی  و طول پنجره  براساس رابطۀ (6) به دست می‌آید (واریانس نوسانات  از خط  در پنجرۀ اُم).

که  سری زمانی ناشی از خط به‌دست‌آمده در هریک از پنجره‌ها است.

به همین ترتیب، تابع   را به‌ازای طول پنجره‌های مختلف، محاسبه و سپس لگاریتم  برحسب لگاریتم  رسم می‌شود. با توجه به اینکه سیگنال مغزی دارای خاصیّت خودهمانی است، در منحنی به‌دست‌آمده یک ناحیۀ خطی قابل ‌شناسایی است که شیب خط برازش‌شده در ناحیۀ خطی به‌منزلۀ نمای مقیاس‌گذاری (نمای خودهمانی) محاسبه می‌شود. نمای مقیاس‌گذاری ‌  مقداری بزرگ‌تر از صفر دارد؛ در صورتی ‌که در سیگنال ضد همبستگی‌های طولانی‌مدت وجود داشته باشد، مقدار ، در صورتی ‌که در سیگنال هیچ همبستگی وجود نداشته باشد (سیگنال‌های غیر همبسته) مقدار  (مثل نویز سفید)، در صورتی ‌که در سیگنال همبستگی‌های طولانی‌مدت وجود داشته باشد، مقدار ، در صورتی‌ که رفتار قانون توان یکنواختی از نویز  وجود داشته باشد، مقدار  (مثل نویز صورتی)، در صورتی ‌که سیگنال به‌شدت همبسته باشد (همبستگی‌های طولانی‌مدت) مقدار  (مثل نویز براون یا نویز قرمز) و در صورتی ‌که فرآیند غیر ایستا باشد، مقدار  به دست می‌آید [38].

مراحل پیاده‌سازی روش DFA در نرم‌افزار MATLAB به ترتیب در ذیل آمده است:

1-پیش‌پردازش سیگنال مغزی و حذف آرتیفکت‌های آن؛

2-محاسبۀ میانگین سیگنال پیش‌پردازش‌شده و تفاضل آن از کل سیگنال؛

3-محاسبۀ جمع انباره‌ای سیگنال حاصل با استفاده از رابطۀ (5) و به‌ازای  برابر 1 تا طول کل سیگنال و ذخیرۀ آن در سری زمانی ؛

4-تقسیم سری زمانی  به  پنجرۀ مساوی به طول ؛

5-برازش یک خط با استفاده از دستور polyfit روی مجموعه نقاط هر پنجره؛

6-محاسبۀ میانگین مربع خطا   به‌ازای پنجره به طول  با استفاده از رابطۀ (6)؛

7-تکرار مراحل 4 تا 6 به‌ازای  تا طول کل سیگنال؛

8-رسم  برحسب   و شناسایی ناحیۀ خطی در منحنی به‌دست‌آمده‌؛

9-برازش یک خط در ناحیۀ خطی با استفاده از دستور polyfit و استخراج شیب‌خط.

در منحنی نهایی به‌دست‌آمده برای سیگنال مغزی، دو ناحیۀ خطی مشاهده می‌شود که ناحیۀ خطی پایین مربوط به ضریب مقیاس‌گذاری در پنجره‌های زمانی کوچک و ناحیۀ خطی بالا مربوط به ضریب مقیاس‌گذاری در پنجره‌های زمانی بزرگ‌تر است. در این پژوهش، تنها به استخراج ناحیۀ خطی بالایی پرداخته شده که مربوط به ضریب مقیاس‌گذاری در پنجره‌های زمانی بزرگ‌تر است.

• تحلیل کمّی‌سازی بازگشتی (RQA)

تحلیل کمّی بازگشت یک روش مؤثر برای استخراج و توصیف جنبه‌های مختلف یک سیستم غیرخطی است [39]. این ویژگی اطلاعاتی دربارۀ بازگشت حالت‌های مختلف یا تکرار نقاط حالت در فضای حالت یک سیستم را در زمان‌های مختلف از یک سری زمانی داده‌شده کمّی می‌کند. برخلاف سنجش‌های غیرخطی مرسوم، RQA در توصیف تغییرات در ویژگی‌های دینامیکی از سیگنال‌های دینامیکی واقعی که کوتاه، نویزی و غیر ایستا هستند، مؤثر است [40]. اِکمان و همکارانش [41] طرح‌های بازگشتی (RP­ ^[xxiii]) را ارائه کردند که ویژگی بازگشتی یک سیستم دینامیکی را توصیف می‌کنند. گام کلیدی RP محاسبۀ ماتریس  مطابق رابطۀ (7) است.

که  تعداد نقاط اندازه‌گیری‌شده مسیر حالت ،  حد آستانه فاصله،  تابع هویساید^[xxiv] و  بیان‌کنندۀ نُرم بیشینه است. به‌منظور پیداکردن فاصلۀ قطع ، فاصلۀ  بین هر جفت ‌بُردار محاسبه می‌شود [42]. کمترین فاصله که 10 درصد از فاصله‌ها کوچک‌تر است، فاصلۀ قطع شناخته می‌شود.

نقشۀ بازگشتی رفتار وابسته به زمان یک سیستم دینامیکی را نمایش می‌دهد که به‌صورت بصری به‌سختی تشخیص داده می‌شود؛ به همین دلیل، این نقشه‌ها نیاز به یک کمّی‌کننده دارند. در ادامه، به بررسی ویژگی‌های استخراج‌شده با روش RQA پرداخته می‌شود. در منحنی‌های بازگشتی دو ساختار مقیاس کوچک عمده مشاهده می‌شود؛ نخست، ساختار خط قطری به طول  که به این معنی است که دو قطعه تراژکتوری به مدت  واحد زمانی در همسایگی  از یکدیگر بوده و دوم، ساختار خط قائم به طول  که نشان‌دهندۀ این است که تراژکتوری به مدت  واحد زمانی تغییر چندانی نکرده است. هشت شاخص از RQA شامل موارد ذیل استخراج می‌شوند [43].

سنجش‌ها براساس خط‌های قطری

نرخ بازگشت یا درصد بازگشت (  ^[xxv])

نرخ بازگشت ساده‌ترین شاخص RQA است و بیان‌کنندۀ احتمال بازگشت فضای فاز به نقاط در  همسایگی‌اش مطابق رابطۀ (8) است.

که اندازه‌ای از چگالی نقاط بازگشتی در RP است. در این رابطه نسبت نقاط تیره به‌ کل نقاط در RP محاسبه می‌شود. RR یک شاخص کارآمد از منظم‌بودن یا پیش‌بینی یک سری زمانی است. برای سیستم‌های پیچیده، مقدار RR خیلی کم بیان‌کنندۀ نظمِ کم و پیش‌بینی‌پذیریِ کم و مقدار RR خیلی بالا بیان‌کنندۀ سیستم‌های پریودیک و پیش‌بینی‌پذیر است [39].

قطعیّت یا پیش‌بینی‌پذیری (  ^[xxvi])

قطعیّت، بیان‌کنندۀ تعدادی از نقاط بازگشت است که خطوط قطری را ایجاد می‌کند. نرخ نقاط بازگشتی که از ساختارهای قطری هستند (با طول حداقل ) نسبت به همۀ نقاط بازگشتی از رابطۀ (9) محاسبه می‌شود.

که  بیان‌کنندۀ حداقل طول موردنیاز به‌عنوان تعریف برای خط قطری است.  کل تعداد خطوط قطری با طول  است. اساس رابطۀ (9) مبتنی بر هیستوگرام  مربوط به خطوط قطری به طول  و مطابق رابطۀ (10) نوشته می‌شود.

برای سادگی،  را در اندازه‌های RQA نمی‌نویسند (یعنی ). شاخص قطعیّت در سیستم‌های پریودیک که کاملاً پیش‌بینی‌پذیر و به‌صورت قطری هستند، برابر یک و در سیستم‌های تصادفی به سمت صفر میل می‌کند. انتخاب  مشابه انتخاب اندازه برای پنجرۀ تیلر^[xxvii] انجام می‌شود [44].

متوسط طول خطوط قطری ( ­)

متوسط طول خطوط قطری، زمان پیش‌بینی میانگین سیستم را کمّی می‌کند و از رابطۀ (11) محاسبه می‌شود.

متوسط زمانی است که دو قطعۀ تراژکتوری به یکدیگر نزدیک‌اند و می‌تواند به‌عنوان متوسط زمان پیش‌بینی تفسیر شود.

بیشینۀ‌ طول خط قطری ( )

بیشینۀ طول خط قطری، طولانی‌ترین خط قطری است که در RP یافت می‌شود و از رابطۀ (12) محاسبه می‌شود. عکس آن به‌عنوان واگرایی مدنظر قرار می‌گیرد ( ).

که  تعداد کل خط‌های قطری است. این سنجش مربوط به واگرایی‌نمایی مسیر فضای فاز است.  می‌تواند به‌عنوان تخمینی‌نمای لیاپانوف بیشینۀ مثبت از سیستم دینامیکی باشد [43].

آنتروپی ( )

آنتروپی، پیچیدگی ساختار بازگشتی را اندازه‌گیری می‌کند. آنتروپی شانون از احتمال  یک خط قطری به طول دقیقاً  را در RP پیدا می‌کند. آنتروپی از رابطۀ (13) محاسبه می‌شود.

 پیچیدگی RP را با توجه به خطوط قطری بیان می‌کند؛ برای ‌مثال، برای نویز ناهمبسته، مقدار  نسبتاً کم است که بیان‌کنندۀ پیچیدگی پایین آن است.

سنجش‌ها براساس خط‌های عمودی

لایه‌ای‌بودن (  ^[xxviii])

لایه‌ای‌بودن مشابه رابطۀ (9) محاسبه می‌شود و به‌صورت نسبت بین نقاط بازگشتی تشکیل‌دهندۀ ساختارهای عمودی به همۀ نقاط بازگشتی مطابق رابطۀ (14) است.

که  لامیناریتی یا تعداد خطوط عمودی به طول  نامیده می‌شود و از رابطۀ (15) محاسبه می‌شود.

محاسبۀ  برای ‌هایی تحقّق می‌یابد که از  بیشتر شود تا اثر حرکت مماسی کاهش یابد. برای نگاشت‌ها،  مقدار مناسبی است.  وقوع وضعیّت‌های لایه‌ای در سیستم را نشان می‌دهد؛ بدون اینکه طول این فازهای لایه‌ای را توصیف کند. در صورتی‌ که RP شامل نقاط بازگشتی منفرد بیشتری نسبت به ساختارهای عمودی باشد،  کاهش خواهد یافت.

زمان به دام افتادن ( ­ ^[xxix])

زمان به دام افتادن، بیان‌کنندۀ میانگین طول خطوط عمودی با میزان طول بیشتر از   است و از رابطۀ (16) محاسبه می‌شود.

 میانگین زمانی را که سیستم در یک وضعیّت خاص پایدار می‌ماند، سیستم با سرعت خیلی کم تغییر می‌کند یا مدت‌زمان گرفتارشدن این سیستم را تخمین می‌زند.

بیشینۀ‌ طول خط عمودی ( )

بیشینهۀ طول خط عمودی مشابه با سنجش  است و بیان‌کنندۀ طولانی‌ترین خط عمودی است که با رابطۀ (17) محاسبه می‌شود.

که  تعداد مطلق خطوط عمودی است.

2-3-ماشین بردار پشتیبان (SVM)

ولادیمیر وپنیک ماشین بردار پشتیبان اولیه را در ۱۹۶۳ ابداع کرد و وپنیک و کورتز آن را در سال ۱۹۹۵  برای حالت غیرخطی تعمیم داد. SVM یک روش یادگیری با نظارت است و دو فاز آموزش و آزمون دارد [45]. درواقع SVM یک طبقه‌بندی دودویی است که دو دسته را با استفاده از یک خط مرزی از هم جدا می‌کند. مراحل یادگیری به‌صورت رابطۀ (18) است.

خروجی مدل به‌طور کلی   جزء است. بخش تبدیل غیرخطی مدل به‌وسیله  نشان داده شده است. این مدل برای به‌کارگیری SVM به‌صورت رابطۀ (19) است.

که در آن،   تابع هسته^[xxx]،   و  پارامترهای مدل،   تعداد داده برای آموزش،  بردار داده‌ها برای آموزش شبکه و  بردار مستقل است. پارامترهای مدل با حداکثرسازی تابع هدف تعیین می‌شود. در پیاده‌سازی از تابع هستۀ گوسین استفاده شده است. در این مدل، داده‌ها به‌صورت بردار استفاده می‌شوند. بخش کوچکی از داده‌های آموزش به‌عنوان بردار پشتیبان به کار برده می‌شوند. هدف SVM یافتن یک تابع خطی است که بهترین درون‌یابی را برای نقاط آموزش انجام می‌دهد. انتخاب پارامترها با سعی و خطا و ارزیابی نتایج حاصل از پارامترهای مختلف روی یک دادگان کوچک اولیه انجام شد و پس از تعیین پارامترهای بهینه، روش بر کل دادگان، اِعمال و نتایج آن استخراج شد. از LIBSVM در نرم‌افزار متلب برای پیاده‌سازی SVM استفاده شده است [45].

3- نتایج

به‌منظور دست‌یابی به نظر مصرف‌کننده، نسبت به هر کالا واکنش‌های مغزی مصرف‌کننده ثبت‌ شده است. برای رسیدن به اهداف پژوهش، در ابتدا به‌منظور حذف نویز و پیش‌پردازش از پالایۀ SG استفاده شده است. برای استخراج ویژگی از سیگنال EEG از روش‌های مختلف خطی و غیرخطی نظیر تخمین چگالی طیف توان به روش ولش، DFA­ و RQA­ استفاده شده است.

هشت ویژگی‌ استخراج‌شده از RQA شامل نرخ بازگشت، قطعیّت، متوسط طول خطوط قطری، بیشینۀ طول خط قطری، آنتروپی، لایه‌ای‌بودن، زمان به دام افتادن و بیشینۀ طول خط عمودی است. از جعبه‌ابزار CRP در نرم‌افزار MATLAB [43] برای استخراج ویژگی‌های آماری مربوط به سنجش RQA استفاده شده است. در شکل (5) ویژگی مختلف با RQA برای یک قطعه از سیگنال EEG محاسبه و ترسیم شده است.

شکل (5): نمایش مقادیر ویژگی‌های مختلف با RQA

ویژگی‌های استخراجی از RQA برای هر قطعه سیگنال با بُعد 1، تأخیر زمانی 1 و حد آستانۀ 0.2 و نُرم بیشینه محاسبه شده است. جدول (1) میانگین ویژگی‌های RQA استخراج‌شده را برای دو دستۀ پسندیدن و نپسندیدن نشان می‌دهد.

جدول (1): میانگین ویژگی‌هایRQA استخراج‌شده برای دو دستۀ پسندیدن و نپسندیدن

سپس ویژگی‌های محاسبه‌شده بر مبنای پسندیدن یا نپسندیدن یک کالا به کمک SVM دسته‌بندی شده‌اند. عملکرد آزمون با محاسبۀ پارامتر آماری مانند حساسیّت^[xxxi]، مشخصه^[xxxii] و صحّت مطابق رابطۀ (20) ارزیابی می‌شود.

توضیح ، ، ،   در رابطۀ (20) برای تمایز بین دو دستۀ پسندیدن و نپسندیدن به این شرح است؛  داده‌هایی که شخص، کالا را نپسندیده است و به‌درستی پسندیده‌نشدن کالا تشخیص داده شده است؛  داده‌هایی که شخص، کالا را پسندیده است و به‌درستی پسندیده‌شدن کالا تشخیص داده‌شده‌اند؛  داده‌هایی که شخص، کالا را پسندیده است؛ ولی به‌اشتباه پسندیده‌نشدن کالا تشخیص داده شده‌ است؛  داده‌هایی که شخص کالا را نپسندیده است؛ ولی به‌اشتباه پسندیده‌شدن کالا تشخیص داده‌ شده‌ است.

برای نمونه، در بررسی میزان صحّت پیش‌بینی آیتم Aکیف@ ازنظر دوست‌داشتن و دوست‌نداشتن، نمودار کارایی  SVM در شکل (6) آورده شده است.

شکل (6): نمودار کارایی ماشین بردار پشتیبان

با توجه به شکل (6)، SVM توانسته است با جلوگیری از آموزش بیش‌ازاندازه، در تکرار 17 آموزش را متوقف کند و به خطای MSE معادل 18.12 دست پیدا کند.

به‌منظور ارزیابی بهتر، از الگوریتم k-fold در آموزش استفاده ‌شده و سپس مدل، آموزش داده و آزمون شده است. 60 درصد داده برای آموزش، 30 درصد داده برای آزمون و 10 درصد برای اعتبارسنجی استفاده شده است و نتایج به ازای 5 بار تکرار گزارش شده‌اند. جدول (2) مقدار پارامترهای آماری حساسیّت، میزان عدم اشتراک و صحّت را نشان می‌دهد. طبق نتایج حاصل، مقدار پارامتر حساسیّت 67.6 درصد، میزان عدم اشتراک 74.9 درصد و میزان پارامتر صحّت 73.5 درصد است.

جدول (2): نمایش مقادیر پارامترهای حساسیّت، میزان عدم اشتراک و صحّت.

با توجه به جدول (2)، درصد صحّت روش پیشنهادی از روش‌ موجود قبلی روی دادۀ یکسان بهتر است [1] و افزایش 3.5 درصدی را نشان می‌دهد که این افزایش صحّت، بیشتر به دلیل استفاده از روش‌های آشوب‌گون است. شکل (7) درصد پسندیده‌شدن کالاهای فروشگاه را برای 25 مصرف‌کننده نشان می‌دهد.

این مدل یادگیری به‌منظور پیش‌بینی ترجیحات مصرف‌کننده و اصلاح محصولات در جهت مطابق‌بودن با سلیقۀ مشتری کاربرد دارد. همچنین، از نتایج حاصل از این پژوهش می‌توان به سبب افزایش یا کاهش موجودی یک کالا که رابطۀ مستقیم با حفظ مشتری دارد تا هنگام مراجعه به فروشگاه با اتمام موجودی مواجه نشود، می‌توان براساس میزان پسندیده‌شدن یا نپسندیدن آن کالا تصمیم گرفت.

شکل (7): نظر مصرف‌کننده در دو دستۀ پسندیدن به رنگ آبی و نپسندیدن به رنگ نارنجی

برای مقایسۀ روش پیشنهادی با پژوهش گذشته و بررسی نقاط قوت و ضعف، جدول (3) آورده شده است.

جدول (3): مقایسۀ روش پیشنهادی با پژوهش گذشته.

با توجه به جدول (3)، ویژگی‌های چگالی طیف توان، تبدیل موجک گسسته، آماری، DFA و RQA به‌ترتیب بهترین نتایج را حاصل کرده‌اند و همچنین، طبقه‌بندی‌کننده‌های PNN، SVM و KNN به‌ترتیب بهترین نتایج را حاصل کرده‌اند. از نتایج جدول (3) مشاهده می‌شود پژوهش [12] دارای بیشترین درصد صحّت و پژوهش [25] دارای کمترین درصد صحّت است؛ البته باید توجه داشت دادۀ بیشتر پژوهش‌ها متفاوت بوده است.

4- بحث و نتیجه‌گیری

فرآیند توسعۀ کسب‌وکار برنامه‌ای هدفمند و پویا است که به‌منظور بهبود عملکرد یک نام تجاری خاص تدوین می‌شود. اینگونه برنامه‌ها‌ به‌منظور رشد یک واحد تجاری شامل ایجاد برند، تبلیغات و تثبیت برند است. برای اینکه هریک از اجزای این برنامه به‌صورت کارآمد اجرا شوند، نیاز به اطلاعات دقیق از نیازهای مصرف‌کننده و واکنش مصرف‌کننده نسبت به کالا است.

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 تسلّط بر خواسته‌های مصرف‌کننده شده‌اند تا بازخورد بهتر و قوی‌تری از محصولات یا خدمات خود دریافت کنند. با توجه به حجم بالای محصولات، فراوانی تبلیغات و سلیقه‌های مختلف، علوم اعصاب شناختی به ابزارهای مهم و حیاتی برای واحدهای تجاری تبدیل شده و زمینۀ جدید بازاریابی عصبی پا به عرصۀ علم گذاشته است.

در این مقاله با استفاده از سیگنال EEG به تحلیل رفتار مصرف‌کننده و پیش‌بینی ترجیحات شرکت‌کنندگان برای انتخاب محصول پرداخته ‌شده است. فعالیّت مغزی 25 شرکت‌کننده در هنگام تماشای 14 محصول مختلف اینترنتی در سه نوع متفاوت که جمعاً 42 تصویر نمایش داده‌، جمع‌آوری ‌شده است. شواهد نشان دادند سیگنال EEG ماهیّتی آشوب‌گون دارد؛ بنابراین، از روش‌های آشوب‌گون غیرخطی نیز استفاده شده است. استخراج ویژگی با روش‌های ولش، تحلیل نوسان روند زدایی شده و تحلیل کمّی بازگشت انجام شده است و طبقه‌بند استفاده‌شده، ماشین بردار پشتیبان با تابع هستۀ گوسین است. نتایج نشان می‌دهند دو دستۀ پسندیدن و نپسندیدن یک کالا با میزان صحّت 73.5 درصد طبقه‌بندی می‌شوند که در مقایسه با پژوهش گذشته 3.5 درصد بهبود در نتایج دیده می‌شود [1]؛ این افزایش درصد صحّت بیشتر به دلیل استفاده از روش‌های آشوب‌ در تجزیه‌وتحلیل و نزدیک‌بودن به ماهیّت آشوب‌گون سیگنال EEG است. نتایج نشان می‌دهند روش پیشنهادی، راه‌حل مکمل برای اقدامات سنتی پیش‌بینی موفقیّت محصول در بازار ارائه می‌دهد. همچنین، روش پیشنهادی در توسعۀ استراتژی‌های بازار، پژوهش و پیش‌بینی موفقیّت بازار با گسترش مدل‌های موجود استفاده می‌شود.

نتیجۀ حاصل از این پژوهش می‌تواند به‌عنوان مکمل روش‌های سنتی در تعیین استراتژی‌های بازار نظیر طراحی محصول از ابتدا و اصلاح مجدد محصول، ارتقای تبلیغات تجاری و افزایش تأثیرگذاری، ایجاد برند و عملیاتی‌کردن آن، به‌خاطرسپاری برند، شناخت بهتر مصرف‌کننده و آگاهی کامل از نیازهای مصرف‌کننده استفاده شود که این به کاهش هزینه‌های تولید و افزایش فروش و سود واحدهای تجاری و مطابقت بیشتر کالا با نیازهای مصرف‌کننده، منجر و مصرف‌کننده تبدیل به یک مصرف‌کننده وفادار می‌شود و جذب و حفظ مصرف‌کننده، کلیدهای اصلی برای رشد یک واحد تجاری است. ایجاد یک مدل تجاری براساس یافته‌های بازاریابی عصبی باعث افزایش سود، افزایش رضایت مشتری و درنهایت، جلوگیری از شکست یک برند خواهد شد و تا حدودی می‌تواند موفقیّت یک کسب‌وکار را تضمین کند.

در مطالعۀ حاضر، پاسخ جعلی نسبت به اولویّت محصول تحلیل نشده است؛ بنابراین، رویکردهای مقابله با پاسخ‌های جعلی می‌تواند در پژوهش‌های آینده مطالعه شود. علاوه بر این، یک انتخاب بی‌طرف برای محصولات نیز می‌تواند استفاده شود تا ترجیحات بیشتری را برای شرکت‌کنندگان فراهم کند. همچنین، استفاده از دادۀ ردیابی حرکات چشم نیز در تحلیل‌ها مفید است.

تاریخ ارسال مقاله: 29/05/1400

تاریخ پذیرش مقاله: 18/11/1400

نام نویسندۀ مسئول: سیّدعابد حسینی

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

[i] Neuromarketing

[ii] Electroencephalography

[iii] Magnetoencephalography

[iv] functional Magnetic Resonance Imaging

[v] Positron Emission Tomography

[vi] Transcranial Magnetic Stimulation

[vii] Event Related Potential

[viii] Galvanic Skin Response

[ix] Electromyography

[x] Plethysnography

[xi] Heart Rate Variability

[xii] Striatum

[xiii] Probabilistic Neural Network

[xiv] Detrended Fluctuation Analysis

[xv] K Nearest Neighbors

[xvi] The Rum Diary

[xvii] Support Vector Machine

[xviii] Common Mode Sense

[xix] Driven Right Leg

[xx] Savitzky–Golay filter

[xxi] Welch

[xxii] Recurrence Quantification Analysis

[xxiii] Recurrence Plots

[xxiv] Heaviside

[xxv] Recurrence Rate

[xxvi] Determinism

[xxvii] Theiler

[xxviii] Laminarity

[xxix] Trapping Time

[xxx] Kernel function

[xxxi] Sensitivity

[xxxii] Specificity