طبقه بندی کننده

درک چگونگی تصمیم گیری مصرف کنندگان، یکی از مباحث موردتوجه پژوهشگران، بازاریابان و مدیران صنعتی است. در این مقاله از سیگنال های مغزی (EEG) 25 شرکت کننده در زمان مشاهده 14 محصول مختلف استفاده شده است. ابتدا سیگنال های EEG پیش پردازش شده و سپس ویژگی هایی از طیف های مرتبه بالا (HOS) به صورت مجموع اندازه دوطیفی ها، مجموع مربع اندازه دوطیفی ها، مجموع اندازه دوهمدوسی ها و مجموع مربع اندازه دوهمدوسی ها در هریک از 10 محدوده صفحه دوفرکانسی و همچنین در کل محدوده فرکانسی و ویژگی های آزمون هاینیچ نظیر مقدار خی دو (CSV)، اﺣﺘﻤﺎل ﻫﺸﺪار ﮐﺎذب (Pfa) وLambda  به منظور بررسی ارتباط حالت های دوست داشتن و دوست نداشتن محصول استخراج شده است. جمعاً 48 ویژگی برای هر کانال سیگنال EEG محاسبه شده که با احتساب 14 کانال برای هر نمونه 672 ویژگی به دست آمده است. ویژگی های برتر به کمک الگوریتم ژنتیک (GA) و روش نزدیک ترین همسایه در مدل رپر انتخاب شد و درنهایت با شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) طبقه بندی شد. در مرحله انتخاب ویژگی، 206 ویژگی حاصل شد. نتایج نشان داد مدل پیشنهادی به کمک SVM با هسته گوسی توانسته به طور میانگین روی کلیه کاربران به صحت 73.24درصد برسد؛ بنابراین، مشاهده می شود روش پیشنهادی عملکرد مناسبی در تشخیص حالت های دوست داشتن و دوست نداشتن محصول دارد و در کاربرد بازاریابی عصبی مفید است.