EUVIMEDEUVIMED entdecken
Crossref

Μια αποδοτική μεθοδολογία Βαθιάς Μάθησης με Riemannian Γεωμετρίας για έρευνα Neuromarketing βασισμένη σε ηλεκτροεγκεφαλογράφημα (EEG)

Georgios Nousias

Aristotle University of Thessaloniki · 01.01.2024

DOI: 10.26262/heal.auth.ir.361221 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Georgios Nousias.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Η ραγδαία ανάπτυξη του neuromarketing, η περιέργεια του ανθρώπου για την κατανόηση της λειτουργίας του ανθρώπινου εγκεφάλου, καθώς και τί είναι αυτό που οδηγεί ένα άτομο στον να λάβει μια απόφαση, πόσο μάλλον να προτιμήσει ένα προϊόν από ένα άλλο, έχει τραβήξει την προσοχή των ερευνητών και των ειδικών στο πεδίο της νευρο-επιστήμης και της διαφήμισης, αντίστοιχα, τα τελευταία χρόνια. Το πιο συχνά προτιμητέο και πιο περιγραφικό σήμα που χρησιμοποιείται στην νευρο-επιστήμη και το neuromarketing για την μελέτη της λειτουργίας του εγκεφάλου είναι το ηλεκτροεγκεφαλογράφημα ή αλλιώς EEG. Η τεράστια εξέλιξη της βαθιάς μάθησης και των υπολογιστικών πόρων αλλά και των χαρακτηριστικών του EEG (φθηνό, μη επεμβατικό και φορητό), έχει οδηγήσει στην πρόταση διάφορων μελετών που προσπαθούν να δώσουν απάντηση στα παραπάνω ερωτήματα. Σε αυτή την εργασία, σε αντίθεση με άλλες πιο περίπλοκες και με μεγάλο πλήθος αρχιτεκτονικές, μια πιο απλή αλλά αποτελεσματική αρχιτεκτονική παρουσιάζεται, συνδυάζοντας την ισχύ των πλήρως συνδεδεμένων νευρών (fully connected layers), του μηχανισμού “προσοχής” των transformers και των αρχών της Riemannian γεωμετρίας. Η προτεινόμενη αρχιτεκτονική αξιολογήθηκε σε ένα πρόσφατο, πολλαπλών συμμετεχόντων, neuromarketing σύνολο δεδομένων, το οποίο προέκυψε όταν οι συμμετέχοντες επέλεγαν ένα προϊόν από ένα ηλεκτρονικό διαφημιστικό έντυπο. Οι φιλτραρισμένοι, με βάση τις τιμές συχνοτήτων των εγκεφαλικών κυμάτων, πίνακες συνδιακύμανσης υπολογίζονται και χρησιμοποιούνται ως περιγραφείς. Το κεντράρισμα των δεδομένων αποτελεί κομμάτι της μεθοδολογίας, προτού τα δεδομένα τροφοδοτηθούν σε έναν δυαδικό ταξινομητή για την επιλογή της απόφασης (“Αγορά”-“Οχι αγορά”). Το προτεινόμενο σχήμα πετυχαίνει καλή γενίκευση στα δεδομένα που δόθηκαν, κάνοντας σωστές προβλέψεις όταν δίνονται περιγραφείς που δεν τους έχει ξαναδεί, εκμεταλλευόμενο την ανάπτυξη της βαθιάς μάθησης και των αρχών της Riemannian γεωμετρίας.

Schlagwörter

neuromarketingEEGRiemannian geometrydeep learningpurchase decisionproduct preferenceconsumer behaviormarket analysisEEG classification

Zitieren

APA

Nousias, G. (2024). Μια αποδοτική μεθοδολογία Βαθιάς Μάθησης με Riemannian Γεωμετρίας για έρευνα Neuromarketing βασισμένη σε ηλεκτροεγκεφαλογράφημα (EEG). Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.361221

Vancouver

Nousias G. Μια αποδοτική μεθοδολογία Βαθιάς Μάθησης με Riemannian Γεωμετρίας για έρευνα Neuromarketing βασισμένη σε ηλεκτροεγκεφαλογράφημα (EEG). Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.361221

BibTeX
@article{Nousias2024,
  author = {Nousias, Georgios},
  title = {Μια αποδοτική μεθοδολογία Βαθιάς Μάθησης με Riemannian Γεωμετρίας για έρευνα Neuromarketing βασισμένη σε ηλεκτροεγκεφαλογράφημα (EEG)},
  journal = {Aristotle University of Thessaloniki},
  year = {2024},
  doi = {10.26262/heal.auth.ir.361221}
}
Kostenlos starten →