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.

مقدمه: استرس طولانی مدت اثرات منفی زیادی دارد. لذا شناسایی وضعیت استرس در زندگی روزمره می تواند راه حلی پیشگیرانه برای کنترل عوامل استرس زا باشد. اندازه گیری مقاومت پوست گالوانیکی (GSR) می تواند برای گرفتن پاسخ های عصبی خودمختار در زمان استرس استفاده شود. هدف این مطالعه استفاده از GSR برای طبقه بندی استرس ناشی از آزمون استروپ رنگ_کلمه در مردان ایرانی بود. روش کار: بخش اول: طراحی و مونتاژ دستگاه: 1) ماژول حسگرهای رسانایی پوست (GSR)، 2) ماژول STMf032k6t6، 3) ماژول .Ac بخش دوم: طراحی پروتکل استرس، ضبط داده ها و ماشین یادگیری برای سطح استرس طبقه بندی شده. 21 مرد جوان داوطلب، آزمون استروپ کلمه و رنگ انجام دادند. داده های GSR به بخش های 10 ثانیه ای تقسیم شدند، ویژگی های استخراج شده شامل میانگین، میانه، انحراف معیار شدت سیگنال، حداکثر، حداقل، متوسط ​​باند فرکانس پایین و بالا و انحراف معیار آنها، شیب خط و تعداد بار عبور از خط صفر سیگنال GSR بود. یافته ها: نتایج نشان داد که شاخص های مورد بررسی GSR بین استراحت و سه حالت استرس کم، متوسط و زیاد تفاوت معنادار وجود دارد. همچنین با استفاده از روش یادگیری ماشین و الگوریتم Lunberg-Marquardt داده ها با دقت 92/63 درصد قابل دسته بندی به چهار حالت استراحت، استرس کم، متوسط و زیاد بودند. بر اساس این نتایج، حساسیت طبقه بندی کننده به حالت استراحت کمتر از سایر حالت ها است. این مقدار برای تنش متوسط بالاتر بود. نتیجه گیری: الگوریتم Lunberg-Marquardt نشان داد که شاخص های GSR حساس به درجه سختی آزمون استروپ به عنوان عامل سنجش شرایط استرس زا هستند.