عنوان
طبقه‌بندي علاقه/عدم علاقه بر پايه الكتروانسفالوگرام توسط روش‌هاي مبتني بر يادگيري عميق
نويسنده اصلي
سردادور، فاطمه
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي پزشكي
مقطع تحصيلي
كارشناسي ارشد
چكيده
بازاريابي عصبي يكي از نوين‌ترين مباحث در علوم اعصاب به شمار مي‌رود. در اين مبحث به تشخيص، بررسي و پيش‌بيني عواطف مشتريان در زمان تصميم‌گيري براي خريد يك محصول پرداخته مي‌شود. روش‌هاي سنتي بازاريابي همچون طراحي پرسش‌نامه و نظرسنجي با توجه به عوامل محيطي، اخلاقي و محدوديت‌هاي زماني كارآمد نبوده و با خطا همراه هستند. بازاريابي عصبي با ايجاد امكان دسترسي به اطلاعات مغز انسان، اين موانع را حذف نموده و امكان دست‌يابي به داده‌هاي دقيق‌تر را فراهم مي‌سازد. از اولين گام‌ها در پيشبرد اين علم نوين، طراحي و ارزيابي الگوريتم‌هاي تشخيص و طبقه‌بندي عواطف توسط روش‌هاي مبتني بر هوش مصنوعي است.
در دهه اخير، تحقيقات متعددي در زمينه طبقه‌بندي علايق مشتريان به كمك هوش مصنوعي انجام شده است. اين تحقيقات در دو دسته كلي بررسي الگوريتم‌هاي يادگيري ماشين و يادگيري عميق پياده‌سازي شده و از داده‌هاي استخراج شده از انواع سيگنال‌هاي بيولوژيكي بدن استفاده مي‌كنند. يكي از پركاربردترين رويكردهاي طبقه‌بندي عواطف، تحليل و بررسي سيگنال‌هاي الكتروانسفالوگرام است. براي مثال در يكي از جديدترين مطالعات بازاريابي عصبي، با تحليل سيگنال‌هاي EEG داوطلبان در هنگام مشاهده تعدادي تصوير از كفش‌هاي ورزشي، ميزان صحت طبقه‌بندي علايق توسط الگوريتم‌هاي يادگيري ماشين ارزيابي شده است. در نمونه‌اي ديگر از مطالعات اخير، به بررسي ويژگي‌هاي خطي و غيرخطي سيگنال EEG در مواجهه با شرايط تصميم‌گيري پرداخته شده و ميزان فعاليت نواحي مختلف مغز در گروه‌هاي جنسيتي زنان و مردان مورد مطالعه قرار گرفته است. همچنين، در تعدادي از اين مطالعات، به بررسي عملكرد الگوريتم‌هاي يادگيري عميق و مقايسه آن‌ها با الگوريتم‌هاي يادگيري ماشين پرداخته شده است. نتايج اين مطالعات محققين را به استفاده بيشتر از مدل‌هاي يادگيري عميق تشويق كرده‌اند.
در اين مطالعه، عملكرد الگوريتم‌هاي مبتني بر هوش مصنوعي در طبقه‌بندي علايق مشتريان به دو دسته علاقه / عدم علاقه ارزيابي مي‌شود. در اين جهت، الگوريتم‌هاي طبقه‌بندي SVM، KNN و RF به همراه دو معماري پيشنهادي مبتني بر شبكه‌هاي عصبي عميق شامل شبكه كاملا متصل و كانولوشني مورد بررسي قرار مي‌گيرند. داده‌هاي ورودي اين الگوريتم‌ها در قالب ويژگي‌هاي مبتني بر چگالي طيف توان، از سيگنال‌هاي EEG اخذ شده موجود در ديتاست عمومي DEAP استخراج مي‌شوند. نتايج نهايي گزارش شده حاكي از آن است كه الگوريتم KNN با صحت طبقه‌بندي 85% در مقايسه با ساير الگوريتم‌هاي يادگيري ماشين بهترين عملكرد را داشته است. همچنين، صحت طبقه‌بندي در دو شبكه عصبي پيشنهادي مقادير تقريبا يكسان 84% گزارش شده¬اند. مقايسه نتايج نهايي با مطالعات پيشين نشان مي‌دهد، بررسي فعاليت مغز در نواحي پيشاني و جلوي پيشاني براي تشخيص و طبقه‌بندي علايق مشتريان مطلوب¬اند. همچنين، الگوريتم‌هاي مبتني بر يادگيري عميق در طبقه‌بندي علايق، با الگوريتم‌هاي سنتي يادگيري ماشين رقابت مي‌كنند. در ادامه اين تحقيق، تعميم‌پذيري الگوريتم‌هاي طبقه‌بندي با استفاده از ديتاست محلي IUTED ارزيابي مي‌شود. اين ديتاست در آزمايشگاه مهندسي پزشكي دانشگاه صنعتي اصفهان اخذ و جمع‌آوري شده و نسخه‌اي كوچك‌تر و الهام گرفته از ديتاست عمومي DEAP است. با استخراج ويژگي‌هاي موردنظر از داده‌هاي اين ديتاست و اعمال آن به الگوريتم‌هاي طبقه‌بندي مورد استفاده در بخش پيشين، صحت طبقه‌بندي محاسبه مي‌شود. نتايج نهايي گزارش شده نشان مي‌دهند كه علي رغم كيفيت كم‌تر ديتاست محلي نسبت به ديتاست عمومي، مدل‌هاي شبكه عصبي كاملا متصل و كانولوشني قادر به ارائه صحت طبقه‌بندي مطلوب بوده‌اند. اين امر حاكي از تعميم‌پذيري بالاي ساختارهاي پيشنهادي است.
شماره ركورد
228338
گرايش رشته تحصيلي
بيوالكتريك
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان