机构名称：
¥ 1.0
神经营销已关注弥合传统营销研究与脑电图（EEG）基于脑部计算机界面（BCI）研究之间的差距。它通过偏好预测确定客户实际想要的东西。基于EEG的偏好检测系统的性能取决于适当的特征提取技术和机器学习算法。在这项研究中，我们使用脑电图指数的不同特征组合和不同算法进行特征提取和分类检查了神经营销数据集的偏好检测。对于EEG特征提取，我们采用了离散小波变换（DWT）和功率谱密度（PSD），这些变换（PSD）用于测量基于EEG的偏好指数，从而提高了偏好检测的准确性。此外，我们将深度学习与其他传统的分类器进行了比较，例如K-Neartime（KNN），支持向量机（SVM）和随机森林（RF）。我们还研究了偏好指标对分类算法性能的影响。通过严格的局部分析，我们研究了偏好检测和分类的计算智能。拟议的深神经网络（DNN）的性能在准确性，精度和召回方面优于KNN和SVM；但是，RF获得的结果与同一数据集类似于DNN的结果。
通过分析和分类eeg信号对消费者偏好的认可
主要关键词
相关文件推荐
