Nöropazarlama araştırmaları için EEG bağlantısallık analizi ile tüketici karar alma tercihlerinin belirlenmesi

Year 2026, Volume: 15 Issue: 1, 1 - 1

Nagihan İlhan , Eda Dağdevir

Abstract

Bu çalışmada, EEG sinyallerinden çıkarılan işlevsel bağlantısallık ölçümleri kullanılarak bireylerin satın alma kararlarının sınıflandırılmasını amaçlamaktadır. NeuMa veri seti kullanılarak, her deneğe ait EEG kayıtlarından üç farklı bağlantısallık ölçütü olan Faz Kilitleme Değeri (FKD), Koherens ve Karşılıklı Bilgi (KB) öznitelikleri elde edilmiştir. Elde edilen öznitelikler, Destek Vektör Makineleri (DVM), K-En Yakın Komşu (KEYK), Rastgele Orman (RO) ve Yapay Sinir Ağları (YSA) gibi dört farklı makine öğrenme yöntemiyle sınıflandırılmıştır. Sınıflandırma performansı, doğruluk, duyarlılık, kesinlik ve F1-skoru ve sınıflandırma eğitim süresi metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, en yüksek doğruluk oranı %89.93 ile RO algoritmasında ve tüm özniteliklerin birlikte kullanıldığı durumda elde edilmiştir. En hızlı eğitim süresi ise FKD özniteliklerinin kullanıldığı model de DVM sınıflandırıcısı ile 3.2 s olarak elde edilmiştir. Sonuç olarak, EEG tabanlı bağlantısallık ölçümlerinin tüketicilerin karar alma durumlarının modellenmesinde oldukça etkim olduğu ortaya konmuştur. Bu nedenle bu çalışmada oluşturulan model, özellikle nöropazarlama, zihinsel sağlık takibi ve beyin-bilgisayar arayüzü uygulamalarında potansiyel kullanım alanlarına sahiptir.

Keywords

Nöropazarlama , EEG , Sinyal işleme , Yapay Zekâ , Makine Öğrenmesi

Determining consumer decision-making preferences with EEG connectivity analysis for neuromarketing research

Abstract

This study aims to classify decisions of consumer using functional connectivity measures extracted from EEG signals. Three different connectivity measures, such as; Phase Locking Value (PLV), Coherence and Mutual Information (MI) are obtained from the EEG signals of each subject in the NeuMa dataset. The obtained features are classified by four different machine learning methods such as Support Vector Machines (SVM), K-Nearest Neighbour (KNN), Random Forest (RF) and Artificial Neural Networks (ANN). Classification performance is evaluated using accuracy, sensitivity, precision and F1-score and classification training time metrics. According to the results, the highest accuracy rate of 89.93% was obtained in the RF algorithm and when all features were used together. The fastest training time is obtained as 3.2 s with the SVM classifier in the model with only PLV features. Consequently, EEG-based connectivity measurements are quite effective in modelling consumer decision-making process. Therefore, the signal processing model developed in this study has potential areas of use, especially in neuromarketing, mental health monitoring and brain-computer interface applications.

Keywords

Neuromarketing , EEG , Signal processing , Artificial Intelligence , Machine Learning

References

• B. Ceylan, S. Tüzün and A. Aydın, Detection of consumer preferences using EEG signals. International Journal of Applied Mathematics Electronics and Computers,8(4), 289–294, 2020. https://doi.org/10.181 00/ijamec.802214
• E. Dağdevir, Reklam izlenimi sırasında fizyolojik parametrelerin analizine dayalı tüketici tercihlerinin sınıflandırılması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 40(2), 421–429, 2024.
• S. M. Usman, S. Khalid, A. Tanveer, A. S. Imran and M. Zubair, Multimodal consumer choice prediction using EEG signals and eye tracking. Frontiers in Computational Neuroscience, 18, 1516440, 2025. https://doi.org/10.3389/fncom.2024.1516440
• K. Georgiadis, F. P. Kalaganis, N. A. Laskaris, S. Nikolopoulos, and I. Kompatsiaris, Assessing video advertising engagement via nonlinear intersubject correlation analysis of EEG and eye tracking dynamics. 2024 32nd European Signal Processing Conference (EUSIPCO), pp. 957–961, 2024.
• I. Yfantidou, G. Tsourvakas, V. P. Oikonomou and I. Kompatsiaris, Consumer response to different discount sales promotional messages. An eye tracking and EEG experiment. 2024 32nd European Signal Processing Conference (EUSIPCO), pp. 962–966, 2024.
• J. F. Sedehi, N. J. Dabanloo, K. Maghooli, and A. Sheikhani, Develop an emotion recognition system using common connectivity between electroencephalogram and electrocardiogram signals. Heliyon, 11(2), 2025. https://doi.org/10.1016/j. heliyon.2025.e39811
• M. Ouzir, H. C. Lamrani, R. L. Bradley and I. El Moudden, Neuromarketing and decision-making: Classification of consumer preferences based on changes analysis in the EEG signal of brain regions. Biomedical Signal Processing and Control, 87, 105469, 2024. https://doi.org/10.1016/j.bspc.2023.105469
• A. Tyagi and V. Nehra, Classification of motor imagery EEG signals using SVM, k-NN and ANN. CSI Transactions on ICT, 4(2), 135–139, 2016. https://doi. org/10.1007/s40012-016-0091-2
• C. Liu, B. Tan, M. Fu, J. Li, J. Wang, F. Hou and A. Yang, Automatic sleep staging with a single-channel EEG based on ensemble empirical mode decomposition. Physica A: Statistical Mechanics and its Applications, 567, 125685, 2021. https://doi.org/10. 1016/j.physa.2020.125685
• M. Núñez-Cansado, G. C. Méndez and D. Juárez-Varón, Analysis of the residual effect using neuromarketing technology in audiovisual content entrepreneurship. Sustainable Technology and Entrepreneurship, 3(3), 100069, 2024. https://doi.org/ 10.1016/j.stae.2023.100069
• K. Georgiadis, F. P. Kalaganis, V. P. Oikonomou, S. Nikolopoulos, N. A. Laskaris and I. Kompatsiaris, Harneshing the potential of EEG in neuromarketing with deep learning and Riemannian geometry. In International Conference on Brain Informatics, pp. 21-32, Switzerland,2023.
• K. Georgiadis, F. P. Kalaganis, K. Riskos, E. Matta, V. P. Oikonomou and I. Yfantidou, NeuMa—the absolute neuromarketing dataset en route to an holistic understanding of consumer behaviour. Scientific Data, 10(1), 508, 2023. https://doi.org/10.1038/s41597-023-02392-9
• M. Aldayel, M. Ykhlef and A. Al-Nafjan, Deep learning for EEG-based preference classification in neuromarketing. Applied Sciences, 10(4), 1525, 2020. https://doi.org/10.3390/app10041525
• O. Bazgir, Z. Mohammadi and S. A. H. Habibi, Emotion recognition with machine learning using EEG signals. IEEE 25th National and 3rd International Iranian Conference on Biomedical Engineering (ICBME), 1–5, 2018.
• J. P. Lachaux, E. Rodriguez, J. Martinerie and F. J. Varela, Measuring phase synchrony in brain signals. Human Brain Mapping, 8(4), 194–208, 1999. https://doi.org/10.1002/(sici)1097-0193(1999)8:4<194 ::aid-hbm4>3.0.co;2-c
• P. L. Nunez and R. Srinivasan, Electric Fields of the Brain: The Neurophysics of EEG, Oxford University Press, 2006.
• T. Cover and P. Hart, Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27, 1967. https://doi.org/10.1109/T IT.1967.1053964