TY  - JOUR
T1  - Reklam İzlenimi Sırasında Fizyolojik Parametrelerin Analizine Dayalı Tüketici Tercihlerinin Sınıflandırılması
AU  - Dağdevir, Eda
PY  - 2024
DA  - August
Y2  - 2024
JF  - Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi
PB  - Erciyes Üniversitesi
WT  - DergiPark
SN  - 1012-2354
SP  - 420
EP  - 428
VL  - 40
IS  - 2
LA  - tr
AB  - Son yıllarda nöropazarlama, tüketici davranışlarını anlamak için nörobilim yöntemlerini pazarlamaya entegre eden önemli bir strateji olarak ortaya çıkmıştır. Bu alanda, elektroensefalografi gibi beyin sinyali analiz yöntemleri ve vücut sıcaklığı, fotopletismografi, kardiyak ritim, elektro dermal aktivite, yüz ifadeleri gibi çeşitli fizyolojik ve fiziksel parametreler kullanılarak tüketici tercihleri analiz edilmektedir. Nöropazarlama, tüketicilerin ürün ve medya deneyimlerine verdikleri duyusal tepkileri analiz ederek, pazarlama stratejilerini anlamayı ve optimize etmeyi amaçlar. Bu çalışmada, "NeuroBioSense" veri seti kullanılarak 18-70 yaş arasındaki 58 katılımcıya, kozmetik ve moda, araba ve teknoloji, gıda ve market kategorilerine ait 35 reklamlar izletilirken toplanan; kalp hacmi basıncı, elektro dermal aktivite ve vücut sıcaklığı gibi fizyolojik parametreler farklı makine öğrenimi algoritmalarıyla sınıflandırılarak analiz edilmiştir. Sonuçlar, segmentasyon teknikleri kullanılarak çıkarılan kalp hacmi basıncı özniteliklerinin ham verilere göre daha yüksek sınıflandırma doğruluğu sağladığını göstermektedir. Özellikle SVM algoritması, diğer sınıflandırıcılara göre daha yüksek performans sergilemiştir. Bu çalışma, nöropazarlamada fizyolojik sinyallerin analizinin tüketici tercihlerini anlamada etkili bir yöntem olduğunu ortaya koymakta ve "NeuroBioSense" veri setini kullanacak araştırmacılara karşılaştırma olanağı sunmaktadır.
KW  - Nöropazarlama
KW  - Fizyolojik Sinyal
KW  - Sinyal İşleme
KW  - Sınıflandırma
KW  - Makine Öğrenimi
CR  - Aldayel, M., Ykhlef, M., Al-Nafjan, A. 2021. Recognition of consumer preference by analysis and 
classification EEG signals. Frontiers in Human Neuroscience. 14, 604639.
CR  - Ceylan, B., TÜZÜN, S., Aydın, A. 2020. Detection of Consumer Preferences Using EEG Signals. International 
Journal of Applied Mathematics Electronics and Computers. 8 (4), 289–294.
CR  - Aldayel, M., Ykhlef, M., Al-Nafjan, A. 2020. Deep learning for EEG-based preference classification in 
neuromarketing. Applied Sciences. 10 (4), 1525.
CR  - Alsharif, A., Salleh, N.Z.M., Pilelienė, L., Abbas, A.F., Ali, J. 2022. Current Trends in the Application of EEG in 
Neuromarketing: A Bibliometric Analysis. Scientific Annals of Economics and Business. 69 (3), 393–415.
CR  - Antiopi, P., Kalaitzi, E., Fidas, C.A. 2024. A Review on the Use of EEG for the Investigation of the Factors that 
Affect Consumer’s Behavior. Physiology & Behavior. 114509.
CR  - Byrne, A., Bonfiglio, E., Rigby, C.,Edelstyn, N. 2022. A systematic review of the prediction of consumer 
preference using EEG measures and machine-learning in neuromarketing research. Brain Informatics. 9 
(1), 27.
CR  - Hammou, K.A., Galib, M.H.,Melloul, J. 2013. The contributions of neuromarketing in marketing research.
CR  - Journal of management research. 5 (4), 20. 
Telpaz, A., Webb, R., Levy, D.J. 2015. Using EEG to predict consumers’ future choices. Journal of Marketing 
Research. 52 (4), 511–529.
CR  - Morin, C. 2011. Neuromarketing: the new science of consumer behavior. Society. 48 (2), 131–135.
CR  - Murugappan, M., Murugappan, S., Gerard, C. 2014. Wireless EEG signals based neuromarketing system 
using Fast Fourier Transform (FFT). içinde: 2014 IEEE 10th Int. Colloq. signal Process. its Appl., IEEE, ss. 
25–30.
CR  - Hakim, A., Klorfeld, S., Sela, T., Friedman, D., Shabat-Simon, M.,Levy, D.J. 2021. Machines learn 
neuromarketing: Improving preference prediction from self-reports using multiple EEG measures and 
machine learning. International Journal of Research in Marketing. 38 (3), 770–791.
CR  - Soria Morillo, L.M., García, J.A.A., Gonzalez-Abril, L., Ramirez, J.A.O. 2015. Advertising liking recognition 
technique applied to neuromarketing by using low-cost EEG headset. içinde: Bioinforma. Biomed. Eng. 
Third Int. Conf. IWBBIO 2015, Granada, Spain, April 15-17, 2015. Proceedings, Part II 3, Springer, ss. 701– 
709.
CR  - Guixeres, J., Bigné, E., Ausin Azofra, J.M., Alcaniz Raya, M., Colomer Granero, A., Fuentes Hurtado, F. 2017. 
Consumer neuroscience-based metrics predict recall, liking and viewing rates in online advertising. 
Frontiers in psychology. 8 1808.
CR  - Garczarek-Bąk, U. 2018. Explicit and implicit factors that determine private labels’ possible purchase: 
Eyetracking and EEG research. International Journal of Management and Economics. 54 (1), 36–49.
CR  - Yadava, M., Kumar, P., Saini, R., Roy, P.P., Prosad Dogra, D. 2017. Analysis of EEG signals and its application 
to neuromarketing. Multimedia Tools and Applications. 76 19087–19111.
CR  - Kocaçınar, B., İnan, P., Zamur, E.N., Çalşimşek, B., Akbulut, F.P., Catal, C. 2024. NeuroBioSense: A 
Multidimensional Dataset for Neuromarketing Analysis. Data in Brief. 110235.
CR  - Murugappan, M., Nagarajan, R., Yaacob, S. 2011. EEG Sinyalleri Kullanarak İnsan Duygularını 
Sınıflandırmak için Mekansal Filtreleme ve Dalgacık Dönüşümünü Birleştirmek. Tıbbi ve Biyoloji 
Mühendisliği Dergisi. 31 (1), 45–51.
CR  - Singh, A.K. Krishnan, S. 2023. ECG signal feature extraction trends in methods and applications. BioMedical 
Engineering OnLine. 22 (1), 22.
CR  - Dagdevir, E., Tokmakci, M. 2021. Optimization of preprocessing stage in EEG based BCI systems in terms 
of accuracy and timing cost. Biomedical Signal Processing and Control. 67 102548.
CR  - Altman, N.S. (1992) An introduction to kernel and nearest-neighbor nonparametric regression. The 
American Statistician. 46 (3), 175–185.
CR  - Vapnik, V. 1995. Support-vector networks. Machine learning. 20 273–297.
CR  - Breiman, L. 2001. Random forests. Machine learning. 45 5–32.
UR  - https://dergipark.org.tr/tr/pub/erciyesfen/issue//1489375
L1  - https://dergipark.org.tr/tr/download/article-file/3953388
ER  -