Geri Dön

Comparing the effectiveness of graph neural networks and machine learning algorithms for fNIRS-based neuromarketing research

FNIRS tabanlı nöropazarlama araştırmalarında çizge sı̇nı̇r ağları ile makı̇ne öğrenimi algorı̇tmalarının karşılaştırılması

PDF İndir

  1. Tez No: 920192
  2. Yazar: ATAKAN GÜNGÖR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TUNA ÇAKAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Mef Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Fonksiyonel yakın kızılötesi spektroskopinin (fNIRS) maliyet ve taşınabilirlik açısından diğer beyin görüntüleme yöntemlerine göre bazı avantajları vardır. Bu nedenle nöropazarlama alanında kullanımı gittikçe artmaktadır. Ancak fNIRS, sağladığı avantajların yanında bazı zorlukları da beraberinde getirmektedir. Çok kanallı ölçüm ve yüksek zamansal çözünürlük gibi özellikler nedeniyle fNIRS verilerinin doğası karmaşık ve çok boyutludur [7]. Nöropazarlama araştırmacıları, bu zorlukların üstesinden gelebilmek için makine öğrenimi algoritmalarından yararlanmıştır. Bu çalışmalar incelendiğinde başarılı sonuçların ortaya çıktığı görülmüştür. Makine öğrenimi, nöropazarlama araştırmacılarının yanı sıra çizge üzerinde çalışan araştırmacıları da etkilemiştir. Böylece yapay sinir ağlarının çizge veri yapılarına uygulanmasına izin veren çizge sinir ağları ortaya çıkmıştır. Beynin fonksiyonel bağlantılar kullanılarak çizge yapısı şeklinde modellenebilmesi [14] ve fNIRS'in yüksek zamansal çözünürlüğü sayesinde [7], çizge sinir ağları ile fNIRS'in birlikte kullanıldığı nörogörüntüleme çalışmaları mevcuttur. Ancak başarılı sonuçlara rağmen bu kombinasyona yer veren nöropazarlama araştırmasına rastlanmamıştır. Bu nedenle bu çalışmada, çizge sinir ağlarının fNIRS temelli nöropazarlama alanındaki performansı incelenmiş ve bu bağlamda başarılı sonuçlar verdiği görülen makine öğrenimi algoritmaları ile karşılaştırılması yapılmıştır. Karşılaştırma için, markalara yönelik algıları belirlemek amacıyla yürütülen bir nöropazarlama deneyinin fNIRS ölçümleri kullanılmıştır. Deneyde, tüketicilerden marka logosuyla birlikte gösterilen sıfatın markaya uygun olup olmadığına dair karar vermeleri (evet/hayır) istenmiştir. Elde edilen ölçümler temizlenerek veri seti elde edilmiştir. İlk olarak bu veri setine gözetimli makine öğrenimi yaklaşımı uygulanmıştır. Veri seti birkaç veri ön işleme aşamasından geçirildikten sonra üzerinde çeşitli algoritmalar eğitilmiştir. Bunlar, K-Nearest Neighbors, Support Vector Machines, Random Forest, Naive Bayes ve XGBoost algoritmalarıdır. Sonrasında ise diğerlerine göre daha başarılı olan algoritmalardan, biri soft voting diğeri hard voting olmak üzere iki farklı voting classifier oluşturulmuştur. Makine öğrenimi yaklaşımı tamamlandıktan sonra çizge sinir ağları yaklaşımına geçilmiştir. fNIRS aracılığı ile elde edilen veriler, beyindeki fonksiyonel bağlantılar kullanılarak çizge yapısına dönüştürülmüştür. Fonksiyonel bağlantıların hesaplanmasında Pearson korelasyon katsayısı kullanılmıştır. Katılımcıların her denemesi için bir çizge oluşturulduğundan ve her çizgenin etiketi (evet/hayır) bulunduğundan, çizge seviyesinde sınıflandırma yapılmıştır. Çizgelerin sınıflandırılması için, oluşturulan çizgeler, çizge sinir ağları mimarilerine girdi olarak verilmiştir. Çalışmada kullanılan mimariler, Graph Convolutional Network, Graph Attention Network ve Graph Isomorphism Network'ten oluşmaktadır. Son olarak, bu mimarilerin bir araya getirilmesiyle bir soft voting classifier oluşturulmuştur. Tüm yöntemlerin test accuracy değerleri hesaplanmış ve bu değerlere güven aralıkları eklenmiştir. Karşılaştırma sonuçları, genel olarak makine öğrenimi algoritmalarının çizge sinir ağlarından daha iyi performans verdiğini göstermiştir. Ek olarak, topluluk öğrenimine dayalı makine öğrenimi modelleri en iyi skorlara sahiptir.

Özet (Çeviri)

Functional near-infrared spectroscopy (fNIRS) has some advantages over other brain imaging methods in terms of cost and portability. For this reason, its use in neuromarketing is increasing. However, fNIRS brings some challenges along with its advantages. Due to features such as multichannel measurement and high temporal resolution, the nature of fNIRS data is complex and multidimensional [7]. Neuromarketing researchers have utilized machine learning algorithms to overcome these challenges. When these studies are analyzed, it is seen that successful results have emerged. Machine learning has influenced researchers working on graphs as well as neuromarketing researchers. Thus, graph neural networks have emerged, which allow the application of artificial neural networks to graph data structures. Thanks to the fact that the brain can be modeled as a graph structure using functional connections [14] and the high temporal resolution of fNIRS [7], there are neuroimaging studies using graph neural networks and fNIRS together. However, despite successful results, there is no neuromarketing research using this combination. Therefore, in this study, the performance of graph neural networks in fNIRS-based neuromarketing was analyzed and compared with machine learning algorithms that have been shown to yield successful results in this context. For the comparison, fNIRS measurements of a neuromarketing experiment conducted to determine perceptions toward brands were used. In the experiment, consumers were asked to decide (yes/no) whether the adjective shown with the brand logo was appropriate for the brand. The data set was obtained by cleaning the obtained measurements. First, a supervised machine learning approach was applied to this dataset. After the dataset went through several data preprocessing stages, various algorithms were trained on it. These were K-Nearest Neighbors, Support Vector Machines, Random Forest, Naive Bayes, and XGBoost algorithms. Then, two different voting classifiers, one for soft voting and one for hard voting, were created from the algorithms that were more successful than the others. After the machine learning approach was completed, the graph neural network approach was applied. The data obtained through fNIRS was transformed into a graph structure using functional connections in the brain. The Pearson correlation coefficient was used to calculate the functional connections. Since a graph was created for each trial of the participants and each graph had a label (yes/no), classification was performed at the graph level. For graph classification, the generated graphs were given as input to graph neural network architectures. The architectures used in the study consisted of Graph Convolutional Network, Graph Attention Network, and Graph Isomorphism Network. Finally, a soft voting classifier was created by combining these architectures. Test accuracy values of all methods were calculated and binomial confidence intervals were added to these values. The comparison results showed that machine learning algorithms generally outperform graph neural networks. Additionally, machine learning models based on ensemble learning have the best scores.

Benzer Tezler

  1. Tez No

    835176

    Yapay zeka yaklaşımı ile Ankara'daki iki farklı lokasyonda gayrimenkul değerleme üzerine uygulamalar

    Applications on real estate appraisal in two different locations in Ankara with the artificial intelligence approach

    SERKAN NARİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İnşaat MühendisliğiKırıkkale Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN DOĞAN

  2. Tez No

    905300

    Teledişhekimliğinde farklı teknikler kullanılarak çekilen dijital fotoğrafların DFT skoru, CAST indeksi, plak indeksi ve modifiye gingival indeksi hesaplanmasındaki etkinliklerinin değerlendirilmesi

    Effectiveness of digital photographs using different techniques in teledentistry for the evaluation of DFT index, CAST index, plaque index and modified gingival index

    BEYZA ÇAKMAKÇI

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiRecep Tayyip Erdoğan Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. GÜL YILDIZ TELATAR

  3. Tez No

    745469

    Spinal anestezi uygulanan hipertansif ve normotansif hastalarda preoperatif arteriyel sertlik ölçümünün hemodinamik değişiklikleri tahmin etmedeki önemi

    The importance of preoperative arterial stiffness measurement in predicting hemodynamic improvements in hypertensive and normotensive patients undergoing spinal anesthesia

    EMRE BALTA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Anestezi ve ReanimasyonAydın Adnan Menderes Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    DOÇ. DR. SİNAN YILMAZ

  4. Tez No

    978934

    Kronik obstrüktif akciğer hastalığı (KOAH)atağı olgularında kan gazı analizlerindeki değişimin sonografik diyafram kalınlığı ile ilişkisinin değerlendirilmesi

    Evaluation of the Relationship Between Changes in Blood Gas Analysis and Sonographic Diaphragmatic Thickness in Chronic Obstructive Pulmonary Disease (COPD) Exacerbation Cases

    ALİ UMUT MORCA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Acil TıpHacettepe Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. MEHMET ALİ KARACA

    DOÇ. DR. ALİ BATUR

  5. Tez No

    568440

    Skolyoz hastalarında preoperatif değerlendirme ve postoperatif korreksiyon tahmininde traksiyon, yana eğilme ve barfiks radyografilerinin karşılaştırılması

    Comparison of Traction, Side-bending and Dead Hang Radiographs in Preoperative Evaluation and Postoperative Correction Prediction in Patients with Scoliosis

    SANCAR ALP OVALI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Ortopedi ve TravmatolojiAnkara Üniversitesi

    Ortopedi ve Travmatoloji Ana Bilim Dalı

    PROF. DR. ALİ KEMAL US

Geri Dön