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

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.