Подходы к дифференциации групп пользователей на основе картирования активности мозга

А. В. Гаренская, М. А. Бакаев

Аннотация


В связи с возросшим числом пользователей сети Интернет возникает вопрос об их дифференциации на группы для моделирования поведения и, в последующем, оптимизации контента. В данной статье рассматривается применение сигналов ЭЭГ и картирования активности головного мозга для дифференциации пользователей на группы, в связи с тем, что при помощи данного метода отражаются индивидуальные особенности восприятия человеком контента. В рамках исследования было проведено сравнение похожести построенных карт при открытых и закрытых глазах на основе t-критерия Стьюдента. Применение метода дисперсионного анализа в SPSS показало, что значимой (при уровне 0,06) является разница между средней схожестью внутри группы ЗГ-ЗГ и между группами (ОГ-ЗГ) для двух из трёх инструментов сравнения изображений. Разница между ОГ-ОГ и ЗГ-ЗГ оказалась значима во всех трёх инструментах.

Ключевые слова


дифференциация пользователей; моделирование поведения; картирование активности мозга; ЭЭГ

Полный текст:

PDF

Литература


Бочаров А.В., Богомазз С.А., Савостьянов А.Н., Князев Г.Г., Будакова А.В., Залешин М.С., Астахова Т.Н. Кластеризация независимых компонентов ЭЭГ для определения индивидуальных особенностей реакций, связанных с моральным выбором // Сибирский научный медицинский журнал. 2016. №1. С. 11-17. URL: http://sibmed.net/article.php?lang=rus&id_article=387 (дата обращения 25.03.2021).

CMI Brain Research: WinEEG. URL: https://cmi.to/программы/wineeg/ (дата обращения 27.03.2021).

IMGonline.com.ua: Identify similarity between two pictures in % online. URL: https://www.imgonline.com.ua/eng/similarity-percent.php (дата обращения 28.03.2021).

DeepAI: Image Similarity API. URL: https://deepai.org/machine-learning-model/image-similarity (дата обращения 28.03.2021).

Textconpare.org. URL: https://www.textcompare.org/image/ (дата обращения 28.03.2021).


Ссылки

  • На текущий момент ссылки отсутствуют.