| 1 |
Derse Giriş ve İçerikler
|
|
|
|
| 2 |
Giriş: Veri Hattı (Data Pipeline) – "Nöropazarlama verisinin yolculuğu: Sensör -> Ham Sinyal -> Temizleme -> Öznitelik Çıkarımı -> İstatistik -> Raporlama. "Çöp girerse çöp çıkar" (GIGO) prensibi. |
|
|
|
| 3 |
Göz İzleme Analitiği 1: Temel Metrikler – Ham (x,y) koordinat verisinin anlamlandırılması. Fiksasyon ve Sakkad algoritmaları. "Time to First Fixation" (TTFF) ve "Dwell Time" hesaplamaları. |
|
|
|
| 4 |
Göz İzleme Analitiği 2: AOI ve Isı Haritaları – İlgi Alanları (AOI) nasıl çizilir? Dinamik vs. Statik AOI. Isı haritası oluşturulurken kullanılan "Gaussian Blur" ve renk skalası mantığı. |
|
|
|
| 5 |
EEG Sinyal İşleme 1: Artefakt (Gürültü) Temizleme – En büyük düşman: Göz kırpma, diş sıkma ve 50Hz şebeke gürültüsü. Ham EEG verisinden bu parazitlerin (ICA ile) temizlenmesi. |
|
|
|
| 6 |
EEG Sinyal İşleme 2: Frekans Analizi (FFT) – Zaman alanındaki dalganın frekans alanına çevrilmesi. Hızlı Fourier Dönüşümü (FFT) ve Güç Spektral Yoğunluğu (PSD) kavramları. |
|
|
|
| 7 |
Nöro-Metrikler 1: Frontal Asimetri (Motivasyon) – Sol ve Sağ prefrontal korteks arasındaki aktivasyon farkının hesaplanması. "Yaklaşma" ve "Uzaklaşma" skorunun matematiksel formülü. |
|
|
|
| 8 |
Nöro-Metrikler 2: Bilişsel Yük ve Dikkat – Teta ve Beta dalgalarının oranlanmasıyla "İş Yükü" (Workload) endeksinin çıkarılması. Bir reklamın hangi saniyesinin beyni yorduğunun tespiti. |
|
|
|
| 9 |
ARA SINAV |
|
|
|
| 10 |
GSR (Deri İletkenliği) Analizi: Duygusal Tepeler – Sinyalin ayrıştırılması: Tonik Seviye ve Fazik Seviye. "Peak Detection" algoritmaları ile duygusal uyarılma anlarının (Arousal) tespiti. |
|
|
|
| 11 |
Yüz İfade Analizi (Facial Coding) Verisi: Yapay zeka tabanlı sınıflandırma. Action Units (AU) veri setleri. Olasılık skorlarının yorumlanması ve eşik değer (threshold) belirleme. |
|
|
|
| 12 |
Senkronizasyon (Data Fusion): En kritik aşama: EEG, Eye-Tracker ve GSR verilerinin zaman damgası (timestamp) üzerinde milisaniyelik hassasiyetle eşleştirilmesi. Gecikme (Latency) sorunları. |
|
|
|
| 13 |
İstatistiksel Analiz ve Tuzaklar: Nöro-verilerde "P-Hacking" tehlikesi. Zaman serisi analizlerinde otokorelasyon sorunları. Bonferroni düzeltmesi ile yanlış pozitif sonuçları engellemek. |
|
|
|
| 14 |
Veri Görselleştirme ve Raporlama: Müşteriye ham EEG grafiği gösterilmez. Karmaşık verilerin anlaşılır "gösterge panellerine" (Dashboard) dönüştürülmesi. "Duygusal Yolculuk" grafikleri çizmek. |
|
|
|
| 15 |
Yazılımlar ve Gelecek: MATLAB, Python ve Hazır Çözümler – Akademik analiz (EEGLAB, PyEEG) ile ticari yazılımlar (iMotions, NeuroLab) arasındaki farklar. Otomatik analiz algoritmalarının geleceği. |
|
|
|
