Person:
Quiles Pérez, Mario

Profile Picture
Name
Quiles Pérez, Mario
publication.page.department
Universidad de Murcia. Departamento de Ingeniería de la Informacióny las Comunicaciones
Repository logoRepository logoRepository logo

Filters

2024 - 20262
2
Reset filters

Settings

Item Type: Publication ×

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Publication
    Open Access
    Data fusion in neuromarketing: multimodal analysis of biosignals, lifecycle stages, current advances, datasets, trends, and challenges
    (Elsevier, 2024-01-05) Quiles Pérez, Mario; Martínez Beltrán, Enrique Tomás; López Bernal, Sergio; Horna Prat, Eduardo; Montesano Del Campo, Luis; Fernández Maimó, Lorenzo; Huertas Celdrán, Alberto; Ingeniería y Tecnología de Computadores; Facultad de Informática
    The primary goal of any company is to increase its profits by improving both the quality of its products and how they are advertised. In this context, neuromarketing seeks to enhance the promotion of products and generate a greater acceptance on potential buyers. Traditionally, neuromarketing studies have relied on a single biosignal to obtain feedback from presented stimuli. However, thanks to new devices and technological advances studying this area of knowledge, recent trends indicate a shift towards the fusion of diverse biosignals. An example is the usage of electroencephalography for understanding the impact of an advertisement at the neural level and visual tracking to identify the stimuli that induce such impacts. This emerging pattern determines which biosignals to employ for achieving specific neuromarketing objectives. Furthermore, the fusion of data from multiple sources demands advanced processing methodologies. Despite these complexities, there is a lack of literature that adequately collates and organizes the various data sources and the applied processing techniques for the research objectives pursued. To address these challenges, the current paper conducts a comprehensive analysis of the objectives, biosignals, and data processing techniques employed in neuromarketing research. This study provides both the technical definition and a graphical distribution of the elements under revision. Additionally, it presents a categorization based on research objectives and provides an overview of the combinatory methodologies employed. After this, the paper examines primary public datasets designed for neuromarketing research together with others whose main purpose is not neuromarketing, but can be used for this matter. Ultimately, this work provides a historical perspective on the evolution of techniques across various phases over recent years and enumerates key lessons learned.
  • Thumbnail Image
    Publication
    Open Access
    Artificial Intelligence for EEGBased Neuromarketing with Limited Channels and Heterogeneous Data
    (Universidad de Murcia, 2026-10-01) Quiles Pérez, Mario; Fernández Maimó, Lorenzo; Huertas Celdrán, Alberto; Sin departamento asociado; Escuela Internacional de Doctorado
    Esta tesis doctoral estudia el uso de la Inteligencia Artificial (IA) para el análisis de señales Electroencefalográficas (EEG) en escenarios de neuromarketing. El neuromarketing utiliza información fisiológica y neural para complementar los métodos tradicionales basados en cuestionarios, entrevistas o respuestas autoinformadas, permitiendo analizar dimensiones como la atención, la memoria, la respuesta emocional, el agrado o la preferencia ante estímulos comerciales. Entre las diferentes bioseñales utilizadas en este campo, la EEG presenta un papel especialmente relevante debido a su naturaleza no invasiva, su portabilidad, su menor coste frente a otras técnicas de neuroimagen y su elevada resolución temporal. Sin embargo, su aplicación práctica en neuromarketing todavía presenta limitaciones metodológicas, técnicas y relacionadas con la calidad de los datos. El objetivo principal de esta tesis es investigar cómo la IA puede contribuir al análisis de señales EEG en neuromarketing desde tres perspectivas complementarias. En primer lugar, se analiza el estado del arte del neuromarketing basado en bioseñales, identificando sus principales objetivos, etapas, conjuntos de datos, tendencias y retos abiertos. En segundo lugar, se estudian las limitaciones derivadas del uso de dispositivos BCI de bajo coste y con un número reducido de canales, prestando especial atención a la relación entre disponibilidad de canales, rendimiento de reconstrucción y restricciones de despliegue práctico. En tercer lugar, se aborda la calidad de los conjuntos de datos EEG utilizados en flujos de análisis basados en IA, con el fin de facilitar su comparación y mejorar la interpretación del rendimiento de los modelos. La metodología seguida se estructura en torno a tres publicaciones científicas. La primera realiza una revisión del estado del arte del neuromarketing basado en bioseñales, organizando la literatura según objetivos, estímulos, biosensores, técnicas de procesamiento, métodos de extracción de características, conjuntos de datos y retos abiertos. La segunda propone y evalúa una red neuronal convolucional ligera para la reconstrucción de canales EEG a partir de configuraciones con canales limitados, comparándola con métodos de referencia y analizando diferentes configuraciones de electrodos. La tercera propone un marco multidimensional para evaluar la calidad de conjuntos de datos EEG antes del entrenamiento y evaluación de modelos, considerando dimensiones como completitud de sesiones, consistencia temporal, balance de clases, calidad de anotación, relación señal-ruido, presencia de valores atípicos, relevancia de características y separabilidad entre clases. Los resultados muestran, en primer lugar, que el neuromarketing basado en bioseñales sigue siendo un campo metodológicamente heterogéneo, con una falta de estructuras comunes para describir y comparar estudios. En segundo lugar, la solución propuesta para reconstrucción de canales EEG permite mitigar parcialmente las limitaciones de los dispositivos con canales reducidos, ofreciendo un equilibrio entre rendimiento, eficiencia computacional y aplicabilidad práctica. En tercer lugar, el marco de evaluación de calidad permite caracterizar y comparar conjuntos de datos EEG bajo un protocolo común, mostrando que determinadas dimensiones de calidad se relacionan con el rendimiento posterior de los modelos. En conjunto, esta tesis concluye que la aplicación de IA al neuromarketing basado en EEG no debe entenderse únicamente como un problema de diseño de modelos predictivos. También requiere una comprensión estructurada del dominio, soluciones adaptadas a las restricciones reales de adquisición y métodos objetivos para evaluar la calidad de los datos utilizados durante el entrenamiento y la evaluación.
Ir a Estadísticas