Ανάλυση συναισθήµατος από δεδοµένα εγκεφαλογραφηµάτων μεγάλου όγκου µε το εργαλείο apache spark 3.0: η μελέτη περίπτωσης επίδρασης της ψηφιακής διαφήµισης στον καταναλωτή
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Αντωνοπούλου, Ήρα | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Κοργιαλάς, Δημήτριος | |
| dc.contributor.other | Korgialas, Dimitrios | |
| dc.date.accessioned | 2026-06-18T09:50:21Z | |
| dc.date.available | 2026-06-18T09:50:21Z | |
| dc.date.issued | 2026-06-15 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η κατανόηση της πραγµατικής συναισθηµατικής αντίδρασης των καταναλωτών απέναντι στα διαφηµιστικά µηνύµατα αποτελούσε παραδοσιακά µία πρόκληση,καθώς βασιζόταν συχνά σε υποκειµενικές µεθόδους αξιολόγησης. Οι σύγχρονες τεχνολογικές εξελίξεις κατέστησαν δυνατή την αντικειµενική καταγραφή αυτών των αντιδράσεων µέσω εγκεφαλογραφηµάτων (EEG) κατά την προβολή ψηφιακών διαφηµίσεων. Ωστόσο, ο τεράστιος όγκος των βιοσηµατολογικών δεδοµένων που παράγονται καθιστά την ανάλυσή τους ιδιαίτερα απαιτητική. Με τη βοήθεια εργαλείων κατανεµηµένης επεξεργασίας, όπως η πλατφόρµα Apache Spark 3.0, και αλγορίθµων Μηχανικής Μάθησης, είναι πλέον εφικτή η αποδοτική ανάλυση αυτών των σηµάτων σε πραγµατικό ή σχεδόν πραγµατικό χρόνο. Η ανάλυση αυτών των στοιχείων έχει την προοπτική να οδηγήσει στη δηµιουργία συστηµάτων που αποκωδικοποιούν τη σχέση µεταξύ του τύπου της διαφήµισης (όπως το προϊόν, το µήνυµα και η διάρκεια) και της συναισθηµατικής απόκρισης του χρήστη. Τέτοια συστήµατα µπορούν να αναγνωρίσουν συναισθήµατα (ευχαρίστηση, δυσαρέσκεια ή ουδετερότητα) και να υποστηρίξουν στρατηγικές λήψης αποφάσεων στον ραγδαία αναπτυσσόµενο χώρο του νευροµάρκετινγκ. Η παρούσα διπλωµατική εργασία αποσκοπεί στην ανάπτυξη ενός αποδοτικού µοντέλου το οποίο θα λαµβάνει ως είσοδο µεγάλης κλίµακας δεδοµένα EEG από συµµετέχοντες και θα εξάγει τα συναισθηµατικά τους χαρακτηριστικά µέσω κατάλληλων τεχνικών (π.χ. FFT, wavelet transform). Η αξιολόγηση της ακρίβειας και της αποδοτικότητας αυτών των µοντέλων ταξινόµησης συναισθήµατος σε ένα κατανεµηµένο περιβάλλον Big Data αποτελεί την κύρια εστίαση της εργασίας. | |
| dc.description.translatedabstract | Understanding the true emotional response of consumers to advertising messages has traditionally been a challenge, as it often relied on subjective evaluation methods. Recent technological advancements have enabled the objective recording of these reactions through electroencephalograms (EEG) during the viewing of digital advertisements. However, the vast volume of the generated biosignal data makes their analysis particularly demanding. With the assistance of distributed processing tools, such as the Apache Spark 3.0 platform, and Machine Learning algorithms, it is now possible to efficiently analyze these signals in real or near-real time. The analysis of this data has the potential to lead to the development of systems that decode the relationship between the type of advertisement (e.g., the product, message, and duration) and the user's emotional response. Such systems can recognize emotions (pleasure, displeasure, or neutrality) and support decision-making strategies in the rapidly growing field of neuromarketing. This thesis aims to develop an efficient model that will take large-scale EEG data from participants as input and extract their emotional features using appropriate techniques (e.g., FFT, wavelet transform). Evaluating the accuracy and efficiency of these emotion classification models within a distributed Big Data environment constitutes the main focus of this work. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31992 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Αλγόριθµοι οµαδοποίησης | |
| dc.subject | Εγκεφαλογραφήµατα | |
| dc.subject | Δεδοµένα μεγάλου όγκου | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Clustering algorithms | |
| dc.subject.alternative | EEG | |
| dc.subject.alternative | Big data | |
| dc.subject.alternative | Apache spark | |
| dc.title | Ανάλυση συναισθήµατος από δεδοµένα εγκεφαλογραφηµάτων μεγάλου όγκου µε το εργαλείο apache spark 3.0: η μελέτη περίπτωσης επίδρασης της ψηφιακής διαφήµισης στον καταναλωτή | |
| dc.title.alternative | Sentiment analysis from big eeg data using the apache spark 3.0 tool: a case study on the impact of digital advertising on the consumer |