PORTAL DE TESIS DOCTORALEstado de la tesis: En DesarrolloTesis doctoral por compendio de publicaciones

Artificial Intelligence Techniques for the Analysis of EEG Signals in Neuromarketing Scenarios

Técnicas de inteligencia artificial para el análisis de señales EEG en escenarios de neuromarketing

Director de Tesis

Dr. Alberto Huertas Celdrán, Ph.D.
Dr. Lorenzo Fernández Maimó, Ph.D.

Afiliación Académica

Universidad de Murcia • Facultad de Informática
Escuela Internacional de Doctorado

Resumen de la Tesis

Esta tesis doctoral investiga el uso de la Inteligencia Artificial para el análisis de señales EEG en escenarios de neuromarketing. En lugar de centrarse únicamente en modelos predictivos, la tesis aborda tres aspectos complementarios: la estructura del dominio del neuromarketing, las limitaciones prácticas de la adquisición de EEG con pocos canales, y la calidad de los conjuntos de datos (datasets) utilizados en los pipelines de IA. El trabajo se presenta como una compilación de tres artículos publicados que cubren el estado del arte del neuromarketing basado en bioseñales, la reconstrucción de canales de EEG en BCIs de bajo coste, y la evaluación multidimensional de la calidad de los datasets de EEG.

Motivación y contexto

El EEG se ha convertido en una de las bioseñales más relevantes en neuromarketing debido a su naturaleza no invasiva, portabilidad, coste reducido y alta resolución temporal. Sin embargo, el campo presenta todavía tres grandes desafíos: la fragmentación metodológica, el número limitado de canales en dispositivos prácticos y ponibles (wearables), y la heterogeneidad de los conjuntos de datos utilizados para entrenar y evaluar soluciones basadas en IA. Esta tesis aborda estos tres problemas de forma progresiva.

Metodología

1Revisión del estado del arte del neuromarketing basado en bioseñales, con especial atención al EEG, estímulos, biosensores, preprocesamiento, extracción de características, métodos de validación, datasets públicos disponibles, tendencias y desafíos abiertos.

2Diseño de una red neuronal convolucional (CNN) ligera para la reconstrucción de canales de EEG a partir de configuraciones de canales reducidos, definición de una función de pérdida personalizada que combina precisión de reconstrucción y similitud temporal, y evaluación del modelo frente a métodos de reconstrucción base.

3Definición de dimensiones de calidad de datasets para colecciones de EEG, cálculo de una puntuación de calidad (Quality Score) normalizada y comparación de varios datasets públicos de EEG bajo un protocolo común.

Financiación y Beca

Beca predoctoral de formación de personal investigador de la Fundación Séneca (2022-2026).

Enfoque de Investigación

La tesis estudia el uso de la IA para el análisis de EEG en neuromarketing a través de tres aspectos complementarios: la estructura del dominio, las limitaciones prácticas de la adquisición de EEG y la calidad de los datasets utilizados para entrenar y evaluar soluciones basadas en IA.

•Revisión del estado del arte del neuromarketing basado en bioseñales
•Reconstrucción de canales de EEG en BCIs de canales limitados
•Evaluación multidimensional de la calidad de datasets de EEG

Preguntas de Investigación

RQ1¿Cómo se puede estructurar el estado del arte del neuromarketing basado en bioseñales, identificando sus etapas principales, datasets, tendencias y desafíos abiertos?
RQ2¿Cómo puede la inteligencia artificial abordar las limitaciones de las BCIs de canales limitados para el análisis de EEG en escenarios de neuromarketing?
RQ3¿Qué dimensiones de calidad de los datasets son las más relevantes para el benchmarking y el análisis basado en IA en escenarios de neuromarketing con EEG?

Compendio de Publicaciones

Selecciona un artículo para desplegar su mapa de contribución científica y resultados experimentales.

AXIS 1: SURVEYJIF 15.5 (D1)

Data fusion in neuromarketing: Multimodal analysis of biosignals, lifecycle stages, current advances, datasets, trends, and challenges

Information Fusion, vol. 105 (2024)

https://doi.org/10.1016/j.inffus.2024.102231

AXIS 2: CHANNEL RECONSTRUCTIONJIF 6.6 (Q1)

EEG channel reconstruction using convolutional neural networks in limited BCIs: A proposed method for neuromarketing applications

Applied Soft Computing, vol. 181 (2025)

https://doi.org/10.1016/j.asoc.2025.113455

AXIS 3: QUALITY ASSESSMENTJIF 3.6 (Q2)

A Scalable Framework for Multidimensional Quality Assessment and Benchmarking of EEG Datasets

IEEE Access, vol. 14 (2026)

https://doi.org/10.1109/ACCESS.2026.3683199

ESPECIFICACIÓN CIENTÍFICA DEL EJE

Eje 1: Revisión y Estructuración del Dominio (Information Fusion)

Ciclo Metodológico del Neuromarketing

Stage 1Diseño ExperimentalStimulus (Audiovisual >50%)

Stage 2Adquisición EEGBiosignals (~50% usage)

Stage 3ProcesamientoFilters & Data Fusion

Stage 4ClasificaciónApplication Targets

Distribución de Objetivos en Neuromarketing

Comparación de Anuncios (Ad Comparison)~45.0%

Estudio de Anuncios (Ad Study)30.4%

Mejora de Anuncios (Ad Improvement)24.8%

Resultados Clave:

La comparación de anuncios fue el objetivo más común (~45% de los trabajos revisados).
El estudio y la mejora de anuncios representaron el 30.4% y el 24.8%, respectivamente.
Los estímulos audiovisuales aparecieron en más del 50% de los trabajos en los tres objetivos.
El EEG apareció en casi el 50% de los trabajos revisados.

Objetivos de la Investigación

[Obj 1]Analizar el estado del arte actual del neuromarketing basado en bioseñales, prestando especial atención al papel del EEG, las etapas metodológicas seguidas en los estudios actuales, los datasets disponibles en la literatura, y las principales tendencias y retos abiertos del campo (RQ1).

[Obj 2]Identificar las principales limitaciones metodológicas que afectan al neuromarketing basado en EEG, especialmente las relacionadas con la heterogeneidad de los diseños experimentales, las condiciones prácticas de adquisición de la señal y la comparabilidad de los estudios existentes (RQ1).

[Obj 3]Estudiar las limitaciones impuestas por los dispositivos BCI de bajo coste y fáciles de usar, particularmente el reducido número de canales disponibles, y analizar cómo afectan estas restricciones al uso del EEG en escenarios prácticos de neuromarketing (RQ2).

[Obj 4]Proponer una solución de Deep Learning para la reconstrucción de canales de EEG en BCIs de canales limitados con el fin de aumentar la información disponible para el análisis de EEG, considerando al mismo tiempo las limitaciones del despliegue práctico (RQ2).

[Obj 5]Analizar los principales factores que afectan a la calidad de los datasets de EEG utilizados en los pipelines de IA, incluidos los protocolos de adquisición, las decisiones de preprocesamiento, los criterios de anotación, el equilibrio de clases y la calidad de la señal (RQ3).

[Obj 6]Proponer un framework para la evaluación multidimensional de datasets de EEG para caracterizar su calidad antes del entrenamiento y evaluación del modelo, permitiendo la comparación de datasets bajo un protocolo común (RQ3).

Resumen de Resultados

1. Estado del arte de Neuromarketing y Bioseñales (Information Fusion)

La revisión identificó que el campo aún carece de un ciclo de neuromarketing comúnmente aceptado, que las revisiones anteriores suelen abordar solo una parte del problema y que los datasets públicos siguen siendo escasos y rara vez están diseñados específicamente para neuromarketing.

•La comparación de anuncios fue el objetivo más común (~45% de los trabajos revisados).

•El estudio y la mejora de anuncios representaron el 30.4% y el 24.8%, respectivamente.

•Los estímulos audiovisuales aparecieron en más del 50% de los trabajos en los tres objetivos.

•El EEG apareció en casi el 50% de los trabajos revisados.

2. Reconstrucción de Canales de EEG (Applied Soft Computing)

La CNN ligera propuesta abordó el problema de la reducción de canales en BCIs de bajo coste y ponibles (wearables) y superó a los métodos base en la mayoría de los escenarios evaluados.

•Se evaluaron más de 1,820 configuraciones de canales.

•La CNN propuesta obtuvo un error cuadrático medio normalizado (NMSE) de 0.042 ± 0.009.

•Los valores de los métodos base incluyeron 0.064 ± 0.011 para SSI, 0.071 ± 0.013 para PLSR y 0.055 ± 0.010 para un autoencoder superficial.

3. Evaluación de Calidad de Datasets (IEEE Access)

El framework caracterizó la calidad de los datasets de EEG utilizando múltiples dimensiones y relacionó esos indicadores con el análisis posterior basado en IA.

•Puntuación de calidad (Quality Score) normalizada de 0 a 100.

•Evaluación realizada sobre seis datasets públicos de EEG.

•Rendimiento posterior reportado utilizando Balanced Accuracy y área bajo la curva (AUC).

Conclusiones

•El neuromarketing con EEG basado en IA no debe entenderse únicamente como un problema de modelado predictivo.
•Requiere una comprensión estructurada del dominio.
•Exige soluciones prácticas para las limitaciones de adquisición del mundo real.
•Necesita métodos objetivos para evaluar la calidad de los datasets antes del entrenamiento y benchmarking.

Trabajo Futuro

•Diseñar nuevos datasets orientados explícitamente a objetivos de neuromarketing, con estímulos más realistas, protocolos más consistentes y criterios de anotación más claros.
•Explorar escenarios más cercanos a entornos de consumo reales, incluyendo productos reales, distribuciones de tiendas e interacciones multimodales.
•Mejorar la generalización del modelo de reconstrucción de canales de EEG, especialmente las predicciones entre hemisferios y la dependencia de la densidad de canales.
•Evaluar el modelo de reconstrucción en una variedad más amplia de datasets y dispositivos, y avanzar hacia la integración en plataformas BCI prácticas.
•Extender el framework de calidad de datasets a más paradigmas, datasets y colecciones multimodales.
•Estudiar en mayor profundidad cómo deben guiar los indicadores de calidad las decisiones de preprocesamiento, entrenamiento y benchmarking.