The purpose of the present study is to investigate whether the effectiveness of a new ad on digital channels (YouTube) can be predicted by using neural networks and neuroscience-based metrics (brain response, heart rate variability and eye tracking). Neurophysiological records from 35 participants were exposed to 8 relevant TV Super Bowl commercials. Correlations between neurophysiological-based metrics, ad recall, ad liking, the ACE metrix score and the number of views on YouTube during a year were investigated. Our findings suggest a significant correlation between neuroscience metrics and self-reported of ad effectiveness and the direct number of views on the YouTube channel. In addition, and using an artificial neural network based on neuroscience metrics, the model classifies (82.9% of average accuracy) and estimate the number of online views (mean error of 0.199). The results highlight the validity of neuromarketing-based techniques for predicting the success of advertising responses. Practitioners can consider the proposed methodology at the design stages of advertising content, thus enhancing advertising effectiveness. The study pioneers the use of neurophysiological methods in predicting advertising success in a digital context. This is the first article that has examined whether these measures could actually be used for predicting views for advertising on YouTube.

This work focuses on finding the most discriminatory or representative features that allow to classify commercials according to negative, neutral and positive effectiveness based on the Ace Score index. For this purpose, an experiment involving forty-seven participants was carried out. In this experiment electroencephalography (EEG), electrocardiography (ECG), Galvanic Skin Response (GSR) and respiration data were acquired while subjects were watching a 30-min audiovisual content. This content was composed by a submarine documentary and nine commercials (one of them the ad under evaluation). After the signal pre-processing, four sets of features were extracted from the physiological signals using different state-of-the-art metrics. These features computed in time and frequency domains are the inputs to several basic and advanced classifiers. An average of 89.76% of the instances was correctly classified according to the Ace Score index. The best results were obtained by a classifier consisting of a combination between AdaBoost and Random Forest with automatic selection of features. The selected features were those extracted from GSR and HRV signals. These results are promising in the audiovisual content evaluation field by means of physiological signal processing.

AcknowledgmentsEste documento es el resultado de cuatro años de esfuerzo y dedicación que han propiciado mi evolución tanto a nivel profesional como personal. El principal motivo de dicho desarrollo han sido todas esas personas que han formado parte de este camino o que de alguna forma se han cruzado en el mismo. A todos ellos quiero dedicarles unas palabras de agradecimiento.En primer lugar, quiero agradecer a Valery, ella es la responsable de que yo esté ahora mismo escribiendo estas líneas. Me brindó la oportunidad de mi vida hace ya más de cinco años y me ha ido formando tanto en la vertiente investigadora como docente de la misma forma que una madre educa e inculca los valores esenciales a su hijo. Gracias por todo Valery, juntos cerramos una etapa clave en mi formación y juntos abrimos una nueva cargada de ilusión. Espero poder estar siempre a tu lado.También quiero agradecer todo el apoyo, energía y momentos divertidos que me han brindado mis compañeros de laboratorio. Gracias Sandra por todo lo que me has enseñado desde el primer momento en el que llegué hasta el día de hoy, no sé qué haría yo sin ti en esa sala. Gracias Fer, Félix, Andrés, Reinier, Ángel, Gabri, Fran P., Rober, Jorge y Adri por todos los consejos aportados y por amenizar como sólo vosotros sabéis mi día a día. También quiero recordar y agradecer a los que decidieron emprender otro rumbo: Javi, Conchi, Pablo, Eliseo, Fran M. y Miguel.De igual forma quiero mostrar mi gratitud hacia varias personas que han colaborado de una u otra forma en este trabajo. A Jesús Angulo, Débora Gil y Ramón Baldrich por su supervisión del trabajo desarrollado en las estancias llevadas a cabo durante esta etapa. A Kjersti Engan por aportar sus conocimientos sobre Dictionary Learning & Sparse Representation que han culminado en diversas publicaciones. A Rafael Molina por permitirme adentrarme en el fascinante mundo de los Procesos Gaussianos y sus múltiples aplicaciones.Gracias a mi madre Jacqueline, mi hermano Fran, mis abuelos Mª Carmen y Paco, mi padre Luis y Eva que siempre me han brindado su apoyo incondicional. Como bien sabéis sois fundamentales para mí, por ello ésta tesis también va dedicada a vosotros. No me puedo olvidar de Rosa que ocupa una parte grande de mi corazón. Os quiero.A Duke y Tom por todas esas horas de compañía desinteresada que me han ofrecido durante sus vidas y en especial en la época de redacción de este manuscrito.Por último, quiero dedicar especialmente este trabajo al motor de mi vida, a la persona que tiene que lidiar conmigo en los momentos más difíciles, a la persona que siempre me acaba sacando una sonrisa, a la persona que me enseña día tras día lo que es amor, fuerza, lucha, perseverancia e infinidad de cualidades que la definen. Gracias por todo cariño, sin tu apoyo estoy seguro de que esto no hubiera sido posible. Durante estos 10 años hemos abierto y cerrado muchas etapas juntos pero lo más ilusionante son todas aquellas que nos quedan por vivir. vi AbstractIn last years, the number of blindness cases has been significan...

El diseño del aula influye en las funciones cognitivas, como la memoria y la atención. Esta relación entre entorno y rendimiento es compleja, y los efectos cognitivos y neurofisiológicos están estrechamente entrelazados. El objetivo del presente trabajo es centrar las bases de una metodología capaz de evaluar el impacto del diseño del aula en la atención y memoria de los alumnos, a partir de índices cognitivos automatizados basados en medidas neurofisiológicas. Para ello se llevó a cabo un estudio en laboratorio, en el que 50 sujetos realizaron pruebas cognitivas en entornos virtuales con diferentes configuraciones de diseño. Durante estas se registraron sus respuestas psicológicas (relativas al rendimiento en atención y memoria) y respuestas neurofisiológicas (electrocardiograma, electroencefalograma, y respuesta electrodérmica). Tras el tratamiento de las señales y la extracción de distintas métricas, se estudiaron las correlaciones entre ambos tipos de respuestas. Esto ofreció una base de relaciones para la futura elección de métricas con las que entrenar modelos predictivos. El uso de Inteligencia Artificial permitirá cuantificar de manera automática el impacto del diseño del aula en la atención y memoria de los alumnos, a partir de índices basados en medidas neurofisiológicas. Desarrollo con distintas aplicaciones en el área de la educación.

La aplicación de la Inteligencia Artificial en el sector de la educación ha sido objeto de estudio durante décadas. Sin embargo, y a pesar de sus numerosas contribuciones, apenas existen estudios centrados en mejorar el rendimiento de los estudiantes a través del diseño del aula. El objeto del presente trabajo es la aplicación de la Inteligencia Artificial para identificar el diseño óptimo del aula (atendiendo a su color, iluminación y forma), para potenciar el rendimiento en atención y memoria de los estudiantes universitarios. Para ello se llevó a cabo un estudio en laboratorio en el que 50 participantes realizaron pruebas cognitivas en entornos virtuales con diferentes configuraciones de diseño. Los resultados muestran que el mejor rendimiento en atención y memoria se consigue con un diseño similar: aulas de menores dimensiones (altura de techo de 2,6 m y 7,6 m de ancho), con colores fríos y de saturaciones bajas, y con temperaturas del color de la iluminación de 6500K. La única diferencia se detecta en la iluminancia: requiere niveles más bajos (100lx) para potenciar la memoria; y más altos (500lx) para la atención. Los resultados pueden ser de utilidad tanto para investigadores como profesionales relacionados con el diseño de centros docentes.