CN105852885A - 基于改进超限学习机的n400诱发电位测谎方法 - Google Patents

Abstract

本发明提供一种基于改进超限学习机的N400诱发电位测谎方法，利用人工免疫算法对超限学习机的随机参数进行优化，提出基于N400诱发电位和改进超限学习机的脑电信号测谎方法，利用改进的超限学习机计算犯罪组被试和对照组被试对探测刺激和无关刺激的分类识别率，对两组被试的分类识别率进行统计分析找到区别说谎与否的阈值参数；提取四十个通道N400诱发脑电信号的探测刺激和无关刺激时域、频域特征，提取的脑电信号特征更全面，克服了现有技术中基于少量通道和利用诱发电位波形几何性质作为特征参数进行测谎判断的不足，使得本发明具有能够有效保证稳定的谎言识别正确率的优点。

Description

基于改进超限学习机的N400诱发电位测谎方法

技术领域

本发明属于认知神经科学领域与信息技术领域的结合应用，涉及一种事件相关电位N400的测谎方法，具体是基于改进超限学习机的N400诱发电位测谎方法。

背景技术

说谎作为心理现象，不只是出现于当今社会，从目前我们已知的历史档案中可以看出，在人类社会的早期就存在说谎的现象。虽然有不少谎言是善意的，但也存在很多危害国家安全、社会安全和公平正义的谎言。比如，在间谍犯罪、职务犯罪和刑事审讯中，罪犯为了隐瞒罪行、逃避法律的制裁而故意说谎。在案件的审理过程中，谎言对于案件的审理和罪行的判定会造成巨大影响。因此，如何准确有效地识别谎言，对于司法机关工作人员来说就显得尤为重要，研究谎言的检测方法具有重大的现实意义。

目前，国内外对于谎言的识别研究主要包括主观方法和客观方法。主观方法主要是通过察言观色的方式判断是否说谎。此方法主观性太强并且个体能够有意识地控制身心活动以掩盖说谎的事实，因而识别谎言的成功率往往很低。客观方法主要有多道生理记录仪、功能核磁共振成像(fMRI)、事件相关电位(ERP)等测量方法。早期的测谎研究主要使用多道生理记录仪，它主要通过测量被测者在被询问某些问题时所表现出的植物神经反应(呼吸频率、血压、皮肤电阻等生理指标)的变化来判断是否说谎。然而这种测谎方法很容易受到紧张、焦虑和恐惧等心理因素的影响，误报和漏报率高。例如，被测者尤其心理素质好、城府深者能够通过抑制这些生理反应逃避测谎检测。近年来，fMRI和ERP测谎技术已经发展起来。其中fMRI虽然具有较高的空间分辨率，但是时间分辨率低、设备价格高昂，而多通道ERP具有时空分辨率高、使用方便、成本低等优点，并且ERP是大脑皮层的电位活动，人们根本无法抑制大脑皮层的兴奋，所以ERP被认为是较客观、科学、实用的测量方法，ERP在国外已被广泛应用于犯罪心理生理测试及其他领域，如CIA、FBI、间谍及犯罪嫌疑人的甄别。

近年来基于事件相关电位(ERP)的测谎技术不断发展，研究较多的是基于犯罪知识测试(guilty knowledge test，GKT)的P300测谎方法，主要提取Fz、Cz、Pz三个通道或仅提取单通道的ERP幅值作为特征参数，进行谎言识别主要是基于对诱发电位波形的几何性质分析(波幅、波面积、峰峰值等)，然而几何性质并不能有效的反映脑电信号的特征。

目前，基于多通道、多域特征参数和其它诱发电位的测谎研究少见报道，并且测谎分类识别效果还达不到实际应用的要求。针对支持向量机(supportvector machine，SVM)参数选择复杂和人工神经网络(artificial neural network，ANN)运算速度慢、易产生局部次优解等缺点，高军峰等人利用超限学习机(extreme learning machine，ELM)进行P300的测谎研究并取得了较好的分类识别效果。ELM算法，是一种简单有效的基于单隐层前馈神经网络的学习算法，具有运行速度快、精度高、调参简单等优点，但在实际应用中仍有一些不足，由于ELM随机初始化输入层权值和隐含层偏差，导致分类识别率不够稳定。

发明内容

本发明的目的在于克服上述现有技术中的不足，提出了一种基于改进超限学习机的N400诱发电位测谎方法，利用人工免疫算法对超限学习机的随机参数进行优化，改进超限学习机计算犯罪组被试和对照组被试对探测刺激和无关刺激的分类识别率，有效保证稳定的谎言识别率。

为达到上述目的，本发明采用以下技术方案：

基于改进超限学习机的N400诱发电位测谎方法，包括以下步骤：

步骤一，脑电信号提取与同步放大：

通过64导联脑电电极对被测者头部64个部位的脑电信号分别同时进行实时提取，且通过脑电信号放大器对提取的64路脑电信号同步进行放大处理；根据各导联脑电电极的布设位置，相应地对各导联脑电电极所提取的脑电信号进行编号；

步骤二，脑电信号采集：

通过64导联脑电信号采集设备按照预先设定的采样频率对经放大处理后的64路脑电信号同步进行采集，并将所采集的64路脑电信号转换成对应编号的64路数字脑电信号Z_i(t）后同步传送至处理器，其中i＝1、2、3…64；

步骤三，脑电信号接收与同步存储：

处理器将所接收到的64路数字脑电信号Z_i(t)分别对应存储至存储器内预先建立的存储单元内，且对各存储单元内所存储的上一个信号进行替换，以对各存储单元内所存储信息进行实时更新；

步骤四，脑电信号预处理：

对存储单元内的64路数字脑电信号Z_i(t)进行去除眼电伪迹和去除电压幅值超过±100uv的脑电信号伪迹操作，然后进行带通滤波；

步骤五，脑电信号叠加平均：

对预处理之后的64路数字脑电信号Z_i(t)按照不同的刺激类型进行分段，每种刺激分段时间间隔为刺激出现前200ms到刺激出现后1000ms，获取每一段的多个采样点，然后将多个采样点进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和其中为探测刺激对应的ERP脑电信号数据、为无关刺激对应的ERP脑电信号数据；

步骤六，脑电信号时域、频域特征提取：

分析模拟犯罪测试中所有犯罪组被试的各导联脑电信号，选取编号为AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6这40个通道中的ERP数据，分别计算260～440ms时间内两种刺激诱发的ERP数据的峰值、平均幅值和两种刺激的中值频率；将峰值、平均幅值、中值频率三种特征参数构成特征向量，探测刺激和无关刺激各40个特征向量共80个样本；

步骤七，建立超限限学习机ELM网络：具体过程如下：

对于占80个样本数量60％-70％的N个各不相同样本(x_i，y_i)，其中x_i＝[x_i1，x_i2，…，x_in]^T∈Rⁿ,y_i＝[y_i1，y_i2，…，y_im]^T∈R^m，则一个样本(x_i，y_i)具有L个隐层节点，激励函数为g(x)的前馈神经网络的输出可以表示为：

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i),x_i\∈R^n,a_i\∈R^n,{\mathrm{\β}}_i\∈R^m,---\left(1\right)$

其中，a_i＝[a_i1，a_i2，…，a_in]^T是输入层到隐含层节点的权值，b_i是第i个隐含层节点的偏差(bias)；β_i＝[β_i1，β_i2，…，β_im]^T是连接第i个隐含层节点的输出权值；a_i·x_i表示向量a_i和x_i的内积；

如果这个具有L个隐含层节点的前馈神经网络能以零误差逼近这N个样本，则存在a_i，b_i，β_i使

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i)=y_i,i=1,2,...,L,---\left(2\right)$

(2)式可以简化为

Hβ＝Y， ⑶

H是网络的隐含层输出矩阵，在ELM算法中，输入权值和隐含层偏差随机给定，隐含层H为一个确定的矩阵，前馈神经网络的训练转化成一个求解输出权值矩阵的最小二乘解的问题，求出输入权值的最小二乘解、完成网络的训练，输出权值矩阵β可由⑷式得到；

$\widehat{\mathrm{\β}}=H^{+}Y,---\left(4\right)$

其中H⁺表示隐含层输出矩阵H的广义逆，Y表示样本的期望输出矩阵，是β的估值；；

步骤八，设计AIA-ELM分类器：

通过人工免疫算法AIA对超限学习机ELM的输入层到隐含层的权值和隐含层阈值进行优化，优化过程如下：

①产生初始抗体群；随机产生N个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；

②对上述群体中各个抗体进行评价；在本算法中对个体的评价是以个体的期望繁殖率P为标准的，F为分类器测试样本的均方误差，C为抗体浓度即群体中相似抗体所占的比例；

③形成父代群体；将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体；同时取前m个个体存入记忆库中；

④判断是否满足结束条件，是则结束；反之，则继续下一步操作；

⑤新群体的产生；基于步骤④的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体；

⑥转去执行步骤③；

步骤九，计算单个被试探测刺激和无关刺激的分类识别率：

将80个样本分为48个训练样本和32测试样本输入AIA-ELM分类器计算分类识别率，记为K_i；

步骤十，说谎与否状态判断：

将K_i值与预设的阈值T进行比较，小于T则判定没有说谎，大于等于T则判定说谎；阈值T为通过计算犯罪组被试和对照组被试探测刺激和无关刺激的分类识别率，以及讨论犯罪组被试和对照组被试分类识别率具有显著差异的原因，并对这些数据进行统计分析得到，阈值T为判断说谎与否的临界值。

进一步，所述预设的阈值T＝60％。

进一步，所述采样频率为500Hz～20000Hz。

进一步，所述采样频率为1000Hz，每种刺激每一段得到1201个采样点，将1201个采样点进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和

进一步，所述滤波频率为0Hz～400Hz。

进一步，所述滤波频率为0.1Hz～30Hz。

进一步，提取被试头部脑电信号时，只提取与N400有关的40个通道AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6的脑电信号。

进一步，所述激励函数g(x)采用“Sigmoid”函数。

本发明利用人工免疫算法对超限学习机的随机参数进行优化，提出基于N400诱发电位和改进超限学习机的脑电信号测谎方法，其中N400是潜伏期为200ms～500ms的负向波，N400能用于测谎的基本原理是当被试阅读错误、不匹配的句子时能诱发显著的负向偏转波。通过对预处理之后的脑电信号数据段进行叠加平均，得到N400诱发电位脑电信号，并基于N400脑电信号提取犯罪组被试和对照组被试在40个通道处的探测刺激与无关刺激的时域特征(平均幅值、峰值)、频域特征(中值频率)，以平均幅值、峰值、中值频率为特征参数，利用改进的超限学习机(AIA-ELM)计算犯罪组被试和对照组被试对探测刺激和无关刺激的分类识别率，对两组被试的分类识别率进行统计分析找到区别说谎与否的阈值参数。

本发明与现有技术相比具有以下优点：

一，本发明提取四十个通道N400诱发脑电信号的探测刺激和无关刺激时域、频域特征，提取的脑电信号特征更全面，克服了现有技术中基于少量通道和利用诱发电位波形几何性质作为特征参数进行测谎判断的不足，使得本发明具有能够有效保证稳定的谎言识别正确率的优点。

二，本发明利用人工免疫算法对超限学习机进行改进，改进的超限学习机(AIA-ELM)显著提高了犯罪组被试探测刺激与无关刺激的分类识别率；通过对犯罪组被试和对照组被试分类识别率的对比分析找出了能准确表征说谎与否的特征阈值。

三，本发明提出了脑电信号测谎的新方法，从多通道、其它ERP成分、多域特征参数和改进分类算法四个方面提高测谎分类识别效果，该方法准确度高，实现方便，检测速度快。

附图说明

图1为本发明所采用基于改进超限学习机的N400诱发电位测谎方法的流程框图

图2为本发明所采用检测系统的电路原理框图

图3为本发明64导联脑电电极的布设位置示意图

图4为刺激呈现流程图

图5为犯罪组被试在Fz导联处的ERP波形图

图6为犯罪组被试探测刺激和无关刺激的峰值

图7为犯罪组被试探测刺激和无关刺激的平均幅值

图8为犯罪组被试探测刺激和无关刺激的中值频率

图9为对照组被试在Fz导联处ERP波形图

图10为对照组被试探测刺激和无关刺激的峰值

图11为对照组被试探测刺激和无关刺激的平均幅值

图12为对照组被试探测刺激和无关刺激的中值频率

附图标记说明：

1-64导联脑电电极；2-脑电信号放大器；3-64导联脑电信号采集设备；4-处理器；5-参数设置单元；6-存储器；7-提示单元；8-显示器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图1对发明进行详细描述：

步骤一，脑电信号提取与同步放大：通过64导联脑电电极1对被测试者头部64个部位的脑电信号分别进行实时提取，且通过脑电信号放大器2对64导联脑电电极1所提取的64路脑电信号同步进行放大处理；通过64导联脑电电极对被测试者头部的脑电信号进行提取之前，根据64导联脑电电极1中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号。64导联脑电电极1的编号顺序为1#：“FP1”；2#：“FPz”；3#：“FP2”；4#：“AF3”；5#：“AF4”；6#：“F7”；7#：“F5”；8#：“F3”；9#：“F1”；10#：“Fz”；11#：“F2”；12#：“F4”；13#：“F6”；14#：“F8”；15#：“FT7”；16#：“FC5”；17#：“FC3”；18#：“FC1”；19#：“FCz”；20#：“FC2”；21#：“FC4”；22#：“FC6”；23#：“FT8”；24#：“T7”；25#：“C5”；26#：“C3”；27#：“C1”；28#：“Cz”；29#：“C2”；30#：“C4”；31#：“C6”；32#：“T8”；33#：“TP7”；34#：“CP5”；35#：“CP3”；36#：“CP1”；37#：“CPz”；38#：“CP2”；39#：“CP4”；40#：“CP6”；41#：“TP8”；42#：“P7”；43#：“P5”；44#：“P3”；45#：“P1”；46#：“Pz”；47#：“P2”；48#：“P4”；49#：“P6”；50#：“P8”；51#：“PO7”；52#：“PO5”；53#：“PO3”；54#：“POz”；55#：“PO4”；56#：“PO6”；57#：“PO8”；58#：“CB1”；59#：“O1”；60#：“Oz”；61#：“O2”；62#：“CB2”；63#：“HEO”；64#：“VEO”；图3中M1和M2为贴在双耳乳突上的参考电极，VEOG和HEOG分别为垂直眼电和水平眼电。64导联脑电电极1的安放按国际脑电图学会标定的10-20电极导联定位标准，每个电极与临近电极离开10％或20％的距离。

步骤一中所述的脑电信号提取与同步放大之前，通过提示单元7查看每个电极与人脑部的连接是否正常，若不正常则需进行处理矫正，然后通过参数设置单元5对初始参数进行设定，所述初始参数包括采样频率、滤波频率、分析处理的各数字脑电信号的编号、AIA-ELM算法的参数、判定说谎与否的阈值参数T进行设定，如图2所示。

步骤二，脑电信号采集：通过64导联脑电信号采集设备3按照预先设定的采样频率对经脑电信号放大器2放大后的64路脑电信号同步进行采集，并将所采集的64路脑电信号转换为对应编号的64路数字脑电信号Z_i(t)后同步传送至处理器4，其中i＝1、2、3…64。

在本发明脑电信号采集步骤之前让犯罪组(说谎组)被测者进行一个模拟杀人犯罪，对照组(诚实组)不进行模拟杀人犯罪，然后将模拟杀人犯罪内容(杀人工具、时间、地点等)编制成案件相关语句。

在本发明脑电信号采集步骤中需要通过显示器8给被测者呈现案件相关语句刺激。在图4中开始0ms至500ms呈现准备提示符号“+”，接着刺激一呈现500ms随后黑屏800ms，刺激二和刺激三均呈现500ms之后黑屏800ms，“***”出现之后黑屏1000ms。每次语句刺激呈现结束后休息1500ms，探测刺激和无关刺激各呈现80次，顺序上随机排列。当语句刺激呈现过程中出现“***”时，需要被测者进行按键反应，按“1”表示知道，按“2”表示不知道。要求犯罪组被测者对探测刺激按“2”撒谎表示不知道，对无关刺激则诚实回答，对照组被测者均诚实回答。其中，刺激一为语境词语，刺激二为判断动词，刺激三为探测刺激或无关刺激。例如案件相关语句“杀人工具是匕首”，刺激一为“杀人工具”，刺激二为“是”，刺激三为探测刺激“匕首”，当把“匕首”换成“木棍”时即为无关刺激。

本发明中，采样频率为1000Hz。实际使用过程中，可以根据实际需要，将采样频率设在500Hz～20000Hz范围内进行相应调整。

步骤三，脑电信号接收与同步存储：脑电信号接收与同步存储：处理器将此时所接收到的64路数字脑电信号Z_i(t)分别对应存储至存储器6内预先建立的存储单元内，且对各存储单元内所存储的上一个所采集信号进行替换，以对各存储单元内所存储信息进行实时更新。

由于N400主要与视觉、语言加工及记忆有关，因此主要检测与N400有关的40个通道AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6。

步骤四，脑电信号预处理：对存储单元内的64路数字脑电信号Z_i(t)进行去除眼电伪迹和去除脑电幅值超过±100uv的伪迹的操作，最后进行按照预先设定的频率进行带通滤波。

本发明中，滤波频率为0.1Hz～30Hz。实际使用过程中，可以根据实际需要，将滤波频率在0Hz～400Hz范围内进行相应调整。

步骤五，脑电信号叠加平均：对预处理之后的64路数字脑电信号Z_i(t)按照不同的刺激类型进行分段，分段时间间隔为探测/无关刺激出现前200ms到刺激出现后1000ms，即每一段能够得到1201个采样点，进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和其中为探测刺激对应的ERP脑电信号数据、为无关刺激对应的ERP脑电信号数据。

此时以一名犯罪组被测者和一名对照组被测者的一导联脑电信号为例，来展示诱发的ERP脑电信号波形图，详见图5和图9，其中图5为犯罪组被测者的ERP波形图，图9为对照组被测者的ERP波形图。通过对图5和图9进行比较发现，犯罪组被测者在虚线范围内无关刺激诱发的ERP波形产生了比探测刺激更负向的偏转，诱发出了明显的N400，而对照组没有诱发出明显的N400。

步骤六，脑电信号时域、频域特征提取：分析模拟犯罪测试中所有犯罪组被试的各导脑电，结果发现，刺激出现后260ms到440ms之间观测到了明显的N400波，如图5所示，并且在AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6这40个通道中，刺激出现后260～440ms时间段内，无关刺激诱发的ERP波形相比于探测刺激发生明显负向偏转，如图9所示，本发明选取上述差异显著的40个通道的ERP数据进行分析，分别计算260～440ms时间内(N400波形范围)两种刺激诱发的ERP数据的峰值、平均幅值和1～1201ms时间内(中值频率计算至少1000个采样点)两种刺激的中值频率。

此时以一名犯罪组被试和一名对照组被试为例，来展示探测刺激和无关刺激诱发的ERP脑电信号的时域、频域特征参数，详见图6、7、8和图10、11、12，其中图6、7、8为犯罪组被试探测刺激与无关刺激诱发的ERP脑电信号的峰值、平均幅值、中值频率对比图，图10、11、12为对照组被试探测刺激与无关刺激诱发的ERP脑电信号的峰值、平均幅值、中值频率对比图。通过对图6、7、8和图10、11、12的探测刺激和无关刺激的峰值、平均幅值、中值频率进行比较发现，犯罪组被试的探测刺激和无关刺激的三种特征参数差异显著，而对照组被试探测刺激和无关刺激的三种特征参数差异不明显。这主要是因为犯罪组被试脑海里有关于犯罪信息的知识，能够识别与犯罪信息相关的错误语句，表现出来就是探测刺激和无关刺激诱发的脑电信号差异明显，在诱发脑电信号基础上提取的特征参数同样差异明显。对于对照组被试来说，脑海里没有关于犯罪信息的知识，不能识别与犯罪信息相关的错误语句，因而探测刺激和无关刺激对于他们来说没有任何区别，表现出来就是探测刺激和无关刺激诱发的脑电信号没有明显差异，在诱发脑电信号基础上提取的特征参数同样没有明显差异。

将峰值、平均幅值、中值频率三种特征参数构成特征向量，探测刺激和无关刺激各40个特征向量共80个样本；

步骤七，建立超限限学习机ELM网络：具体过程如下：

对于占80个样本数量60％-70％的N个各不相同样本(x_i，y_i)，其中x_i＝[x_ii，x_i2，…，x_in]^T∈Rⁿ,y_i＝[y_i1，y_i2，…，y_im]^T∈R^m则一个具有L个隐层节点，激励函数为g(x)的前馈神经网络的输出可以表示为：

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i),x_i\∈R^n,a_i\∈R^n,{\mathrm{\β}}_i\∈R^m,---\left(1\right)$

其中，a_i＝[a_i1，a_i2，…，a_in]^T是输入层到隐含层节点的权值，b_i是第i个隐含层节点的偏差(bias)；β_i＝[β_i1，β_i2，…，β_im]^T是连接第i个隐含层节点的输出权值；a_i·x_i表示向量a_i和x_i的内积，激励函数g(x)可选“Sigmoid”、“Sine”、“RBF”等函数，本发明选用“Sigmoid”函数；

如果这个具有L个隐含层节点的前馈神经网络能以零误差逼近这N个样本，则存在a_i，b_i，β_i使

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i)=y_i,i=1,2,...,L,---\left(2\right)$

(2)式可以简化为

Hβ＝Y， ⑶

H是网络的隐含层输出矩阵，在ELM算法中，输入权值和隐含层偏差随机给定，隐含层H就成了一个确定的矩阵，这样前馈神经网络的训练就可以转化成一个求解输出权值矩阵的最小二乘解的问题，只需要求出输入权值的最小二乘解就能完成网络的训练，输出权值矩阵β可由⑷式得到

$\widehat{\mathrm{\β}}=H^{+}Y,---\left(4\right)$

其中H⁺表示隐含层输出矩阵H的广义逆,Y表示样本的期望输出矩阵。

步骤八，设计AIA-ELM分类器：通过人工免疫算法AIA对超限学习机ELM的输入层到隐含层的权值和隐含层阈值进行优化，优化过程如下：

①产生初始抗体群。随机产生N个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；

②对上述群体中各个抗体进行评价。在本算法中对个体的评价是以个体的期望繁殖率P为标准的。F为分类器测试样本的均方误差，C为抗体浓度即群体中相似抗体所占的比例；

③形成父代群体。将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体；同时取前m个个体存入记忆库中；

④判断是否满足结束条件，是则结束；反之，则继续下一步操作；

⑤新群体的产生。基于步骤④的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体；

⑥转去执行步骤③；

本实验的网络参数中，ELM的参数确定过程比较简单，只需要确定激励函数及隐含层节点个数，选取的激励函数为“sigmoid”函数、隐含层节点数为15。AIA-ELM是通过人工免疫算法优化ELM的权值和阈值，实验中选取人工免疫算法的迭代次数为100，种群规模为50，记忆库容量为10，交叉概率为0.5，变异概率为0.1。

步骤九，计算单个被试探测刺激和无关刺激的分类识别率：将80个样本分为48个训练样本和32测试样本输入AIA-ELM分类器计算分类识别率，计算十次分类识别率的平均值，记为K_i。

步骤十，说谎与否状态判断：将K_i值与预设的阈值T＝60％进行比较，小于T则判定没有说谎，大于等于T则判定说谎；阈值T为通过计算犯罪组被试和对照组被试探测刺激和无关刺激的分类识别率，以及讨论犯罪组被试和对照组被试分类识别率具有显著差异的原因，并对这些数据进行统计分析得到，阈值T为判断说谎与否的临界值。实际操作过程中，可通过参数设置单元5对判定阈值T进行具体设定。表1列出了犯罪组被试和对照组被试的分类识别率。

表1犯罪组被试和对照组被试的分类识别率

由表1可见，AIA-ELM显著提高了犯罪组被试的探测刺激和无关刺激的分类识别率，虽然耗时变长，但运算速度仍比较快，在承受范围之内，因而本发明选择AIA-ELM作为分类器。犯罪组被试的分类识别率K_i较大，均大于90％，对照组被试的分类识别率K_i较小，且均小于60％。由此可见，被试的分类识别率K_i能敏感的反映被试是否说谎，所设阈值T＝60％能正确区分被试是否说谎。

步骤十一，测谎结果输出：处理器将步骤七中所作出的说谎与否状态判断结果输出。

Claims (8)

1.基于改进超限学习机的N400诱发电位测谎方法，其特征在于包括以下步骤：

步骤一，脑电信号提取与同步放大：

通过64导联脑电电极对被测者头部64个部位的脑电信号分别同时进行实时提取，且通过脑电信号放大器对提取的64路脑电信号同步进行放大处理；根据各导联脑电电极的布设位置，相应地对各导联脑电电极所提取的脑电信号进行编号；

步骤二，脑电信号采集：

通过64导联脑电信号采集设备按照预先设定的采样频率对经放大处理后的64路脑电信号同步进行采集，并将所采集的64路脑电信号转换成对应编号的64路数字脑电信号Z_i(t)后同步传送至处理器，其中i＝1、2、3…64；

步骤三，脑电信号接收与同步存储：

处理器将所接收到的64路数字脑电信号Z_i(t)分别对应存储至存储器内预先建立的存储单元内，且对各存储单元内所存储的上一个信号进行替换，以对各存储单元内所存储信息进行实时更新；

步骤四，脑电信号预处理：

对存储单元内的64路数字脑电信号Z_i(t)进行去除眼电伪迹和去除电压幅值超过±100uv的脑电信号伪迹操作，然后进行带通滤波；

步骤五，脑电信号叠加平均：

对预处理之后的64路数字脑电信号Z_i(t)按照不同的刺激类型进行分段，每种刺激分段时间间隔为刺激出现前200ms到刺激出现后1000ms，获取每一段的多个采样点，然后将多个采样点进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和其中为探测刺激对应的ERP脑电信号数据、为无关刺激对应的ERP脑电信号数据；

步骤六，脑电信号时域、频域特征提取：

分析模拟犯罪测试中所有犯罪组被试的各导联脑电信号，选取编号为AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6这40个通道中的ERP数据，分别计算260～440ms时间内两种刺激诱发的ERP数据的峰值、平均幅值和两种刺激的中值频率；将峰值、平均幅值、中值频率三种特征参数构成特征向量，探测刺激和无关刺激各40个特征向量共80个样本；

步骤七，建立超限限学习机ELM网络：具体过程如下：

对于占80个样本数量60％-70％的N个各不相同样本(x_i，y_i)，其中x_i＝[x_i1，x_i2，…，x_in]^T∈Rⁿ,y_i＝[y_i1，y_i2，…，y_im]^T∈R^m，则一个样本(x_i，y_i)具有L个隐层节点，激励函数为g(x)的前馈神经网络的输出可以表示为：

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i),x_i\∈R^n,a_i\∈R^n,{\mathrm{\β}}_i\∈R^m,---\left(1\right)$

其中，a_i＝[a_i1，a_i2，…，a_in]^T是输入层到隐含层节点的权值，b_i是第i个隐含层节点的偏差(bias)；β_i＝[β_i1，β_i2，…，β_im]^T是连接第i个隐含层节点的输出权值；a_i·x_i表示向量a_i和x_i的内积；

如果这个具有L个隐含层节点的前馈神经网络能以零误差逼近这N个样本，则存在a_i，b_i，β_i使

$f_L\left(x\right)={\mathrm{\Σ}}_{i=1}^L{\mathrm{\β}}_{i}G(a_i\·x_i+b_i)=y_i,i=1,2,...,L,---\left(2\right)$

(2)式可以简化为

Hβ＝Y， ⑶

H是网络的隐含层输出矩阵，在ELM算法中，输入权值和隐含层偏差随机给定，隐含层H为一个确定的矩阵，前馈神经网络的训练转化成一个求解输出权值矩阵的最小二乘解的问题，求出输入权值的最小二乘解、完成网络的训练，输出权值矩阵β可由⑷式得到；

$\widehat{\mathrm{\β}}=H^{+}Y,---\left(4\right)$

其中H⁺表示隐含层输出矩阵H的广义逆,Y表示样本的期望输出矩阵，是β的估值；

步骤八，设计AIA-ELM分类器：

通过人工免疫算法AIA对超限学习机ELM的输入层到隐含层的权值和隐含层阈值进行优化，优化过程如下：

①产生初始抗体群；随机产生N个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；

②对上述群体中各个抗体进行评价；在本算法中对个体的评价是以个体的期望繁殖率P为标准的，F为分类器测试样本的均方误差，C为抗体浓度即群体中相似抗体所占的比例；

③形成父代群体；将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体；同时取前m个个体存入记忆库中；

④判断是否满足结束条件，是则结束；反之，则继续下一步操作；

⑤新群体的产生；基于步骤④的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体；

⑥转去执行步骤③；

步骤九，计算单个被试探测刺激和无关刺激的分类识别率：

将80个样本分为48个训练样本和32测试样本输入AIA-ELM分类器计算分类识别率，记为K_i；

步骤十，说谎与否状态判断：

将K_i值与预设的阈值T进行比较，小于T则判定没有说谎，大于等于T则判定说谎；阈值T为通过计算犯罪组被试和对照组被试探测刺激和无关刺激的分类识别率，以及讨论犯罪组被试和对照组被试分类识别率具有显著差异的原因，并对这些数据进行统计分析得到，阈值T为判断说谎与否的临界值。

2.根据权利要求1所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述预设的阈值T＝60％。

3.根据权利要求1所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述采样频率为500Hz～20000Hz。

4.根据权利要求3所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述采样频率为1000Hz，每种刺激每一段得到1201个采样点，将1201个采样点进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和

5.根据权利要求1所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述滤波频率为0Hz～400Hz。

6.根据权利要求5所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述滤波频率为0.1Hz～30Hz。

7.根据权利要求1所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：提取被试头部脑电信号时，只提取与N400有关的40个通道AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6的脑电信号。

8.根据权利要求1所述的基于改进超限学习机的N400诱发电位测谎方法，其特征在于：所述激励函数g(x)采用“Sigmoid”函数。