CN108498106A - 基于多重分形消除趋势波动分析的cnv脑电测谎方法 - Google Patents
基于多重分形消除趋势波动分析的cnv脑电测谎方法 Download PDFInfo
- Publication number
- CN108498106A CN108498106A CN201810128802.9A CN201810128802A CN108498106A CN 108498106 A CN108498106 A CN 108498106A CN 201810128802 A CN201810128802 A CN 201810128802A CN 108498106 A CN108498106 A CN 108498106A
- Authority
- CN
- China
- Prior art keywords
- fractal
- eeg signals
- brain
- eeg
- cnv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/164—Lie detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于多重分形消除趋势波动分形分析的CNV脑电测谎方法,该方法包括脑电信号采集、脑电信号预处理、脑电信号特征提取和脑电信号显示四部分。本发明利用多重分形消除趋势波动分形分析法对CNV脑电波进行特征提取,弥补了现有测谎技术对脑电信号局部自相似性和非平稳性分析的不足。同时利用软件分别采集实验组和对照组多个受试者脑电信号,将采集的脑电信号存储在预先设定的存储单元中,然后对同一受试者在不同状态下的脑电数据进行预处理和特征提取,对其预处理及特征进行分析和对比,从而给出合理的测谎结果。
Description
技术领域
本发明属于CNV脑电测谎研究技术领域,具体涉及一种基于多重分形消除趋势波动分析的CNV脑电测谎方法。
背景技术
当今时代科技飞速发展,作案工具智能化和作案手段隐蔽性使得案件取证难度不断增大,因此口供查证和辨别成为案件突破的关键。近年来,心理学理论和科学测谎技术开始在询问实践中发挥重要作用,并广泛应用于商业、政治、法院审判和国家安全等领域。
事件相关电位技术是测谎技术研究热点之一,具有客观、稳定、节约成本和无创等优势,主要体现在P300和CNV(contingent negative variation)能够从不同角度反映受试者对说谎信息的认知水平,熟悉记忆比陌生信息能诱发出更正向的P300脑电波,强烈的说谎动机和未知的说谎后果会诱发出负向偏转的CNV脑电波。
在整个脑电波刺激过程中,研究人员发现在欺骗意识产生之后、按键反应之前出现CNV成分,但关注度相对于P300来说少很多。Fang等人发现,目标照片比其他照片诱发出更为负向的CNV,并且欺骗状态脑电矢量长度比诚实状态脑电矢量长度值较大,表明CNV脑电波适用于测谎研究。为探讨P300和CNV的认知功能差异,崔茜等在实验设计中设置了有反馈和无反馈两种环节。研究结果发现,两组实验都可以同时诱发正向波P300和负向波CNV两种成分,潜伏期分别出现在刺激后450ms和800ms附近。P300主要反映个体认知差异,而CNV反映的是受试者对欺骗结果的期待程度。通过Bootstrap波幅差异分析得出,P300脑电波测谎性能不受反馈条件的影响,而CNV在有反馈条件下表现出比无反馈条件更好的谎言检测效果。此外,研究人员通过统计两类波形差异分析,现有CNV脑电测谎正确率在80%左右。
综上可知,现有ERP测谎方法主要是从时域、频域和小波分析等线性角度出发来研究脑电的波形特征,尽管在实验室研究中取得了较好的测谎结果,但事实上脑电信号是非线性的,而且是混沌的。此外,现有测谎技术对脑电信号局部自相似性和非平稳性表征不足。
发明内容
为了克服上述现有技术存在的缺陷,本发明的目的在于提供一种基于多重分形消除趋势波动分析的CNV脑电测谎方法,该方法能够弥补现有测谎技术对脑电信号单重分形特征表征的不足。
本发明是通过以下技术方案来实现:
本发明公开的一种基于多重分形消除趋势波动分析的CNV脑电测谎方法,包括以下步骤:
步骤一:脑电信号提取与同步放大
通过导联脑电电极对被测者头部不同位置的脑电信号进行实时提取,然后通过脑电信号放大器对提取的脑电信号进行同步放大处理;
步骤二:脑电信号采集与存储
通过脑电信号采集设备对经步骤一同步放大处理的脑电信号按照预设的采样频率同步进行采集,并将所采集的脑电信号转换成对应编号的数字脑电信号Zi(t)后同步传送至处理器,存储于预先建立的存储单元,其中i=1,2,…,m,m为采集被测者头部的部位总数;
步骤三:脑电信号预处理
对同一被测者在不同状态下存储的脑电信号进行预处理,预处理包括去除被测者的误操作、去除垂直和水平眼电伪迹以及噪声干扰;
步骤四:脑电信号特征提取
对预处理后的脑电信号进行分析,提取由奇异指数α0、分形谱差值Δf、分形谱宽度Δα及称性参数|B|构成的多重分形特征向量构成的多重分形特征向量,对多重分形特征向量进行分析和比对,得出测谎结果。此处所述分析和比对,可以用常规的阈值算法或支持向量计算出分类识别率算法。
优选地,步骤一中,实时提取时,根据各导联脑电电极的放置位置,提取相应位置的脑电信号,并对其进行标记;具体地,采用64导联脑电电极,对被测者头部64个部位的脑电信号进行实时提取。
优选地,步骤二中,通过64导脑电信号采集设备对各脑电信号进行放大处理,将所采集的64导脑电信号转换成对应编号的数字脑电信号Zi(t)进行存储,且i=1,2,…,m,m=64。
优选地,步骤三中,预处理条件为:将参考电极设置为TP9和TP10,并进行0.5~30Hz的数字滤波,选取刺激呈现前500ms到刺激后2500ms的脑电信号进行30次叠加平均和基线校正,其中基线选取刺激前500ms。
优选地,步骤四具体操作,包括以下步骤:
1)对于长度为N的脑电序列{xk},k=1,2,...,N,计算其累积离差:
式中,表示序列{xk}的均值
2)数据分割:将离差后的诱发脑电Y(i)等分成Ns=int(N/s)个数据段,其长度是s且无重叠部分;由于N不一定能整除s,所以将上述分割过程再从数据尾部重复一次,使得序列Y(i)的数据全部进入计算,于是得到2Ns个等长数据段;
3)消除趋势:用最小二乘法对每个数据段v(v=1,2,...,2Ns)内s个点进行k阶多项式拟合得到局部趋势函数yv(i),则消除趋势波动的脑电数据段是
Ys(i)=Y(i)-yv(i)
4)计算波动函数:完成趋势消除后计算各段脑电序列的均方误差F2(s,v),当v=1,2,...,Ns时
当v=Ns+1,Ns+2,...,2Ns时
然后求F2(s,v)在2Ns个数据段内的均值,得到q阶波动函数Fq(s)
5)改变脑电数据段分割长度s,得到对应波动函数Fq(s),并且波动函数Fq(s)随分割长度s的增大而增大,且呈幂律关系,即Fq(s)∝sH(q),分别对关系式两边取对数求其线性拟合直线斜率H(q),则该直线斜率H(q)被称为q阶广义Hurst指数H(q);
6)H(q)与质量指数τ(q)的关系可表示为τ(q)=qH(q)-1,对τ(q)~q进行Legendre变换,则奇异性强度指数α(q)(Lipschitz-Holder指数)和多重分形谱f(α)(也称为奇异性谱)定义如下:
α(q)=dτ(q)/dq
f(α)=q·α(q)-τ(q)
多重分形谱宽度Δα=αmax-αmin反映了诱发脑电信号的波动程度,Δα值越大表示诱发脑电波动越激烈,分形强度越大。
当fmax=f(α0),α0∈[αmin,αmax]时,α0表示多重分形谱峰所对应奇异指数。
分形谱差值Δf=fmax-fmin刻画了脑电信号在整个时间序列中波峰个数与波谷个数的比值。
用最小二次拟合法拟合多重分形曲线f(α)~α,拟合方程为f(α)=A(α-α0)2+B(α-α0)+C,其中|B|为拟合曲线与y轴交点处的切线斜率绝对值,也就是多重分形曲线的对称性参数。
优选地,同一被测者在不同状态下指的是在说谎状态下和诚实状态下两种情况。
优选地,在步骤四之后,还包括将被测者在说谎状态和诚实状态下预处理后的脑电数据及提取的脑电信号特征显示在计算机显示屏中。
与现有技术相比,本发明具有以下有益的技术效果:
1、本发明采用的CNV脑电测谎方法设计合理,所用设备结构简单且接线方便,投入成本较低;
2、采用的多重分形消除趋势波动分析主要以多重分形理论为基础,能够弥补传统时频方法的不足,尽可能还原大脑复杂的神经元活动,探索诚实和欺骗两种状态在不同导联处的脑电变化规律,以揭示认知脑电的工作原理;
3、将所采用的奇异指数α0、分形谱差值Δf、分形谱宽度Δα及对称性参数|B|经过数据融合后能够更好的实现脑电信号分类识别,本发明采用多重分形消除趋势波动分析法对实验组和对照组进行特征提取,使得两类样本的差异性得到凸显,实现实验组和对照组的特征对比。
附图说明
图1为本发明所采用脑电测谎装置的电路原理框图;
图2为采用本发明进行脑电测谎的方法流程框图;
图3为本发明64导联脑电电极的布设位置示意图;
图4为刺激显示流程图;
图5为实验组受试者在Fz导联处的ERP波形图;
图6为对照组受试者在Fz导联处的ERP波形图;
图7为实验组受试者探测刺激和无关刺激的奇异指数α0;
图8为对照组受试者探测刺激和无关刺激的奇异指数α0;
图9为实验组受试者探测刺激和无关刺激的分形谱高度差值Δf;
图10为对照组受试者探测刺激和无关刺激的分形谱高度差值Δf;
图11为实验组受试者探测刺激和无关刺激的分形谱宽度Δα;
图12为对照组受试者探测刺激和无关刺激的分形谱宽度Δα;
图13为实验组受试者探测刺激和无关刺激的对称性参数|B|;
图14为对照组受试者探测刺激和无关刺激的对称性参数|B|。
其中,1为64导联脑电电极;2为脑电信号放大器;3为64导联脑电信号采集设备;4为处理器;5为参数设置单元;6为存储器;7为提示单元;8为显示器;9为计时电路。
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,本领域通技术人员在没有做创造性劳动前提下所获得的所有其实施例,都属于本发明保护的范围。
参见图1,为本发明所采用脑电测谎装置的电路原理框图装置。结合图2对本发明方法进行详细介绍,包括以下步骤:
步骤一,脑电信号的提取和同步放大:
通过64导联脑电电极1对测试者头部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导联对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中各导联电电极的布设位置相应对各导联脑电电极所提取的脑电号进行编号。
参见图3,64导联脑电电极1的编号顺序为1#:"Fp1”;2#:“Fz”;3#:“F3”;4#:“F7”;5#:“FT9”;6#:“FC5”;7#:“FC1”;8#:“C3”;9#:“T7”;10#:“TP9”;11#:“CP5”;12#:“CP1”;13#:“Pz”;14#:“P3”;15#:“P7”;16#:“O1”;17#:“Oz”;18#:“O2”;19#:“P4”;20#:“P4”;21#:“TP10”;22#:“CP6”;23#:“CP2”;24#:“Cz”;25#:“C4”;26#:“T8”;27#:“FT10”;28#:“FC6”;29#:“FC2”;30#:“F4”;31#:“F8”;32#:“Fp2”;33#:“AF7”;34#:“AF3”;35#:“AFz”;36#:“F1”;37#:“F5”;38#:“FT7”;39#:“FC3”;40#:“C1”;41#:“C5”;42#:“TP7”;43#:“CP3”;44#:“P1”;45#:“P5”;46#:“PO7”;47#:“PO3”;48#:“POz”;49#:“PO4”;50#:“PO8”;51#:“P6”;52#:“P2”;53#:“CPz”;54#:“CP4”;55#:“TP8”;56#:“C6”;57#:“C2”;58#:“FC4”;59#:“FT8”;60#:“F6”;61#:“F2”;62#:“AF4”;63#:“AF8”;64#:“FCz”。64导联电极1的安放按国际电图学会标定的10-20电极导联定位标准,每个电极与临近电极离开10%-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。
步骤二,脑电信号采集与存储:
通过64导脑电信号采集设备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Zi(t)后同步传送至处理器4,其中i=1,2,…,64。处理器4将所接收到的脑电信号分别存储到存储器6内预先建立的存储单元中,且对各存储单元内所存储信息进行实时更新。与处理器4相连的还包括计时电路9。
本发明依据CNV测谎原理,采用Oddball三刺激范式CIT方法设计反馈实验诱发事件相关电位产生,实验前实验组受试者先从“钱包”和“手机”照片中“偷取”一件物品并熟记其外貌特征,那么探测刺激即为受试者偷取物品,靶刺激是见过但没偷走的物品,此外另选四张未见过的物品图片(手表、耳环、吊坠和手镯)为无关刺激。而对照组受试者同样见过“钱包”和“手机”,但均未偷取,所以对所有物品图片做诚实回答。
在本发明脑电信号采集步骤中需要通过显示器8给受试者呈现相关刺激。在图4中先显示出一个持续0.5s的注视点“+”,表示测试过程即将开始,请保持注意力集中。接着随机显示一张大小为540mm*405mm的物品图片,持续0.5s,这时需要受试者对这张图片进行快速回忆和思考,当看到“***”提示符出现时及时按键回答,给出判断结果“见过”或“没见过”。随后在屏幕空白界面显示1.5s后,计算机会对受试者的反应给予奖励或惩罚,即反馈“+0.5”或“-3”,当受试者成功骗过计算机使其相信反应为真时会奖励0.5个积分,如果发现是在说谎则会扣掉3个积分。相邻两次刺激(物品图片)之间的间隔是1.5s。本发明中,采样频率为1000Hz。
步骤三中,所述的脑电信号叠加平均是对原脑电信号按照不同的刺激类型进行分段,分段时间间隔为探测/无关出现前500ms到刺激出现后的2500ms,即每一段能够得到3001个采样点,进行叠加平均得到64路数字脑电信号Zi(t)对应的ERP脑电信号和,其中为探测刺激对应的ERP脑电数据,为无关刺激对应的ERP脑电数据。
统计所有受试者的多导脑电波后发现,在多个导联处,探测刺激诱发CNV脑电波比无关刺激诱发的CNV更为负向。此时以一名实验组受试者和一名对照组受试者的Fz导联脑电信号为例,如图5和图6所示,可以看出,在1000ms到1700ms内实验组探测刺激诱发CNV比无关刺激诱发CNV负向偏转较为明显,这是因为在探测刺激呈现后,实验组受试者开始对该物品图片进行认知判断并等待按键,此时计算机反馈环节使得受试者欺骗动机逐渐增强,进而导致诱发脑电出现更负向的偏转。而对陌生无关刺激的反应属于正常情况,脑电信号的波动范围相对探测刺激的较小。与实验组不同,对照组受试者属于无辜者,虽然见过探测刺激但没有偷窃隐藏心理,因此在等待按键过程中探测刺激与无关刺激诱发ERP差异不显著,即表现出相似的变化趋势和波动幅度。
步骤四中,各导联处脑电信号特征的提取步骤包括:
1)对于长度为N的脑电序列{xk},k=1,2,...,N,计算其累积离差
式中表示序列{xk}的均值
2)数据分割:将离差后的诱发脑电Y(i)等分成Ns=int(N/s)个数据段,其长度是s且无重叠部分。由于N不一定能整除s,所以将上述分割过程再从数据尾部重复一次,使得序列Y(i)的数据全部进入计算,于是得到2Ns个等长数据段;
3)消除趋势:用最小二乘法对每个数据段v(v=1,2,...,2Ns)内s个点进行k阶多项式拟合得到局部趋势函数yv(i),则消除趋势波动的脑电数据段是
Ys(i)=Y(i)-yv(i)
4)计算波动函数:完成趋势消除后计算各段脑电序列的均方误差F2(s,v),当v=1,2,...,Ns时
当v=Ns+1,Ns+2,...,2Ns时
然后求F2(s,v)在2Ns个数据段内的均值,得到q阶波动函数Fq(s)
5)改变脑电数据段分割长度s,得到对应波动函数Fq(s),并且波动函数Fq(s)随分割长度s的增大而增大,且呈幂律关系,即Fq(s)∝sH(q),分别对关系式两边取对数求其线性拟合直线斜率H(q),则该直线斜率H(q)被称为q阶广义Hurst指数H(q);
6)H(q)与质量指数τ(q)的关系可表示为τ(q)=qH(q)-1,对τ(q)~q进行Legendre变换,则奇异性强度指数α(q)(Lipschitz-Holder指数)和多重分形谱f(α)(也称为奇异性谱)定义如下:
α(q)=dτ(q)/dq
f(α)=q·α(q)-τ(q)
多重分形谱宽度Δα=αmax-αmin反映了诱发脑电信号的波动程度,Δα值越大表示诱发脑电波动越激烈,分形强度越大。
当fmax=f(α0),α0∈[αmin,αmax]时,α0表示多重分形谱峰所对应奇异指数。
分形谱差值Δf=fmax-fmin刻画了脑电信号在整个时间序列中波峰个数与波谷个数的比值。
用最小二次拟合法拟合多重分形曲线f(α)~α,拟合方程为f(α)=A(α-α0)2+B(α-α0)+C,其中|B|为拟合曲线与y轴交点处的切线斜率绝对值,也就是多重分形曲线的对称性参数。
本实施例对提取出的多重分形特征向量采用分类对比法进行对比和分析,将提取得到的多重分形特征向量输入GSSVM分类器中,进行训练和测试即可得出分类结果。
具体地,支持向量机(support vertex machine,SVM)为非线性模式识别的有效工具之一。SVM分类器因具有较好的训练能力和学习能力而得到广泛应用,其计算方法如下:
给定训练集W={(xi,yi),i=1,...,l},xi∈RN是输入样本集,yi∈{-1,1}是分类标签,分类超平面的获取可转化为求公式(1-1)的最优解问题。
K(xi,xj)=exp(-g||xi-xj||2),g>0 (1-3)
选用核函数K(xi,xj)是径向基核函数,从上面三个公式可知SVM的分类效果主要取决于惩罚因子C和核函数参数r。一般参数C和r是靠经验值进行设定,随机性和不确定性会使得SVM分类结果难以取得最优值。因此,选用网格-搜索法(grid-search)对SVM分类模型进行优化,主要通过设定参数搜索范围来获取SVM预测结果,当SVM预测值取得最大时所对应的参数即为最优参数,预测值即为最优解。其中,惩罚因子C和核函数参数r的搜索范围设定为2-5~25,步长是2。
图7、8、9、10、11、12、13和14是一名实验组受试者和一名对照组受试者的多重分形特征值,横坐标对应导联分别是F3、FC5、C3、T7、CP5、AF3、F5、Fz、Cz、Pz、F4、FC6、C4、T8、CP6、AF4、F6。可以看出,相同刺激诱发脑电CNV在不同导联处表现出不同的分形特征,说明在刺激信息呈现时大脑的激活区域有差异,导致脑电信号波动情况有所差别。组间对比发现,实验组无关刺激诱发CNV的奇异指数α0集中分布在(1.3,1.7)内,整体大于探测刺激奇异指数α0。显然,实验组受试者在欺骗和诚实回答时激活脑区差异较为明显,而对照组受试者在对两类刺激进行诚实回答过程中激活脑区相似性较大。与此同时,实验组探测刺激和无关刺激诱发CNV脑电的分形谱高度差值Δf、分形谱宽度Δα及对称性参数|B|在多个导联处也呈现出较大差异。而对照组的两类刺激多重分形特征在空间分布上差异相对较小。
综上所述,本发明利用多重分形消除趋势波动分析法对CNV脑电波进行特征提取,弥补了现有测谎技术对脑电信号局部自相似性和非平稳性分析的不足。同时利用软件分别采集实验组和对照组多个受试者脑电信号,将采集的脑电信号存储在预先设定的存储单元中,然后对同一受试者在不同状态下的脑电数据进行预处理和特征提取,对其预处理及特征进行分析和对比,从而给出合理的测谎结果。
Claims (7)
1.一种基于多重分形消除趋势波动分析的CNV脑电测谎方法,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
通过导联脑电电极对被测者头部不同位置的脑电信号进行实时提取,然后通过脑电信号放大器对提取的脑电信号进行同步放大处理;
步骤二:脑电信号采集与存储
通过脑电信号采集设备对经步骤一同步放大处理的脑电信号按照预设的采样频率同步进行采集,并将所采集的脑电信号转换成对应编号的数字脑电信号Zi(t)后同步传送至处理器,存储于预先建立的存储单元,其中i=1,2,…,m,m为采集被测者头部的部位总数;
步骤三:脑电信号预处理
对同一被测者在不同状态下存储的脑电信号进行预处理,预处理包括去除被测者的误操作、去除垂直和水平眼电伪迹以及噪声干扰;
步骤四:脑电信号特征提取
对预处理后的脑电信号进行分析,提取由奇异指数α0、分形谱差值Δf、分形谱宽度Δα及称性参数|B|构成的多重分形特征向量,实现脑电信号分类识别,然后对多重分形特征向量进行分析和比对,得出测谎结果。
2.根据权利要求1所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,步骤一中,采用64导联脑电电极,对被测者头部64个部位的脑电信号进行实时提取。
3.根据权利要求1所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,步骤二中,通过64导脑电信号采集设备对各脑电信号进行放大处理,将所采集的64导脑电信号转换成对应编号的数字脑电信号Zi(t)进行存储,且i=1,2,…,m,m=64。
4.根据权利要求1所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,步骤三中,预处理条件为:将参考电极设置为TP9和TP10,并进行0.5~30Hz的数字滤波,选取刺激呈现前500ms到刺激后2500ms的脑电信号进行30次叠加平均和基线校正,其中基线选取刺激前500ms。
5.根据权利要求1所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,步骤四具体操作,包括以下步骤:
1)对于长度为N的脑电序列{xk},k=1,2,...,N,计算其累积离差:
式中,表示序列{xk}的均值
2)数据分割:将离差后的诱发脑电Y(i)等分成Ns=int(N/s)个数据段,其长度是s且无重叠部分;由于N不一定能整除s,所以将上述分割过程再从数据尾部重复一次,使得序列Y(i)的数据全部进入计算,得到2Ns个等长数据段;
3)消除趋势:用最小二乘法对每个数据段v(v=1,2,...,2Ns)内s个点进行k阶多项式拟合,得到局部趋势函数yv(i),则消除趋势波动的脑电数据段,得到:
Ys(i)=Y(i)-yv(i);
4)计算波动函数:完成趋势消除后计算各段脑电序列的均方误差F2(s,v),当v=1,2,...,Ns时:
当v=Ns+1,Ns+2,...,2Ns时:
然后,求F2(s,v)在2Ns个数据段内的均值,得到q阶波动函数Fq(s):
5)改变脑电数据段分割长度s,得到对应波动函数Fq(s),并且波动函数Fq(s)随分割长度s的增大而增大,且呈幂律关系,即Fq(s)∝sH(q),分别对关系式两边取对数求其线性拟合直线斜率H(q),则该直线斜率H(q)被称为q阶广义Hurst指数H(q);
6)H(q)与质量指数τ(q)的关系可表示为τ(q)=qH(q)-1,对τ(q)~q进行Legendre变换,则奇异性强度指数α(q)和多重分形谱f(α)定义如下:
α(q)=dτ(q)/dq;
f(α)=q·α(q)-τ(q);
多重分形谱宽度Δα=αmax-αmin反映了诱发脑电信号的波动程度,Δα值越大表示诱发脑电波动越激烈,分形强度越大;
当fmax=f(α0),α0∈[αmin,αmax]时,α0表示多重分形谱峰所对应奇异指数;
分形谱差值Δf=fmax-fmin刻画了脑电信号在整个时间序列中波峰个数与波谷个数的比值;
用最小二次拟合法拟合多重分形曲线f(α)~α,拟合方程为:
f(α)=A(α-α0)2+B(α-α0)+C,其中,|B|为拟合曲线与y轴交点处的切线斜率绝对值,即多重分形曲线的对称性参数;
由多重分形原理可知,当分形谱差值Δf和谱宽度Δα值越大,曲线f(α)对称性参数|B|和α0越小时,诱发脑电波动越剧烈,多重分形特性越强。
6.根据权利要求1~5中任意一项所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,同一被测者在不同状态下指的是在说谎状态下和诚实状态下两种情况。
7.根据权利要求6所述的基于多重分形消除趋势波动分析的CNV脑电测谎方法,其特征在于,在步骤四之后,还包括将被测者在说谎状态和诚实状态下预处理后的脑电数据及提取的脑电信号特征显示在计算机显示屏中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810128802.9A CN108498106B (zh) | 2018-02-08 | 2018-02-08 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810128802.9A CN108498106B (zh) | 2018-02-08 | 2018-02-08 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108498106A true CN108498106A (zh) | 2018-09-07 |
CN108498106B CN108498106B (zh) | 2021-10-29 |
Family
ID=63375561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810128802.9A Active CN108498106B (zh) | 2018-02-08 | 2018-02-08 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108498106B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109700458A (zh) * | 2019-01-14 | 2019-05-03 | 广西医科大学第一附属医院 | 一种eeg脑功能网络构建方法、装置及存储介质 |
CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN110192875A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号波形因子的测谎方法 |
CN110192876A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号峭度的测谎方法 |
CN110680315A (zh) * | 2019-10-21 | 2020-01-14 | 西安交通大学 | 基于非对称多重分形去趋势相关分析脑肌电信号监测方法 |
CN110780342A (zh) * | 2019-12-31 | 2020-02-11 | 四川大学 | 一种岩石边坡变形预警方法 |
CN113729708A (zh) * | 2021-09-10 | 2021-12-03 | 上海理工大学 | 一种基于眼动技术的谎言评判方法 |
CN114818776A (zh) * | 2022-03-18 | 2022-07-29 | 北京邮电大学 | 多模态测谎的数据对齐及异常值处理方法、装置及存储介质 |
CN115089133A (zh) * | 2022-06-20 | 2022-09-23 | 中国农业银行股份有限公司 | 脉象信号识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120245474A1 (en) * | 2006-08-25 | 2012-09-27 | Technion Research & Development Foundation, Ltd. | Subjective significance evaluation tool, brain activity based |
CN105615879A (zh) * | 2016-04-05 | 2016-06-01 | 陕西师范大学 | 基于多重分形消除趋势波动分析的脑电测谎方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
-
2018
- 2018-02-08 CN CN201810128802.9A patent/CN108498106B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120245474A1 (en) * | 2006-08-25 | 2012-09-27 | Technion Research & Development Foundation, Ltd. | Subjective significance evaluation tool, brain activity based |
CN105615879A (zh) * | 2016-04-05 | 2016-06-01 | 陕西师范大学 | 基于多重分形消除趋势波动分析的脑电测谎方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
Non-Patent Citations (2)
Title |
---|
释磊: "基于P300和CNV结合的测谎研究", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》 * |
金宁德 等: "《非线性信息处理技术》", 31 January 2017 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109700458A (zh) * | 2019-01-14 | 2019-05-03 | 广西医科大学第一附属医院 | 一种eeg脑功能网络构建方法、装置及存储介质 |
CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN110192875A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号波形因子的测谎方法 |
CN110192876A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号峭度的测谎方法 |
CN110680315A (zh) * | 2019-10-21 | 2020-01-14 | 西安交通大学 | 基于非对称多重分形去趋势相关分析脑肌电信号监测方法 |
CN110780342A (zh) * | 2019-12-31 | 2020-02-11 | 四川大学 | 一种岩石边坡变形预警方法 |
CN113729708A (zh) * | 2021-09-10 | 2021-12-03 | 上海理工大学 | 一种基于眼动技术的谎言评判方法 |
CN113729708B (zh) * | 2021-09-10 | 2023-06-20 | 上海理工大学 | 一种基于眼动技术的谎言评判方法 |
CN114818776A (zh) * | 2022-03-18 | 2022-07-29 | 北京邮电大学 | 多模态测谎的数据对齐及异常值处理方法、装置及存储介质 |
CN114818776B (zh) * | 2022-03-18 | 2022-11-11 | 北京邮电大学 | 多模态测谎的数据对齐及异常值处理方法、装置及存储介质 |
CN115089133A (zh) * | 2022-06-20 | 2022-09-23 | 中国农业银行股份有限公司 | 脉象信号识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108498106B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108498106A (zh) | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 | |
CN108309329A (zh) | 一种基于脑网络分析的cnv脑电测谎方法 | |
CN105852885B (zh) | 基于改进超限学习机的n400诱发电位测谎方法 | |
Yang et al. | On the usability of electroencephalographic signals for biometric recognition: A survey | |
Ouyang et al. | Residue iteration decomposition (RIDE): A new method to separate ERP components on the basis of latency variability in single trials | |
US6804661B2 (en) | Drug profiling apparatus and method | |
US7254500B2 (en) | Monitoring and representing complex signals | |
CN103699226B (zh) | 一种基于多信息融合的三模态串行脑-机接口方法 | |
US20050124863A1 (en) | Drug profiling apparatus and method | |
CN105615879B (zh) | 基于多重分形消除趋势波动分析的脑电测谎方法 | |
US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
CN103019382B (zh) | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 | |
CN110215206A (zh) | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 | |
Wang et al. | Emotion recognition using WT-SVM in human-computer interaction | |
CN104536573A (zh) | 一种基于高频闪烁情感刺激的脑-机接口方法 | |
CN111580643A (zh) | 一种基于稳态不对称视觉诱发电位的脑-机接口方法 | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
CN116211306A (zh) | 基于眼动和心电信号的心理健康自评估系统 | |
Wei et al. | Online vigilance analysis based on electrooculography | |
Ashenaei et al. | Stable EEG-based biometric system using functional connectivity based on time-frequency features with optimal channels | |
Donchin | Cognitive Psychophysiology: Event-Related Potentials and the Study of Cognition: The Carmel Conferences Volume I | |
Feige | Oscillatory brain activity and its analysis on the basis of MEG and EEG | |
Jiang et al. | Single-trial ERP detecting for emotion recognition | |
CN110613446A (zh) | 一种信号处理方法及装置 | |
Cynthia et al. | A new system for detecting fatigue and sleepiness using brain connectivity: EEG based estimation of fatigue, vigilance and sleepiness for drivers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |