CN110192875A - 基于多导脑电信号波形因子的测谎方法 - Google Patents
基于多导脑电信号波形因子的测谎方法 Download PDFInfo
- Publication number
- CN110192875A CN110192875A CN201910441045.5A CN201910441045A CN110192875A CN 110192875 A CN110192875 A CN 110192875A CN 201910441045 A CN201910441045 A CN 201910441045A CN 110192875 A CN110192875 A CN 110192875A
- Authority
- CN
- China
- Prior art keywords
- lie
- shape factor
- eeg signals
- leading
- data
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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]
Abstract
本发明提供了一种基于多导脑电信号波形因子的测谎方法,包括以下步骤:通过多导脑电电极对诚实和说谎两类受试者头部多个部位的脑电信号进行实时采集,对采集的脑电信号进行预处理操作;计算每一导脑电数据的波形因子,提取两类受试者具有显著性差异的电极的波形因子作为分类特征;利用两类受试者的具有显著性差异的电极的波形因子指标构建特征向量作为样本数据,通过样本数据对初始机器学习分类器模型进行验证,获得具有最佳参数组合的分类器;利用分类器对测试者进行测谎。本发明将计算多导脑电信号的波形因子的方法应用到脑电测谎领域中,可以很好的区分诚实与说谎两类人群的脑电信号,从而达到测谎的目的,提高了测谎的效率以及准确率。
Description
技术领域
本发明涉及脑电测谎领域,尤其涉及一种基于多导脑电信号波形因子的测谎方法。
背景技术
说谎是人类社会普遍存在的社会及心理现象。谎言成为了影响社会安定团结的因素,并对人民群众的财产和生命安全构成了严重威胁。因此心理生理学家和其他相关方面专家一直在努力寻找有效的测谎方法。测谎的有效性,已在国内外长期而广泛的应用实践中得到证实。测谎技术首先对于刑侦案件的侦破有着重要的应用价值。另外,谎言识别对于心理疾病及心理障碍的治疗也有重要的意义。另外,当前国际反恐斗争形势仍然严峻,我国也迫切需要建立行之有效的反恐手段。而研究基于脑认知行为的测谎方法将拓宽现有的反恐手段,丰富对恐怖分子的监测渠道和防范措施,力争将恐怖破坏活动消灭在萌芽状态,从而最大程度的降低恐怖活动对人民生命及国家安全的威胁。
传统的测试方法被称为多道生理信号测试仪技术,虽然具有一定的科学依据,但由于采集的各种信号是基于外周自主神经系统的,测试过程易受紧张、恐惧等因素的影响,其准确性受到很大的限制。另外一个重要的原因就是传统测谎技术存在潜在的反测谎的危险性,因为通过有意识的认知方法及身体控制可以改变多道测谎的生理指标。
现代测谎技术主要利用人在面对犯罪活动或者虚假信息时的脑神经活动信号的分析进行测谎,比如利用脑电信号的事件相关电位(Eventrelatedpotential,ERP)反映大脑认知的加工过程,通过事件相关电位进行测谎分析。相对于传统的测谎方法,现代测谎技术在研究内容方面比较注重从神经生理层面探析大脑在感知觉、记忆、思维、想象等心理现象发生过程中的信息编码与提取特点。众多科研人员研究证明EEG信号的ERP成分包含了难以抑制的自动加工过程,因而相对于传统测谎技术,现代测谎技术可以比较有效地抵制反测谎行为。
当前基于ERP的测谎技术还有诸多弊端,诸如刺激量大,准确率低下,需要大量数据叠加,实验时间较长,被试容易疲劳,同时随着测试信息的次数越来越多,犯罪者或者被测试者对虚假信息的敏感度将大幅降低,从而影响测试效果,因此研究一种高效的基于少次刺激(低频刺激)的测谎系统以及对围绕该系统的若干关键技术的研究显得尤为迫切。
发明内容
本发明的目的在于提供一种基于多导脑电信号波形因子的测谎方法,旨在用于解决现有的基于ERP的测谎技术刺激量大,准确率低下的问题。
本发明是这样实现的:
本发明提供一种基于多导脑电信号波形因子的测谎方法,包括以下步骤:
S1、脑电信号采集和预处理:分别对诚实和说谎两类受试者进行探测刺激,通过多导脑电电极对两类受试者头部多个部位的脑电信号进行实时采集,其中多导脑电电极包括位于受试者头部额叶、中央区域、顶叶位置的F3、F4、C3、C4、P3、P4这六个电极;分别对采集的两类受试者的脑电信号依次进行滤波、分割、基线校正、去伪迹和叠加平均的预处理操作,形成两类受试者探测刺激响应的数据集;
S2、分类特征的提取:分别计算步骤S1得到的两类受试者探测刺激响应的数据集中的每一导脑电数据的波形因子,生成诚实和说谎两类受试者的波形因子矩阵,对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析,提取两类受试者具有显著性差异的电极的波形因子作为分类特征;
S3、模式识别分类:利用步骤S2得到的两类受试者的具有显著性差异的电极的波形因子指标构建特征向量作为样本数据,通过样本数据对初始机器学习分类器模型进行K折基于受试者的交叉验证,获得具有最佳参数组合的分类器;
S4、测谎:采集测试者的探测刺激响应的数据集并计算各导脑电数据的波形因子,构建输入特征向量输入到步骤S3得到的分类器中,分类器自动判断该测试者是诚实者还是说谎者并输出测谎结果。
进一步地,所述步骤S1中对采集的脑电信号进行滤波、分割、基线校正、去伪迹和叠加平均的预处理操作具体包括:
对采集的脑电信号进行0.05-30Hz带通滤波,将刺激前300ms至刺激后1300ms的脑电数据作为一个探测刺激响应进行分割,以刺激前300ms的数据作为基线进行基线校正,使用Scan4.0去除脑电信号的垂直和水平眼电伪差,分别对两类受试者的每5个探测刺激响应数据进行一次叠加平均。
进一步地,所述步骤S2中对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析具体包括:
对两个波形因子矩阵中对应各相同电极的两组波形因子数据进行t-test统计检验,并使用Bonferroni多重校正,选出具有显著性差异的电极。
进一步地,所述步骤S3中的机器学习分类器模型采用卷积神经网络。
进一步地,所述步骤S3中通过样本数据对初始机器学习分类器模型进行K折的基于受试者的交叉验证具体包括:在交叉验证的每折中,将(K-1)名诚实受试者的样本数据和(K-1)名说谎受试者的样本数据作为训练集,剩余1名诚实受试者的样本数据和1名说谎受试者的样本数据作为测试集。
进一步地,所述步骤S3还包括:
对两类受试者的每个训练集执行多折交叉验证,每个训练集中一部分样本作为子训练集,剩余样本作为校验集,在该过程中,应用不同参数组合,使用子训练集训练分类器,接着运用验证集进行验证,当验证准确率最高时,获得具有最佳参数组合的分类器。
与现有技术相比,本发明具有以下有益效果:
本发明提供的这种基于多导脑电信号波形因子的测谎方法,将计算多导脑电信号的波形因子的方法应用到脑电测谎领域中,可以很好的区分诚实与说谎两类人群的脑电信号,从而达到测谎的目的。本发明对各个导联脑电信号的波形因子进行计算,然后对多导脑电信号的波形因子进行诚实者与说谎者的差异统计分析,利用具有显著性差异的电极的波形因子指标构建特征向量,送入到机器学习分类器中,进行机器学习的模型训练,训练好的分类器可以根据测试数据准确判断其是属于说谎者还是诚实者。该方案基于脑神经信号,克服了传统多道测谎仪易受到反测谎行为的干扰,并且相对于传统基于事件相关电位的测试技术(需要大量刺激易于导致疲劳从而降低测谎敏感度),大大降低了测试时需要的刺激次数,最终经过测试,测谎准确率也得到了很大提高。
附图说明
图1为本发明实施例提供的一种基于多导脑电信号波形因子的测谎方法的流程图;
图2为本发明实施例提供的脑电信号处理流程图;
图3为测谎实验模式示意图。
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它实施例,都属于本发明保护的范围。
如图1和图2所示,本发明实施例提供一种基于多导脑电信号波形因子的测谎方法,包括以下步骤:
步骤S1、脑电信号采集和预处理:分别对诚实和说谎两类受试者进行探测刺激,通过多导脑电电极对两类受试者头部多个部位的脑电信号进行实时采集,其中多导脑电电极包括位于受试者头部额叶、中央区域、顶叶位置的F3、F4、C3、C4、P3、P4这六个电极;分别对采集的两类受试者的脑电信号依次进行滤波、分割、基线校正、去伪迹和叠加平均的预处理操作,形成两类受试者探测刺激响应的数据集。
具体地,本实施例中选取了30名平均年龄在21岁左右的在校大学生作为受试者,为减少性别和年龄因素对统计结果的影响,将所有受试者按照性别和年龄尽量均等的原则分配到了诚实组和说谎组,且两组成员在年龄、性别和左右手习惯方面无显著差异。本次实验采用Frawell和Donchin提出的三刺激实验模式,实验前事先准备了6条不同的手链和一个保险箱。对诚实组,在保险箱中放入任意一条手链,要求受试者认真观察该手链的尺寸、颜色、形状等外观信息,并将其作为靶刺激(Target,T),然后再随机选一条手链作为探测刺激(Probe,P),其余四条手链作为无关刺激(Irrelevant,I),分别简称为T刺激、P刺激和I刺激。对说谎组,在事先准备好的保险箱中任意放入两条手链,让受试者认真观察两条手链并拿走其中一条作为P刺激,另一条手链则为T刺激,其余手链作为I刺激。在实验过程中,受试者面前的电脑屏幕上会随机出现每条手链的图片,受试者需要对每张图片做出相应的按键反应,即:是否见过该手链(见过,轻点鼠标左键;没见过,则轻点鼠标右键)。要求诚实组成员均说实话,而说谎组成员仅对P刺激做出说谎行为。每次实验过程中,六张不同手链图片均出现30次,每次持续时间为1.6s,其中T、P、I三种刺激出现的频率分别约为16.7%、16.7%、66.7%,且每个受试者需做5次相同实验(具体见图3所示)。
上述实验中采用E-prime2.0作为刺激软件,采用电极帽采集脑电信号,电极帽上具有多导脑电电极,多导脑电电极包括位于受试者头部额叶、中央区域、顶叶位置的F3、F4、C3、C4、P3、P4这六个电极,从而对受试者头部这六个电极部位的脑电信号进行采集和处理。额叶负责判断、计划、做决策、思维、记忆等高级认知活动,与智力与精神活动有密切联系;中央区域具有躯体感觉皮层,可感觉躯体信息;顶叶具有表达躯体信号(呼吸加速、心跳加速等生理信号)的功能,后顶叶还参与视觉注意功能,如眼动。这些区域的诚实和说谎两类受试者的脑电信号的波形因子差异较大,能更好地分辨出受试者是否说谎。本实施例还采用Neuroscan公司的Synamps放大器对多导脑电电极采集的脑电信号进行放大处理,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脑电信号进行采集,采样频率为500Hz。由于已经有大量研究证实在探测刺激时说谎者与诚实者的脑电波形有显著差异,因此本实施例选取两类受试者探测刺激对应的脑电信号,完成脑电信号的采集。
然后对采集的脑电信号进行预处理操作,优选地,上述预处理操作具体包括:对采集的脑电信号进行0.05-30Hz带通滤波,将刺激前300ms至刺激后1300ms的脑电数据作为一个探测刺激响应进行分割,以刺激前300ms的数据作为基线进行基线校正,使用Scan4.0去除脑电信号的垂直和水平眼电伪差,分别对诚实和说谎两类受试者的每5个探测刺激响应数据进行一次叠加平均。
步骤S2、分类特征的提取:如图2所示,分别计算步骤S1得到的两类受试者探测刺激响应的数据集中的每一导脑电数据的波形因子,生成诚实和说谎两类受试者的波形因子矩阵,对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析,提取两类受试者具有显著性差异的电极的波形因子作为分类特征。
具体地,波形因子属时域指标,是有效值(RMS)与整流平均值的比值,在电子领域其物理含义可以理解为直流电流相对于等功率的交流电流的比值,其值大于等于1。计算各导脑电数据的波形因子的计算公式如下:
设xi为采集到的振动信号序列,i=1,2,...,N;N为信号的采样点数,本实施例中N等于800。
波形因子:
本实施例中,各导脑电数据的波形因子计算完成后,生成诚实和说谎两类受试者的各自的波形因子矩阵(300×6),即每个波形因子矩阵包含6导脑电电极的数据,每导脑电电极对应300个样本,包含15个受试者,每个受试者的20个样本。然后对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析,具体包括:对两个波形因子矩阵中对应各相同电极的两组波形因子数据进行t-test统计检验,并使用Bonferroni多重校正,判断其P值与选定的P值之间的关系,选定的P值一般选为0.01或0.05,若小于选定的P值,则认为两类受试者的该电极的数据具有显著性差异。然后从两类受试者的波形因子矩阵中提取两类受试者具有显著性差异的电极的波形因子作为分类特征,形成诚实和说谎两类受试者的分类特征集,用于对机器学习分类器模型进行训练。
步骤S3、模式识别分类:利用步骤S2得到的两类受试者的具有显著性差异的电极的波形因子指标构建特征向量作为样本数据,通过样本数据对初始机器学习分类器模型进行K折基于受试者的交叉验证,获得具有最佳参数组合的分类器;
具体地,本实施例中的机器学习分类器模型采用卷积神经网络,卷积神经网络的原理如图3所示。通过样本数据对初始机器学习分类器模型进行15折的基于受试者的交叉验证,具体地,在交叉验证的每折中,将14名诚实受试者的样本数据和14名说谎受试者的样本数据作为训练集,剩余1名诚实受试者的样本数据和1名说谎受试者的样本数据作为测试集。
作为优选地,还对两类受试者的每个训练集执行多折交叉验证,本实施例中对每个训练集执行10折交叉验证,将每个训练集中9个样本作为子训练集,剩余样本作为校验集,在该过程中,应用不同参数组合,使用子训练集训练分类器,接着运用验证集进行验证,当验证准确率最高时,获得具有最佳参数组合的分类器。
接着将测试集送入该分类器中进行测试,分类器依据之前的训练结果,判断出该测试数据属于说谎人还是诚实人以完成测试,测试完成后准确率达到94.6%,相对于其他测谎方法准确率提高了很多。本方案对与其他测谎方法对比情况见表1。
表1不同测谎方法下的分类准确率结果
步骤S4、测谎:采集测试者的探测刺激响应的数据集并计算各导脑电数据的波形因子,构建输入特征向量输入到步骤S3得到的分类器中,分类器自动判断该测试者是诚实者还是说谎者并输出测谎结果。
本发明实施例提供的这种基于多导脑电信号波形因子的测谎方法,将计算多导脑电信号的波形因子的方法应用到脑电测谎领域中,可以很好的区分诚实与说谎两类人群的脑电信号,从而达到测谎的目的。本发明对各个导联脑电信号的波形因子进行计算,然后对多导脑电信号的波形因子进行诚实者与说谎者的差异统计分析,利用具有显著性差异的电极的波形因子指标构建特征向量,送入到机器学习分类器中,进行机器学习的模型训练,训练好的分类器可以根据测试数据准确判断其是属于说谎者还是诚实者。该方案基于脑神经信号,克服了传统多道测谎仪易受到反测谎行为的干扰,并且相对于传统基于事件相关电位的测试技术(需要大量刺激易于导致疲劳从而降低测谎敏感度),大大降低了测试时需要的刺激次数,最终经过测试,测谎准确率也得到了很大提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多导脑电信号波形因子的测谎方法,其特征在于,包括以下步骤:
S1、脑电信号采集和预处理:分别对诚实和说谎两类受试者进行探测刺激,通过多导脑电电极对两类受试者头部多个部位的脑电信号进行实时采集,其中多导脑电电极包括位于受试者头部额叶、中央区域、顶叶位置的F3、F4、C3、C4、P3、P4这六个电极;分别对采集的两类受试者的脑电信号依次进行滤波、分割、基线校正、去伪迹和叠加平均的预处理操作,形成两类受试者探测刺激响应的数据集;
S2、分类特征的提取:分别计算步骤S1得到的两类受试者探测刺激响应的数据集中的每一导脑电数据的波形因子,生成诚实和说谎两类受试者的波形因子矩阵,对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析,提取两类受试者具有显著性差异的电极的波形因子作为分类特征;
S3、模式识别分类:利用步骤S2得到的两类受试者的具有显著性差异的电极的波形因子指标构建特征向量作为样本数据,通过样本数据对初始机器学习分类器模型进行K折基于受试者的交叉验证,获得具有最佳参数组合的分类器;
S4、测谎:采集测试者的探测刺激响应的数据集并计算各导脑电数据的波形因子,构建输入特征向量输入到步骤S3得到的分类器中,分类器自动判断该测试者是诚实者还是说谎者并输出测谎结果。
2.如权利要求1所述的基于多导脑电信号波形因子的测谎方法,其特征在于:所述步骤S1中对采集的脑电信号进行滤波、分割、基线校正、去伪迹和叠加平均的预处理操作具体包括:
对采集的脑电信号进行0.05-30Hz带通滤波,将刺激前300ms至刺激后1300ms的脑电数据作为一个探测刺激响应进行分割,以刺激前300ms的数据作为基线进行基线校正,使用Scan4.0去除脑电信号的垂直和水平眼电伪差,分别对两类受试者的每5个探测刺激响应数据进行一次叠加平均。
3.如权利要求1所述的基于多导脑电信号波形因子的测谎方法,其特征在于,所述步骤S2中对上述两个波形因子矩阵进行诚实者和说谎者的差异统计分析具体包括:
对两个波形因子矩阵中对应各相同电极的两组波形因子数据进行t-test统计检验,并使用Bonferroni多重校正,选出具有显著性差异的电极。
4.如权利要求1所述的基于多导脑电信号波形因子的测谎方法,其特征在于:所述步骤S3中的机器学习分类器模型采用卷积神经网络。
5.如权利要求1所述的基于多导脑电信号波形因子的测谎方法,其特征在于,所述步骤S3中通过样本数据对初始机器学习分类器模型进行K折的基于受试者的交叉验证具体包括:在交叉验证的每折中,将(K-1)名诚实受试者的样本数据和(K-1)名说谎受试者的样本数据作为训练集,剩余1名诚实受试者的样本数据和1名说谎受试者的样本数据作为测试集。
6.如权利要求5所述的基于多导脑电信号波形因子的测谎方法,其特征在于,所述步骤S3还包括:
对两类受试者的每个训练集执行多折交叉验证,每个训练集中一部分样本作为子训练集,剩余样本作为校验集,在该过程中,应用不同参数组合,使用子训练集训练分类器,接着运用验证集进行验证,当验证准确率最高时,获得具有最佳参数组合的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441045.5A CN110192875B (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号波形因子的测谎方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441045.5A CN110192875B (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号波形因子的测谎方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110192875A true CN110192875A (zh) | 2019-09-03 |
CN110192875B CN110192875B (zh) | 2020-10-16 |
Family
ID=67753071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910441045.5A Active CN110192875B (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号波形因子的测谎方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110192875B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869754A (zh) * | 2021-01-08 | 2021-06-01 | 浙江大学 | 一种脑机融合的神经信号测谎方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020062089A1 (en) * | 2000-08-28 | 2002-05-23 | Ray Johnson | Method for detecting deception |
CN103699230A (zh) * | 2014-01-14 | 2014-04-02 | 东南大学 | 一种基于图标脑电控制的数字界面交互方法 |
CN105249963A (zh) * | 2015-11-16 | 2016-01-20 | 陕西师范大学 | 基于样本熵的n400诱发电位测谎方法 |
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN108498106A (zh) * | 2018-02-08 | 2018-09-07 | 陕西师范大学 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
-
2019
- 2019-05-24 CN CN201910441045.5A patent/CN110192875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020062089A1 (en) * | 2000-08-28 | 2002-05-23 | Ray Johnson | Method for detecting deception |
CN103699230A (zh) * | 2014-01-14 | 2014-04-02 | 东南大学 | 一种基于图标脑电控制的数字界面交互方法 |
CN105249963A (zh) * | 2015-11-16 | 2016-01-20 | 陕西师范大学 | 基于样本熵的n400诱发电位测谎方法 |
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN108498106A (zh) * | 2018-02-08 | 2018-09-07 | 陕西师范大学 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
Non-Patent Citations (1)
Title |
---|
高军峰 等: "多导脑电复杂度特征的谎言测试研究", 《电子科技大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112869754A (zh) * | 2021-01-08 | 2021-06-01 | 浙江大学 | 一种脑机融合的神经信号测谎方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110192875B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110192874A (zh) | 基于多导脑电信号裕度因子的测谎方法 | |
CN103399639B (zh) | 基于ssvep和p300联合脑机接口方法及装置 | |
CN104978035B (zh) | 基于体感电刺激诱发p300的脑机接口系统及其实现方法 | |
CN101391129B (zh) | 基于p300信号脑机接口智能化上肢康复训练器及信号处理方法 | |
CN104825135A (zh) | 一种新型疼痛评估系统的建立方法 | |
JP2017532093A (ja) | 脳活動信号に基づく治療および/またはユーザ装置の制御の方法およびシステム | |
CN110547793A (zh) | 一种结合脑电与近红外的毒瘾评估方法 | |
CN106974621A (zh) | 一种基于脑电信号重心频率的视觉诱导晕动症检测方法 | |
CN102654793B (zh) | 基于双模校验机制的脑电驱动高可靠操控系统 | |
CN110772249A (zh) | 注意力特征识别方法及应用 | |
CN109645994A (zh) | 一种基于脑-机接口系统辅助评估视觉定位的方法 | |
Yeom et al. | EEG-based person authentication using face stimuli | |
CN106502410A (zh) | 提高脑‑机接口中运动想象能力的经颅电刺激装置和方法 | |
CN106175757A (zh) | 基于脑电波的行为决策预测系统 | |
CN110192875A (zh) | 基于多导脑电信号波形因子的测谎方法 | |
Xu et al. | Fatigue EEG feature extraction based on tasks with different physiological states for ubiquitous edge computing | |
CN114343573B (zh) | 一种面向药物成瘾患者的闭环数字药物系统、设备及介质 | |
CN110192878A (zh) | 基于多导脑电信号定向转移函数的测谎方法 | |
Lesenfants et al. | Design of a novel covert SSVEP-based BCI | |
CN110192879A (zh) | 基于多导脑电信号脉冲因子的测谎方法 | |
CN110192877A (zh) | 基于多导脑电信号偏度的测谎方法 | |
CN110192880A (zh) | 基于多导脑电信号格兰杰因果的测谎方法 | |
Savić et al. | Motor imagery driven BCI with cue-based selection of FES induced grasps | |
CN107595295A (zh) | 一种基于大脑血红蛋白信息的下肢运动阻力状态的识别方法 | |
CN110192876A (zh) | 基于多导脑电信号峭度的测谎方法 |
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 |