CN110192880A - 基于多导脑电信号格兰杰因果的测谎方法 - Google Patents
基于多导脑电信号格兰杰因果的测谎方法 Download PDFInfo
- Publication number
- CN110192880A CN110192880A CN201910442128.6A CN201910442128A CN110192880A CN 110192880 A CN110192880 A CN 110192880A CN 201910442128 A CN201910442128 A CN 201910442128A CN 110192880 A CN110192880 A CN 110192880A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- lie
- subject
- lead
- class
- 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.)
- Pending
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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (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导脑电信号格兰杰因果的测谎方法,包括对两类受试者的各个导联脑电信号之间的GC值进行计算,生成两类受试者的GC邻接矩阵;将具有显著差异的电极对的GC值作为分类特征,送入到机器学习算法中,进行机器学习的模型训练,通过多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行各个预处理操作后,对测试者的各个导联脑电信号之间的GC值进行计算,生成测试者的GC邻接矩阵,并作为输入送入到训练好的分类器中,得到测谎结果。该方案基于脑神经信号,大大降低了测试时需要的刺激次数,最终经过测试,测谎准确率得到很大提高。
Description
技术领域
本发明涉及测谎领域,特别涉及一种基于多导脑电信号格兰杰因果的测谎方法。
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。
传统测谎方法是根据被试回忆与犯罪相关的信息时的恐惧和紧张等心理反应引起的脉搏、血压等生理参数的变化来衡量被试是否存在说谎行为,被称为多道生理信号测试仪技术,基于此方法,美国警方发明了多道生理记录仪。但近年来,这种多道生理测谎技术备受质疑。主要原因是说谎行为是由中枢神经系统调控的生理指标,而多道仪记录的血压、体温、呼吸速度等是由自主神经系统调控的生理指标,这些特征并不能完全反映大脑深部的变化。另外,肢体运动和有意识的认知很容易改变多道生理指标,通常被试为躲避惩罚会采取干扰行为以阻碍实验的正常进行,即存在反测谎的行为。
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(Event related potential,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。
基于脑电信号的测谎方法中应用最广泛的是基于ERP(事件相关电位)的方法,该技术根据不同刺激引起的头皮电位差异来推断被试是否说谎。ERP反映的是中枢神经系统与信息加工有关的活动,并不依赖于外周自主神经系统,因此被试很难进行反测谎,弥补了传统多通道生理记录仪测谎过程中容易被反测谎的缺点。但目前基于ERP的测谎方法,需要大量数据叠加,实验时间较长,被试容易疲劳,同时还会影响测试效果即随着测试信息的次数越来越多,犯罪或者虚假信息对被测试者的敏感度将大幅降低。研究一种高效的基于少次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
本发明的目的是针对现有技术对应的不足,提供一种基于多导脑电信号格兰杰因果的测谎方法,其首次提出在测谎技术中采取多导脑电采集方式,并充分利用多导信号分析及处理的最新成果技术,采用格兰杰因果算法,对多个导联信号之间的GC值进行分析,然后将具有显著差异的电极对的格兰杰因果值作为分类特征,送入到机器学习算法中实现分类。
本发明的目的是采用下述方案实现的:本发明提供了一种基于多导脑电信号格兰杰因果的测谎方法,包括如下步骤:
1)通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,分别得到两类受试者的多导联脑电信号并保存;
2)选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号;
3)分别对两类受试者的各个导联脑电信号之间的GC值进行计算,生成两类受试者的GC邻接矩阵;导联脑电信号之间的GC值的计算步骤为:
对于单变量自回归模型(AR),我们有:
其中ai,j是模型参数(系数通常通过最小二乘法估计),p是AR模型的阶数,ui是与模型相关的残差。这里,每个信号(x和y)的预测是仅由其自己的过去(分别为x和y)执行。残差的方差表示为:
对于双变量AR:
残差现在取决于两个信号的过去值及其差异是:
其中var(.)是随时间变化的方差,并且x|x,y是x(t)和y(t)值的过去样本对x(t)的预测。
因此,来自y的Granger因果关系(GC)到x(从y预测x)是:
范围:0≤GCy→x<∞;
4)求两类受试者的平均GC邻接矩阵,对每个邻接边的两组GC平均值进行t-test统计检验,使用Bonferroni多重校正,得到具有显著性差异的两组GC平均值对应的邻接边;
5)利用两类受试者具有显著性差异的邻接边的GC值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模型进行K折的基于受试者的交叉验证,获得具有最佳参数组合的分类器;
6)通过步骤1)的多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行步骤2)的各个预处理操作后,利用步骤3)生成测试者的GC邻接矩阵,并作为输入送入到步骤5)得到的分类器中,得到测谎结果。
进一步地,选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号,包括:
选取步骤1)得到的受试者的各个导联脑电信号依次进行滤波、分割、基线校正、去伪迹预处理操作。
进一步地,步骤2)中的滤波参数设置分别为0.05-30Hz带通滤波;滤波后将刺激前300ms至刺激后1300ms的脑电数据作为一个epoch进行分割,称此epoch为一个P刺激响应;以刺激前300ms数据作为基线进行基线校正。
进一步地,通过样本数据对初始机器学习模型进行K折的基于受试者的交叉验证,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用于训练集,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用于测试集。
进一步地,对诚实与说谎两组数据中每个训练集执行M折交叉验证,其中M-1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,可以获得具有最佳参数组合的分类器。
进一步地,所述机器学习模型采用卷积神经网络。
进一步地,通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,包括:
选取FC1、FC2、C1、CZ、CP1这五导电极分别位于诚实和说谎两类受试者头部的额叶和中央区域,用于分别采集诚实和说谎两类受试者头部的额叶和中央区域的脑电信号。
本发明具有的优点是:本发明的基于多导脑电信号格兰杰因果的测谎方法,包括如下步骤:通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,分别得到两类受试者的多导联脑电信号并保存;选取受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号;分别对两类受试者的各个导联脑电信号之间的GC值进行计算,生成两类受试者的GC邻接矩阵;求两类受试者的平均GC邻接矩阵,对每个邻接边的两组GC平均值进行t-test统计检验,使用Bonferroni多重校正,得到具有显著性差异的两组GC平均值对应的邻接边;利用两类受试者具有显著性差异的邻接边的GC值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模型进行K折的基于受试者的交叉验证,获得具有最佳参数组合的分类器;通过多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行各个预处理操作后,利用生成测试者的GC邻接矩阵,并作为输入送入到分类器中,得到测谎结果。本发明首次将格兰杰因果算法(Directed Transfer Function,GC)方法应用到脑电测谎领域中,对各个导联脑电信号之间的GC值进行计算,建立脑网络,然后对脑网络中不同边的权值进行诚实者与说谎者的差异统计分析(对每个连接对的两组GC值进行t-test统计检验,使用Bonferroni多重校正,将具有显著性差异的邻接边的GC值作为分类特征),利用有差异的边的权值构建特征向量,送入到机器学习算法中,进行机器学习的模型训练,避免了当前测谎技术中忽略大脑各部分之间的协同工作信息的提取,提高了测谎准确率。
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,并且对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为本发明的基于多导脑电信号格兰杰因果的测谎方法的流程图;
图2为本发明的EEG脑电信号具体处理流程;
图3为测谎实验模式示意图。
具体实施方式
参见图1,本发明提供了一种基于多导脑电信号格兰杰因果的测谎方法,包括如下步骤:
1)通过多导联脑电电极(N导联脑电电极)分别对诚实和说谎两类受试者的脑电信号进行实时提取,分别得到两类受试者的多导联脑电信号并保存;
2)选取步骤1)得到的受试者的各个导联脑电信号依次进行滤波、分割、基线校正、去伪迹和叠加平均预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号;本实施例的滤波参数设置分别为0.05-30Hz带通滤波;滤波后将刺激前300ms至刺激后1300ms的脑电数据作为一个epoch进行分割,称此epoch为一个P刺激响应;以刺激前300ms数据作为基线进行基线校正,接着对两组数据中每5个epoch进行一次叠加平均。
3)分别对两类受试者的各个导联脑电信号之间的GC值进行计算,生成两类受试者的GC邻接矩阵(N*N方阵);导联脑电信号之间的GC值的计算步骤为:
对于单变量自回归模型(AR),我们有:
其中ai,j是模型参数(系数通常通过最小二乘法估计),p是AR模型的阶数,ui是与模型相关的残差。这里,每个信号(x和y)的预测是仅由其自己的过去(分别为x和y)执行。残差的方差表示为:
对于双变量AR:
残差现在取决于两个信号的过去值及其差异是:
其中var(.)是随时间变化的方差,并且x|x,y是x(t)和y(t)值的过去样本对x(t)的预测。
因此,来自y的Granger因果关系(GC)到x(从y预测x)是:
范围:0≤GCy→x<∞.
(0):y(t)的过去值不会促进对x(t)的预测:
(>0):y(t)的过去值促进了对x(t)的预测:(y G-causes x);
4)求两类受试者的平均GC邻接矩阵,对每个邻接边的两组GC平均值进行t-test统计检验,使用Bonferroni多重校正,得到具有显著性差异的两组GC平均值对应的邻接边。本实施例通过独立样本t检验和Bonferroni多重校验判断其P值与选定的P值之间的关系,常选定的P值为0.01或0.05,若小于选定的P值,则认为两样本之间具有显著性差异。
5)利用两类受试者具有显著性差异的邻接边的GC值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模型进行K折的基于受试者的交叉验证,获得具有最佳参数组合的分类器;
6)通过步骤1)的多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行步骤2)的各个预处理操作后,利用步骤3)生成测试者的GC邻接矩阵,并作为输入送入到步骤5)得到的分类器中,得到测谎结果。
通过样本数据对初始机器学习模型进行K折的基于受试者的交叉验证,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用于训练集,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用于测试集。
进一步地,对诚实与说谎两组数据中每个训练集执行M折交叉验证,其中M-1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,可以获得具有最佳参数组合的分类器。
所述机器学习模型采用卷积神经网络。
本实施例选取的FC1、FC2、C1、CZ、CP1这五个电极分别位于额叶和中央区域。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。
对于两个同时测量的信号x(t)和y(t),如果通过合并来自第二信号的过去信息会比仅使用来自第一信号的信息预测第一信号效果更好,那么可称第二信号与第一个信号有因果关系。接下来,将按信号采集和预处理、特征提取及模式识别分类的顺序来介绍整体实验流程,具体步骤如下:
测谎协议:本次实验选取了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)。其后,皆简称为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)。
EEG数据采集及预处理:由于已经有大量研究证实在P刺激时说谎者与诚实者的脑电波形有显著差异,因此本发明主要研究P刺激对应的脑电信号。将连续的EEG波形依次进行滤波、分割、基线校正、去伪迹和叠加平均等操作,滤波参数设置分别为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epoch进行分割,称此epoch为一个P刺激响应,以刺激前300ms数据作为基线进行基线校正;原始的脑电信号信噪比极低,为了去除噪声,本发明使用少次平均技术,将每名受试者所有电极上的每5个epoch进行一次叠加平均,得到两类受试者所需的P刺激响应的数据集。
特征提取:分别计算上述预处理后两类人群的P刺激响应的数据集的GC值,生成600个5×5(通道数×通道数)的GC邻接矩阵,包括诚实人群(15人)的300个5×5(通道数×通道数)GC邻接矩阵以及说谎人群(15人)的300个5×5(通道数×通道数)GC邻接矩阵。本实施例中只选取5导脑电信号用于分析。本实施例中是利用HERMES工具包生成的GC邻接矩阵(方阵),横纵轴代表选定的5导电极。对每个连接对的两组GC值进行t-test统计检验,使用Bonferroni多重校正,将具有显著性差异的邻接边的GC值作为分类特征。
模式识别分类:对上述特征集进行15折的基于受试者的交叉验证(Subject-WiseCross-Validation,SWCV),比如如果是30名受试者,在SWCV的每折中,将28名受试者的样本数据(14名诚实者和14名说谎者)用于训练集,剩余2名受试者的样本数据(1名诚实者和1名说谎者)用于测试集。
此外,对诚实与说谎两组数据中每个训练集执行10折交叉验证,其中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。因此,当验证准确率最高时,可以获得具有最佳参数组合的分类器。
机器学习的模型,选择卷积神经网络作为分类器。接着将测试集送入该分类器中,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。本研究的EEG信号处理流程如图2所示,本方案对与其他测谎方法对比情况见表1。
本发明的EEG信号处理流程如图2所示,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
本发明独辟新径,首次提出在测谎技术中采取多导脑电采集方式,并充分利用多导信号分析及处理的最新成果技术,采用格兰杰因果算法,对多个导联信号之间的相干性进行分析,然后将具有显著差异的电极对的格兰杰因果值作为分类特征,送入到机器学习算法中实现分类,进而提高测谎准确率。
首先,本方案是采用了上述基于多道脑电信号的格兰杰因果算法及机器学习的新测谎方案,且本专利发明了一种基于少次刺激的测谎系统,可以减少刺激次数,大大减少试验时间,从而大大降低被测试者的疲劳程度。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于多导脑电信号格兰杰因果的测谎方法,其特征在于,包括如下步骤:
1)通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,分别得到两类受试者的多导联脑电信号并保存;
2)选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号;
3)分别对两类受试者的各个导联脑电信号之间的GC值进行计算,生成两类受试者的GC邻接矩阵;导联脑电信号之间的GC值的计算步骤为:
对于单变量自回归模型(AR),我们有:
其中ai,j是模型参数(系数通常通过最小二乘法估计),p是AR模型的阶数,ui是与模型相关的残差。这里,每个信号(x和y)的预测是仅由其自己的过去(分别为x和y)执行。残差的方差表示为:
对于双变量AR:
残差现在取决于两个信号的过去值及其差异是:
其中var(.)是随时间变化的方差,并且x|x,y是x(t)和y(t)值的过去样本对x(t)的预测。
因此,来自y的Granger因果关系(GC)到x(从y预测x)是:
范围:0≤GCy→x<∞;
4)求两类受试者的平均GC邻接矩阵,对每个邻接边的两组GC平均值进行t-test统计检验,使用Bonferroni多重校正,得到具有显著性差异的两组GC平均值对应的邻接边;
5)利用两类受试者具有显著性差异的邻接边的GC值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模型进行K折的基于受试者的交叉验证,获得具有最佳参数组合的分类器;
6)通过步骤1)的多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行步骤2)的各个预处理操作后,利用步骤3)生成测试者的GC邻接矩阵,并作为输入送入到步骤5)得到的分类器中,得到测谎结果。
2.根据权利要求1所述的测谎方法,其特征在于:选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号,包括:
选取步骤1)得到的受试者的各个导联脑电信号依次进行滤波、分割、基线校正、去伪迹预处理操作。
3.根据权利要求2所述的测谎方法,其特征在于:步骤2)中的滤波参数设置分别为0.05-30Hz带通滤波;滤波后将刺激前300ms至刺激后1300ms的脑电数据作为一个epoch进行分割,称此epoch为一个P刺激响应;以刺激前300ms数据作为基线进行基线校正。
4.根据权利要求1所述的测谎方法,其特征在于:通过样本数据对初始机器学习模型进行K折的基于受试者的交叉验证,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用于训练集,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用于测试集。
5.根据权利要求4所述的测谎方法,其特征在于:对诚实与说谎两组数据中每个训练集执行M折交叉验证,其中M-1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,可以获得具有最佳参数组合的分类器。
6.根据权利要求1所述的测谎方法,其特征在于:所述机器学习模型采用卷积神经网络。
7.根据权利要求1所述的测谎方法,其特征在于:通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,包括:
选取FC1、FC2、C1、CZ、CP1这五导电极分别位于诚实和说谎两类受试者头部的额叶和中央区域,用于分别采集诚实和说谎两类受试者头部的额叶和中央区域的脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910442128.6A CN110192880A (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号格兰杰因果的测谎方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910442128.6A CN110192880A (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号格兰杰因果的测谎方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110192880A true CN110192880A (zh) | 2019-09-03 |
Family
ID=67753082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910442128.6A Pending CN110192880A (zh) | 2019-05-24 | 2019-05-24 | 基于多导脑电信号格兰杰因果的测谎方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110192880A (zh) |
Cited By (1)
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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1314130A (zh) * | 2001-02-27 | 2001-09-26 | 中国人民解放军第一军医大学第一附属医院 | 事件相关电位测谎仪 |
CN104305993A (zh) * | 2014-11-12 | 2015-01-28 | 中国医学科学院生物医学工程研究所 | 一种基于格兰杰因果性的脑电源定位方法 |
CN204246131U (zh) * | 2014-11-30 | 2015-04-08 | 张崇 | 基于脑电p300信号的心理意识真实性测试系统 |
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 |
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 |
CN105769221A (zh) * | 2016-04-05 | 2016-07-20 | 陕西师范大学 | 基于Lyapunov指数和关联维数的脑电测谎方法 |
CN105852885A (zh) * | 2016-03-23 | 2016-08-17 | 陕西师范大学 | 基于改进超限学习机的n400诱发电位测谎方法 |
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
CN107080545A (zh) * | 2017-03-23 | 2017-08-22 | 兰州大学 | 一种基于脑电的测谎系统 |
CN108185987A (zh) * | 2017-12-13 | 2018-06-22 | 东南大学 | 一种近红外超扫描脑间信号分析方法 |
CN108959188A (zh) * | 2018-05-03 | 2018-12-07 | 西安交通大学 | 基于量化最小误差熵准则的格兰杰因果判辨方法 |
-
2019
- 2019-05-24 CN CN201910442128.6A patent/CN110192880A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1314130A (zh) * | 2001-02-27 | 2001-09-26 | 中国人民解放军第一军医大学第一附属医院 | 事件相关电位测谎仪 |
CN104305993A (zh) * | 2014-11-12 | 2015-01-28 | 中国医学科学院生物医学工程研究所 | 一种基于格兰杰因果性的脑电源定位方法 |
CN204246131U (zh) * | 2014-11-30 | 2015-04-08 | 张崇 | 基于脑电p300信号的心理意识真实性测试系统 |
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 |
CN105852885A (zh) * | 2016-03-23 | 2016-08-17 | 陕西师范大学 | 基于改进超限学习机的n400诱发电位测谎方法 |
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 |
CN105769221A (zh) * | 2016-04-05 | 2016-07-20 | 陕西师范大学 | 基于Lyapunov指数和关联维数的脑电测谎方法 |
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
CN107080545A (zh) * | 2017-03-23 | 2017-08-22 | 兰州大学 | 一种基于脑电的测谎系统 |
CN108185987A (zh) * | 2017-12-13 | 2018-06-22 | 东南大学 | 一种近红外超扫描脑间信号分析方法 |
CN108959188A (zh) * | 2018-05-03 | 2018-12-07 | 西安交通大学 | 基于量化最小误差熵准则的格兰杰因果判辨方法 |
Non-Patent Citations (2)
Title |
---|
王宁,等: "基于格兰杰因果分析情绪认知过程中alpha脑电特性", 《生物医学工程学杂志》 * |
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 (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110801237B (zh) | 一种基于眼动和脑电特征的认知能力评估系统 | |
US8684926B2 (en) | System and method for knowledge verification utilizing biopotentials and physiologic metrics | |
Nawab et al. | High-yield decomposition of surface EMG signals | |
EP2734107B1 (en) | Method and system for estimating brain concussion | |
US20050124863A1 (en) | Drug profiling apparatus and method | |
US20020059159A1 (en) | Drug profiling apparatus and method | |
Gevins et al. | Applications of neural-network (NN) signal processing in brain research | |
KR20150082322A (ko) | 신경병리 평가를 위한 시스템 및 방법 | |
CN110192874A (zh) | 基于多导脑电信号裕度因子的测谎方法 | |
CN110192878A (zh) | 基于多导脑电信号定向转移函数的测谎方法 | |
Leodori et al. | Neural bases of motor fatigue in multiple sclerosis: A multimodal approach using neuromuscular assessment and TMS-EEG | |
Demin et al. | The use of Flicker-Noise Spectroscopy in the diagnosis of photosensitive epilepsy based on the analysis of human magnetoencephalograms | |
CN110192875A (zh) | 基于多导脑电信号波形因子的测谎方法 | |
CN110192880A (zh) | 基于多导脑电信号格兰杰因果的测谎方法 | |
Chapman et al. | A psychophysiological causal model of pain report validity | |
CN110192877A (zh) | 基于多导脑电信号偏度的测谎方法 | |
CN113545792B (zh) | 一种基于tms-eeg的神经生物标记物的检测方法 | |
CN110367981A (zh) | 一种弱视脑电客观定量检测方法 | |
CN110192879A (zh) | 基于多导脑电信号脉冲因子的测谎方法 | |
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 | |
Olivares et al. | Different and common brain signals of altered neurocognitive mechanisms for unfamiliar face processing in acquired and developmental prosopagnosia | |
Omar et al. | An analysis of EEG signal generated from ischemic stroke patient | |
CN110192876A (zh) | 基于多导脑电信号峭度的测谎方法 | |
Shelepin et al. | Using neuroimaging methods to localize mechanisms for making decisions concerning the ordering of textures | |
Bowling et al. | Discriminant analysis of electroencephalograms recorded from renal patients |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
RJ01 | Rejection of invention patent application after publication |