偽波の5チャンネルウェアラブルEEGによる欺瞞検出:主体依存および主体独立評価のための再現可能なベースライン

科学分野:

• 神経科学は神経科学である.
• バイオメディカルエンジニアリング
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 電気脳図 (EEG) を用いた欺瞞検出は,活発な研究分野である.
• ウェアラブルなEEGデバイスは携帯性を提供しますが,しばしばチャネルが限られており,一般化に課題があります.
• 既存のプロトコルは,ポータブルデバイスに実用的で,個人に一般化する必要があります.

研究 の 目的:

• 嘘と真実の差別のための5チャンネルウェアラブルEEGの有効性を評価する.
• 主体独立環境と主体依存環境の両方で一般化能力を評価する.
• 異なる評価デザインの下でのパフォーマンスメトリックを比較する.

主な方法:

• 27人の被験者と5チャンネルEmotiv Insightヘッドセットを備えた公共のLieWavesデータセットを利用した.
• テーマ別評価のために,Squeeze-and-Excitationブロック (ResNet-SE) を含む残留ネットワークを使用した.
• 主体による評価のために,圧縮と興奮と注意 (Res-TCN-SE-Attention) を含む残留時間回転ネットワークを使用し,DWTと手作り機能との原始EEGを融合しました.

主要な成果:

• 対象から独立した評価では,セッションレベルの精度が66.70%に達し,目に見えない被験者のAUCは0.58でした.
• 対象別評価では,ウィンドウレベルの精度が99.94%に達しましたが,これは楽観的な評価条件を反映しています.
• パフォーマンスには評価の設計が大きく影響し,現実世界の一般化における課題を強調した.

結論:

• 5チャネルウェアラブルEEGは,LieWavesデータセットで限られた,確率以上の嘘と真実の分離性を示しています.
• 現在の方法は,個人に依存しない一般化が悪いため,展開準備には程遠い.
• 標準化されたプロトコルと明確な報告は,再現可能な欺瞞検出研究にとって不可欠です.