多模式机器学习用于使用行为和生理数据进行欺骗检测
Gargi Joshi1, Vaibhav Tasgaonkar1, Aditya Deshpande1
1Symbiosis Institute of Technology, Symbiosis International Deemed University, Pune, India.
Scientific reports
|March 16, 2025
概括
这项研究介绍了CogniModal-D,这是一个新的多式联络数据集,用于在印度人口中检测欺骗. 与单个来源方法相比,集成多种数据类型显著提高了谎言检测准确度.
科学领域:
- 认知科学 认知科学
- 机器学习 机器学习
- 法医科学 法医科学 法医科学
背景情况:
- 欺诈检测对于国家安全,司法和法律系统至关重要.
- 传统的测谎仪面临着科学和伦理方面的挑战.
- 现有的欺骗检测数据集是有限的,小的,单模式的,不代表多样化的群体.
研究的目的:
- 介绍CogniModal-D,一个新的,现实世界的多式联络数据集,用于针对印度人口量身定制的欺骗检测.
- 解决现有数据集在规模,模式和人口多样性方面的局限性.
- 评估用于自动欺骗检测的多式联络人工智能方法的有效性.
主要方法:
- 从100多名印度受试者收集了七种模式的数据:脑电图 (EEG),心电图 (ECG),眼电图 (EOG),眼睛凝视,电磁皮肤反应 (GSR),音频和视频.
- 利用涉及社会关系的任务和受控的模拟犯罪审讯.
- 开发并应用了一种基于人工智能的多式联动分数级融合技术,以整合多种不同的线索.
主要成果:
- 与单模方法相比,多模融合在模拟犯罪和最好的朋友场景中显著提高了欺骗检测准确度,高达15%.
- 行为模式 (音频,视频,目光,GSR) 显示出比神经生理学模式 (EEG,ECG,EOG) 更强大的稳定性.
- CogniModal-D数据集为推进欺骗检测研究提供了宝贵的资源.
结论:
- 多模式特征为欺骗检测提供了更高的区分能力.
- 集成多个数据流对于开发强大且可扩展的欺骗检测系统至关重要.
- 这些发现支持开发先进的人工智能驱动的谎言检测技术.
