用基于EEG信号的数据驱动网络模型对欺骗状态中的皮层连接进行表征

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 在法律和社会背景下,欺诈检测至关重要.
• 了解欺骗的神经相关性可以提高谎言检测的准确性.
• 现有的方法往往缺乏对认知过程的强有力的验证.

研究的目的:

• 在欺骗过程中调查皮质信息交互模式.
• 识别可靠的神经标记,以区分真实和欺骗性的状态.
• 通过使用EEG探索欺骗背后的认知机制.

主要方法:

• 根据有罪知识测试 (GKT) 协议,从28名受试者获得了64通道EEG数据.
• 构建功能连接网络,使用delta,theta,alpha和beta频段的相互信息.
• 采用数据驱动的方法来选择感兴趣的区域 (ROI) 和皮质电流密度估计.
• 使用支持矢量机 (SVM) 分类器与封装特征选择以识别最佳特征 (MIMICs).

主要成果:

• 确定了统计学意义上的相互信息连接 (MIMICs),区分无辜和有罪的群体.
• 使用MIMIC实现了高分类准确度:三角形 (99.76%),β (97.61%), θ (96.42%) 和α (84.04%).
• 精细的特征集用于确定每个频段最具歧视性的MIMIC.

结论:

• 皮层相互信息网络为欺骗检测提供了强大的生物标志物.
• 特定频段及其相关的MIMIC提供了对撒谎的认知过程的见解.
• 这种方法提供了一种基于证据的新方法,用于理解皮质层面的欺骗.