基于EEG的谎言检测与频道选择的新型多尺度透方法

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 提供了客观的谎言检测潜力,超过了传统的测谎仪方法.
• 基于的分析量化生物信号的复杂性和信息内容.
• 现有的方法缺乏EEG信号的多维特征用于欺骗检测.

研究的目的:

• 开发一种新型的多尺度方法,以提高基于EEG的谎言检测.
• 为了识别代表性大脑区域和道用于欺骗检测.
• 评估拟议的谎言检测方法的通用性.

主要方法:

• 一种融合的多尺度的方法,结合了模糊的 (FE),时间移动的多尺度模糊的 (TSMFE) 和分层的多频段模糊的 (HMFE).
• 机器学习分类器 (LDA,SVM) 在合特征向量上用于谎言检测的应用.
• 使用LieWaves数据集进行主体依赖和跨主体实验,包括道选择分析.

主要成果:

• 取决于对象的实验达到82.74%的准确率 (LDA,LOOCV).
• 跨主体实验的准确率为64.07% (RBF-SVM,LOSOCV).
• 周周中线 (PZ) 和左 (T7) 道被确定为谎言检测最具代表性.

结论:

• 拟议的多尺度融合方法有效地描述了用于谎言检测的EEG信号.
• PZ和T7通道对于识别欺骗的神经特征至关重要.
• 这些发现支持便携式,少通道EEG谎言检测设备的开发,并提供了对说谎的神经动态的见解.