检索历史 清除

摘要近年来基于事件相关电位（Event-related Potentials，ERP）的测谎研究是脑科学研究的热点之一，对比传统的多道生理测谎仪（Polygraphy），已经证明，ERP分析能够得到更高的测谎准确率、可以更有效地克服反测谎行为。同时有助于深入研究谎言的认知加工机理。本文选取ERP中的P300成分作为测谎工具，对谎言识别过程中的一些关键技术进行了深入的研究，主要研究内容包括：少次平均的P300成分的提取技术；P300成分的特征参量的提取技术；谎言识别的分类模型及说谎行为的脑功能连接分析。期许能探寻高效、实用性强的测谎方法，并深化对说谎过程中人脑信息加工机制的认识。论文的主要工作包括：<br>　　论文利用传统的三刺激模式设计测谎实验，共有30名受试者参与测谎实验。在传统的三刺激模式测谎实验的基础上，实验设计改进为要求受试者对靶刺激进行计数，确保受试者在实验过程中保持注意力集中。<br>　　论文对 P300 成分的特征参量选择及提取方法进行了分析研究，采用了非线性特征提取方法、主成分分析网络（Principal Component Analysis Network，PCANet）和相锁值（Phase Locking Value，PLV）三种方法。<br>　　熵（Entropy）是衡量时间序列复杂度的非线性动力学参数，可提供信号非线性动力学过程的复杂程度信息。本文分别采用了近似熵、样本熵以及小波熵3种不同算法对 P300 非线性特征进行提取。样本熵是近似熵的改进算法，由这两种算法建立的测谎分类模型的结果显示样本熵算法优于近似熵。进一步地，小波熵算法在时域上显示脑电活动从无序向有序变化的动态过程，实验结果显示说谎类的低频能量占主导地位，小波熵值在诚实和说谎两类人之间存在统计差异且说谎类低于诚实类，表明由于人脑在工作记忆和决策方面投入更多的注意力，导致说谎类的脑活动比诚实类呈现出更明显的有序性。<br>　　PCANet 是基于深度学习理论的一种非监督式的特征变换方法。本文首次将PCANet 方法应用到一维信号的特征提取中，对测谎实验的原始脑电信号提取特征。实验结果显示相对未抽取任何特征的方法，本文提出的方法PCANet_SVM可以获得更高的训练和测试准确率，表明了PCANet方法对于脑电信号特征提取的有效性，从而为基于脑电信号的测谎提供了一种新的途径。<br>　　相同步是被用于评估不同脑区之间功能连接的一种方法，可以用于分析谎言的认知过程与认知机制。本论文采用PLV这一同步性测量方法，研究与测谎相关的网络模式。实验结果显示在delta频段P300时窗的特定电极对上，谎言类所产生的脑连接强度要高于诚实类。该特定电极对主要映射在枕（occipital）区与顶（parietal）区，推测这些脑区的关联活动在谎言执行中起着重要作用。同时，本文中采用的改进算法DPLV（Difference Phase Locking Value，DPLV）能够有效地抑制由于容积导体效应导致的错误同步性连接，然后将具有统计差异的电极对的DPLV组成的特征向量经F-score算法进行特征选择，对分类优异的特征进行排序，选择F值较大的特征向量，结合SVM分类器构成分类系统，结果显示61个电极对组成的特征向量结合SVM获得最高的分类准确率为83.83%，较高的分类准确率表明该分类模型对识别谎言具有一定的敏感性与有效性。