利用小波分解和支持向量机的心理意识真实性识别研究

赵敏 1; 郑崇勋 1; 赵春临 1; 2

您当前的位置：

首页 >

文章列表页 >

利用小波分解和支持向量机的心理意识真实性识别研究

更新时间：2025-07-09

- 利用小波分解和支持向量机的心理意识真实性识别研究
- Identification of Mentality Facticity Based on Wavelet Decomposition and Support Vector Machines
- 西安交通大学学报 2010年44卷第4期页码：119-124
- 作者机构：
  
  西安交通大学生物医学工程教育部重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2009-08-29. 作者简介: 赵敏(1978-),女,博士生;郑崇勋(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(30870654)
- DOI：
  中图分类号： R318
- 网络首发：2010-04-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
赵敏 1, 郑崇勋 1, 赵春临 1, 等. 利用小波分解和支持向量机的心理意识真实性识别研究[J]. 西安交通大学学报, 2010,44(4):119-124.

Identification of Mentality Facticity Based on Wavelet Decomposition and Support Vector Machines[J]. 2010, 44(4): 119-124.
赵敏 1, 郑崇勋 1, 赵春临 1, 等. 利用小波分解和支持向量机的心理意识真实性识别研究[J]. 西安交通大学学报, 2010,44(4):119-124. DOI：

Identification of Mentality Facticity Based on Wavelet Decomposition and Support Vector Machines[J]. 2010, 44(4): 119-124. DOI：

摘要

采用小波分解和支持向量机(SVM)技术

提出了一种对说谎脑电(EEG)信号特征进行分类的方法

将其应用于心理意识真实性的检测

获得了满意的结果.以真伪已明确的有意义的个人信息(如姓名、生日)作为被测试的隐藏信息

应用隐藏信息(CIT)测试模式对15名受试者各进行两组测试

并记录其脑电(EEG)信号.提取了探测刺激和无关刺激诱发EEG信号的小波系数

并应用具有统计学意义的特征参数作为SVM分类器的输入进行识别分类.实验结果显示

应用leave-one-out交叉验证法对30组样本数据进行训练测试

获得平均正确识别率为88.3%.因此

该方法可以作为一种心理意识真实性检测的新方法

具有无创、较高正确检测率等优点.

Abstract

A practical strategy for classifying the lying electroencephalograph(EEG)characters by wavelet decomposition and support vector machines(SVM)techniques is presented to get a satisfactory results in identifying the mentality facticity. Some significant personal information is ensured

such as name and birthday

and selected as the concealed information. 15 subjects participate in two groups of concealed information tests(CIT)and their EEGs are recorded. Applying wavelet decomposition

the wavelet coefficients corresponding to EEG evoked by probe information and by irrelevant information respectively are evaluated. Then the feature coefficients containing statistical significance are extracted as the input parameters of SVM. 30 samples are chosen to train and test the performance of classifier by leave-one-out cross-validation

88.3% accuracy can be achieved in probe information detection.

关键词

Keywords

references

ABOOTALEBI V, MORADI M H, KHALILZADEH M A. A comparison of methods for ERP assessment in a P300-based GKT[J]. International Journal of Psychophysiology, 2006,62(2): 309-320.

ROSENFELD J P, ELLWANGER J W, NOLAN K, et al. P300 scalp amplitude distribution as an index of deception in a simulated cognitive deficit model[J]. International Journal of Psychophysiology, 1999,33(1):3-19.

VAPNIK V N. Statistical learning theory[M]. New York,USA: John Wiley and Sons Inc, 1998.

LOTTE F, CONGEDO M, LECUYER A, et al. A review of classification algorithms for EEG-based brain-computer interfaces[J]. Journal of Neural Engineering, 2007,4(2):R1-R13.

MERZAGORA A C,BUNCE S,IZZETOGIU M et al. Wavelet analysis for EEG feature extraction in deception detection[C]∥Proceedings of the 28th IEEE EMBS Annual International Conference. New York, USA: IEEE Press, 2006: 2434-2437.

杨立才,李金亮,姚玉翠,等. 基于小波分解和支持向量机的P300识别算法[J]. 中国生物医学工程学报,2007,26(6):804-809.

YANG Licai, LI Jinliang, YAO Yucui, et al. P300 detection algorithm based on wavelet decomposition and support vector machines[J]. Chinese Journal of Biomedical Engineering, 2007,26(6):804-809.

杨福生. 小波变换的工程分析与应用[M]. 北京:科学出版社,2001.

MARTENS H A, DARDENNE P. Validation and verification of regression in small data sets [J]. Chemometrics and Intelligent Laboratory Systems, 1998,44(1/2):99-121.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

利用Fisher判别式和事件相关电位的心理意识真实性识别

基于P300和机器学习的测谎方法研究

电动车动力总成噪声品质粒子群-向量机预测模型

适应多工况的工程机械液压元件载荷集总参数动态响应模型

隧道内燃料电池汽车氢气泄漏扩散特性及影响因素