基于PCANet和SVM的谎言测试研究

doi:10.3969/j.issn.0372-2112.2016.08.028

电子学报 ›› 2016, Vol. 44 ›› Issue (8): 1969-1973.DOI: 10.3969/j.issn.0372-2112.2016.08.028

基于PCANet和SVM的谎言测试研究

顾凌云^1,2, 吕文志³, 杨勇⁴, 高军峰^1,2,5, 官金安^1,2, 周到¹

1. 中南民族大学生物医学工程学院认知科学国家民委重点实验室, 湖北武汉 430074;
2. 医学信息分析及肿瘤诊疗湖北省重点实验室, 湖北武汉 430074;
3. 华中科技大学武汉光电国家实验室, 湖北武汉 430074;
4. 江西财经大学信息管理学院, 江西南昌 330000;
5. 电子科技大学生命科学与技术学院, 四川成都 610054

收稿日期:2015-05-01 修回日期:2015-07-17 出版日期:2016-08-25
- 通讯作者:
- 高军峰
- 作者简介:
- 顾凌云 女,1991年3月出生,江苏常州人.于2014年就读中南民族大学生物医学工程系硕士研究生,从事脑电信号处理与模式识别方面的研究.E-mail:gulingyun_lea@126.com;吕文志 男,1994年2月出生,湖北监利人.于2012年就读于中南民族大学生物医学工程学院.现为华中科技大学国家光电实验室研究生.从事生理信号分析及图像处理方面的有关研究.E-mail:lvwenzhi@mail.scuec.edu.cn;杨勇男,1976年10月出生,湖北鄂州人.2005年博士毕业于西安交通大学生物医学工程专业,现为江西财经大学信息管理学院教授.主要研究方向为医学图像/信号处理、模式识别.E-mail:greatyangy@126.com
- 基金资助:
- 国家自然科学基金 (No.81271659，No.61262034，No.61462031，No.91120017）; 江西省自然科学基金 (No.20151BAB207033）; 中国博士后科学基金 (No.2014M552346）

Deception Detection Study Based on PCANet and Support Vector Machine

GU Ling-yun^1,2, LV Wen-zhi³, YANG Yong⁴, GAO Jun-feng^1,2,5, GUAN Jin-an^1,2, ZHOU Dao¹

1. School of Biomedical Engineering, South-Central University for Nationalities, Key Laboratory of Cognitive Science, State Ethnic Affairs Commission, Wuhan, Hubei 430074, China;
2. Hubei Key Laboratory of Medical Information Analysis & Tumor Diagnosis and Treatment, Wuhan, Hubei 430074, China;
3. Wuhan National Laboratory for Optoelectronics, HuaZhong University of Science and Technology, Wuhan, Hubei 430074, China;
4. School of Information Technology, Jiangxi University of Finance and Economics, Nanchang, Jiangxi 330000, China;
5. School of Life Science and Technology, University of Electronic Science and Technology, Chengdu, Sichuan 610054, China

Received:2015-05-01 Revised:2015-07-17 Online:2016-08-25 Published:2016-08-25

摘要/Abstract

摘要： 主成分分析网络（Principal Component Analysis Network，PCANet）是基于深度学习理论的一种非监督式的特征提取方法，它克服了手工提取特征的缺点，目前其有效性仅仅在图像处理领域中得到了验证.本文针对当前谎言测试方法中脑电信号特征提取困难的缺点，首次将PCANet方法应用到一维信号的特征提取领域，并对测谎实验的原始脑电信号提取特征，然后使用支持向量机（Support Vector Machine，SVM）将说谎者和诚实者的两类信号进行分类识别，将实验结果和其它分类器及未使用特征提取的分类效果进行了比较.实验结果显示相对未抽取任何特征的方法，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，也为基于脑电信号的测谎提供了一种新的途径.

关键词: 主成分分析网络, 脑电, 测谎, 深度学习, 支持向量机

Abstract: Principal Components Analysis Network (PCANet) is a feature extraction method based on deep learning theory and unsupervised learning modes,which overcomes the shortcoming of hand-crafted features and its efficiency has been only proved in several literatures for picture processing.In this paper,PCANet is applied to process the one dimensional signals for the first time in order to overcome the disadvantages of hand-crafted features from EEG signals in deception detection.PCANet is used to extract features from raw EEG signals in the deception detection experiment.The feature vectors were fed into three classifiers including Support Vector Machine (SVM) to classify the guilty and innocent subjects.The experimental result was compared with the results from other classifiers and the mode of using raw EEG signals as features.The experimental results show that the proposed method PCANet_SVM obtains the highest training and testing accuracy,which indicates the efficiency of extracting features from EEG signals and provides a new solution of detecting lying.

Key words: principal components analysis network (PCANet), EEG, deception detection, deep learning, support vector machine

中图分类号:

R318

顾凌云, 吕文志, 杨勇, 高军峰, 官金安, 周到. 基于PCANet和SVM的谎言测试研究[J]. 电子学报, 2016, 44(8): 1969-1973.

GU Ling-yun, LV Wen-zhi, YANG Yong, GAO Jun-feng, GUAN Jin-an, ZHOU Dao. Deception Detection Study Based on PCANet and Support Vector Machine[J]. Acta Electronica Sinica, 2016, 44(8): 1969-1973.

参考文献

[1] BARRY R J,DE BALSIO F M.EEG-ERP phase dynamics children in the auditory Go/NoGo task[J].International Journal of Psychophysiology,2012,86(3):251-261.
[2] GAO J F,TIAN H J,YANG Y,et al.A novel algorithm to enhance P300 in single trials:application to lie detection using F-score and SVM[J].Plos One,2014,9(11):1-15.
[3] LABKOVSKY E,PETER ROSENFELD J.A novel dual probe complex trial protocol for detection of concealed information[J].Psychophysiology,2014,1(11):1122-1130.
[4] HINTON G E,SALAKHUTDINOVR R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504-507.
[5] VINCENT P,LAROCHELLE H,BENGIO Y.Extracting and composing robust features with denoising auto-encoders[J].ICML,2008,25(592):1096-1103.
[6] YU D,HINTON G,MORGAN N,et al.Introduction to the special section on deep learning for speech and language processing[J].Audio Speech&Language Processing IEEE Transactions on,2012,20(1):4-6.
[7] CHAN T H,JIA K,GAO S,et al.PCANet:A simple deep learning baseline for image classification?[J].IEEE Transactions on Image Processing,2015,24(12):5017-5032.
[8] ZENG R,WU J,SHAO Z,et al.Multilinear principal component analysis network for tensor object classification[J].ArXiv Preprint ArXiv:1411.1171,2014.
[9] ZENG R,WU J,et al.Tensor object classification via multilinear discriminant analysis network[A].ICASSP,2015[C].South Brisbane,QLD:IEEE,2015.1971-1975.
[10] 庞存锁,刘磊,单涛.基于短时分数阶傅里叶变换的时频分析方法[J].电子学报,2014,(2):347-352.PANG Cun-suo,LIU Lei,DAN Tao.Time frequency analysis is method based on short-time fractional fourier transform[J].Acta Electronica Sinica,2014,(2):347-352.(in Chinese)
[11] GAO W,GUAN J A,Gao J F.Multi-ganglion ANN based feature learning with application to P300-BCI signal classification[J].Biomedical Signal Processing and Control,2015,18:127-137.
[12] DELORMEA,MAKEIG S.EEGLAB:an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods,2004,134(1):9-21.
[13] LIU C,WECHSLER H.Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition[J].Image Processing,2002,11(4):467-476.
[14] Rosenfeld J P,Hu X,Pederson K.Deception awareness improves P300-based deception detection in concealed information tests[J].International Journal of Psychophysiology,2012,86(1):114-121.
[15] 高军峰,张文佳,杨勇,胡佳,陶春毅,官金安.基于P300和极限学习机的脑电测谎研究[J].电子科技大学学报,2014,43(2):301-305.GAO Jun-Feng,ZHANG Wen-Jia,YANG Yong et al.Lie detection study based on P300 and extreme learning machine[J].Journal of University of Electronic Science&Technology of China,2014,43(2):301-305.(in Chinese)

基于PCANet和SVM的谎言测试研究

Deception Detection Study Based on PCANet and Support Vector Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[2]	李雪莹, 王田路, 梁鹏, 王翀. 基于系统模型的用户评论中非功能需求的自动分类[J]. 电子学报, 2022, 50(9): 2079-2089.
[3]	琚长瑞, 秦晓燕, 袁广林, 李豪, 朱虹. 尺度敏感损失与特征融合的快速小目标检测方法[J]. 电子学报, 2022, 50(9): 2119-2126.
[4]	张志昌, 于沛霖, 庞雅丽, 朱林, 曾扬扬. SMGN：用于对话状态跟踪的状态记忆图网络[J]. 电子学报, 2022, 50(8): 1851-1858.
[5]	张亚洲, 俞洋, 朱少林, 陈锐, 戎璐, 梁辉. 一种量子概率启发的对话讽刺识别网络模型[J]. 电子学报, 2022, 50(8): 1885-1893.
[6]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 2022, 50(8): 1925-1936.
[7]	徐兴荣, 刘聪, 李婷, 郭娜, 任崇广, 曾庆田. 基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法[J]. 电子学报, 2022, 50(8): 1975-1984.
[8]	欧阳与点, 谢鲲, 谢高岗, 文吉刚. 面向大规模网络测量的数据恢复算法：基于关联学习的张量填充[J]. 电子学报, 2022, 50(7): 1653-1663.
[9]	李明爱, 张圆圆. 基于连续小波变换和符号传递熵的脑功能网络构建方法[J]. 电子学报, 2022, 50(7): 1600-1608.
[10]	裴炤, 邱文涛, 王淼, 马苗, 张艳宁. 基于Transformer动态场景信息生成对抗网络的行人轨迹预测方法[J]. 电子学报, 2022, 50(7): 1537-1547.
[11]	彭闯, 王伦文, 胡炜林. 融合深度特征的电磁频谱异常检测算法[J]. 电子学报, 2022, 50(6): 1359-1369.
[12]	杨伟超, 杜宇, 文伟, 侯舒维, 徐常志, 张建华. 基于多重分形谱智能分析的卫星信号调制识别研究[J]. 电子学报, 2022, 50(6): 1336-1343.
[13]	张波, 陆云杰, 秦东明, 邹国建. 一种卷积自编码深度学习的空气污染多站点联合预测模型[J]. 电子学报, 2022, 50(6): 1410-1427.
[14]	李政伟, 李佳树, 尤著宏, 聂茹, 赵欢, 钟堂波. 基于异质图注意力网络的miRNA与疾病关联预测算法[J]. 电子学报, 2022, 50(6): 1428-1435.
[15]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.