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

• 学术论文 • 上一篇    下一篇

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. 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 发布日期: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-yun1,2, LV Wen-zhi3, YANG Yong4, GAO Jun-feng1,2,5, GUAN Jin-an1,2, ZHOU Dao1   

  1. 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: 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: