[发明专利]基于多导脑电信号定向转移函数的测谎方法在审
申请号: | 201910441397.0 | 申请日: | 2019-05-24 |
公开(公告)号: | CN110192878A | 公开(公告)日: | 2019-09-03 |
发明(设计)人: | 高军峰;彭丝雨;张家琦 | 申请(专利权)人: | 中南民族大学 |
主分类号: | A61B5/16 | 分类号: | A61B5/16;A61B5/0476;A61B5/0478 |
代理公司: | 北京汇泽知识产权代理有限公司 11228 | 代理人: | 张涛 |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 脑电信号 测谎 测试 导联 邻接矩阵 转移函数 多导联 送入 机器学习算法 脑神经信号 预处理操作 分类特征 机器学习 模型训练 脑电电极 生成测试 实时提取 显著差异 分类器 电极 准确率 保存 刺激 | ||
1.一种基于多导脑电信号定向转移函数的测谎方法,其特征在于,包括如下步骤:
1)通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,分别得到两类受试者的多导联脑电信号并保存;
2)选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号;
3)分别对两类受试者的各个导联脑电信号之间的DTF值进行计算,生成两类受试者的DTF邻接矩阵;导联脑电信号之间的DTF值的计算公式为:N为脑电信号导联数,H为系统的传递矩阵,其元素Hij表示系统第j个输入与第i个输出之间的连接,0表示无耦合;1表示完全耦合;
4)求两类受试者的平均DTF邻接矩阵,对每个邻接边的两组DTF平均值进行t-test统计检验,使用Bonferroni多重校正,得到具有显著性差异的两组DTF平均值对应的邻接边;
5)利用两类受试者具有显著性差异的邻接边的DTF值构建特征向量作为样本数据,通过样本数据对初始机器学习模型进行K折的基于受试者的交叉验证,获得具有最佳参数组合的分类器;
6)通过步骤1)的多导联脑电电极对测试者的脑电信号进行实时提取,得到测试者的多导联脑电信号并保存,并将各个导联脑电信号进行步骤2)的预处理操作后,利用步骤3)生成测试者的DTF邻接矩阵,并作为输入送入到步骤5)得到的分类器中,得到测谎结果。
2.根据权利要求1所述的测谎方法,其特征在于:选取步骤1)得到的受试者的各个导联脑电信号进行预处理操作,得到两类受试者各个导联说谎刺激对应的脑电信号,包括:
选取步骤1)得到的受试者的各个导联脑电信号依次进行滤波、分割、基线校正、去伪迹预处理操作。
3.根据权利要求2所述的测谎方法,其特征在于:步骤2)中的滤波参数设置分别为0.05-30Hz带通滤波;滤波后将刺激前300ms至刺激后1300ms的脑电数据作为一个epoch进行分割,称此epoch为一个P刺激响应;以刺激前300ms数据作为基线进行基线校正。
4.根据权利要求1所述的测谎方法,其特征在于:通过样本数据对初始机器学习模型进行K折的基于受试者的交叉验证,包括:
在交叉验证的每折中,将(K-1)名诚实受试者的样本数据和(K-1)名说谎受试者的样本数据用于训练集,剩余1名诚实受试者的样本数据和1名说谎受试者的样本数据用于测试集。
5.根据权利要求4所述的测谎方法,其特征在于:对诚实与说谎两组数据中每个训练集执行M折交叉验证,其中M-1个样本作为子训练集,剩余样本作为校验集,在该过程中,应用不同参数组合,使用子训练集训练分类器,接着运用验证集进行验证,当验证准确率最高时,可以获得具有最佳参数组合的分类器。
6.根据权利要求1所述的测谎方法,其特征在于:所述机器学习模型采用极限学习机。
7.根据权利要求1所述的测谎方法,其特征在于:通过多导联脑电电极分别对诚实和说谎两类受试者的脑电信号进行实时提取,包括:
选取FC4、FC6、C4、C6这四导电极分别位于诚实和说谎两类受试者头部的前额叶和中央区域,用于分别采集诚实和说谎两类受试者头部的前额叶和中央区域的脑电信号。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南民族大学,未经中南民族大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910441397.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:基于多导脑电信号偏度的测谎方法
- 下一篇:基于多导脑电信号脉冲因子的测谎方法