[发明专利]基于改进超限学习机的N400诱发电位测谎方法

摘要

本发明提供一种基于改进超限学习机的N400诱发电位测谎方法，利用人工免疫算法对超限学习机的随机参数进行优化，提出基于N400诱发电位和改进超限学习机的脑电信号测谎方法，利用改进的超限学习机计算犯罪组被试和对照组被试对探测刺激和无关刺激的分类识别率，对两组被试的分类识别率进行统计分析找到区别说谎与否的阈值参数；提取四十个通道N400诱发脑电信号的探测刺激和无关刺激时域、频域特征，提取的脑电信号特征更全面，克服了现有技术中基于少量通道和利用诱发电位波形几何性质作为特征参数进行测谎判断的不足，使得本发明具有能够有效保证稳定的谎言识别正确率的优点。

主权项

1.基于改进超限学习机的N400诱发电位测谎方法，其特征在于包括以下步骤：步骤一，脑电信号提取与同步放大：通过64导联脑电电极对被测者头部64个部位的脑电信号分别同时进行实时提取，且通过脑电信号放大器对提取的64路脑电信号同步进行放大处理；根据各导联脑电电极的布设位置，相应地对各导联脑电电极所提取的脑电信号进行编号；步骤二，脑电信号采集：通过64导联脑电信号采集设备按照预先设定的采样频率对经放大处理后的64路脑电信号同步进行采集，并将所采集的64路脑电信号转换成对应编号的64路数字脑电信号Zi(t)后同步传送至处理器，其中i＝1、2、3…64；步骤三，脑电信号接收与同步存储：处理器将所接收到的64路数字脑电信号Zi(t)分别对应存储至存储器内预先建立的存储单元内，且对各存储单元内所存储的上一个信号进行替换，以对各存储单元内所存储信息进行实时更新；步骤四，脑电信号预处理：对存储单元内的64路数字脑电信号Zi(t)进行去除眼电伪迹和去除电压幅值超过±100uv的脑电信号伪迹操作，然后进行带通滤波；步骤五，脑电信号叠加平均：对预处理之后的64路数字脑电信号Z_i(t)按照不同的刺激类型进行分段，每种刺激分段时间间隔为刺激出现前200ms到刺激出现后1000ms，获取每一段的多个采样点，然后将多个采样点进行叠加平均得出64路数字脑电信号Z_i(t)对应的ERP脑电信号数据和其中为探测刺激对应的ERP脑电信号数据、为无关刺激对应的ERP脑电信号数据；步骤六，脑电信号时域、频域特征提取：分析模拟犯罪测试中所有犯罪组被试的各导联脑电信号，选取编号为AF4、F5、F3、F1、Fz、F2、F4、F6、F8、FC5、FC3、FC1、FCz、FC2、FC4、FC6、FT8、C3、C1、Cz、C2、C4、C6、T8、CP3、CP1、CPz、CP2、CP4、CP6、TP8、P1、Pz、P2、P4、P6、P8、PO7、PO4和PO6这40个通道中的ERP数据，分别计算260～440ms时间内两种刺激诱发的ERP数据的峰值、平均幅值和两种刺激的中值频率；将峰值、平均幅值、中值频率三种特征参数构成特征向量，探测刺激和无关刺激各40个特征向量共80个样本；步骤七，建立超限限学习机ELM网络：具体过程如下：对于占80个样本数量60％‑70％的N个各不相同样本(xi，yi)，其中xi＝[xi1，xi2，…，xin]T∈Rn,yi＝[yi1，yi2，…，yim]T∈Rm，则一个样本(xi，yi)具有L个隐层节点，激励函数为g(x)的前馈神经网络的输出可以表示为：其中，ai＝[ai1，ai2，…，ain]T是输入层到隐含层节点的权值，bi是第i个隐含层节点的偏差(bias)；βi＝[βi1，βi2，…，βim]T是连接第i个隐含层节点的输出权值；ai·xi表示向量ai和xi的内积；如果这个具有L个隐含层节点的前馈神经网络能以零误差逼近这N个样本，则存在ai，bi，βi使(2)式可以简化为Hβ＝Y，    ⑶H是网络的隐含层输出矩阵，在ELM算法中，输入权值和隐含层偏差随机给定，隐含层H为一个确定的矩阵，前馈神经网络的训练转化成一个求解输出权值矩阵的最小二乘解的问题，求出输入权值的最小二乘解、完成网络的训练，输出权值矩阵β可由⑷式得到；其中H⁺表示隐含层输出矩阵H的广义逆,Y表示样本的期望输出矩阵，是β的估值；步骤八，设计AIA‑ELM分类器：通过人工免疫算法AIA对超限学习机ELM的输入层到隐含层的权值和隐含层阈值进行优化，优化过程如下：①产生初始抗体群；随机产生N个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；②对上述群体中各个抗体进行评价；在本算法中对个体的评价是以个体的期望繁殖率P为标准的，F为分类器测试样本的均方误差，C为抗体浓度即群体中相似抗体所占的比例；③形成父代群体；将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父代群体；同时取前m个个体存入记忆库中；④判断是否满足结束条件，是则优化过程结束；反之，则继续下一步操作；⑤新群体的产生；基于步骤④的计算结果对抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体；⑥转去执行步骤③；步骤九，计算单个被试探测刺激和无关刺激的分类识别率：将80个样本分为48个训练样本和32测试样本输入AIA‑ELM分类器计算分类识别率，记为Ki；步骤十，说谎与否状态判断：将Ki值与预设的阈值T进行比较，小于T则判定没有说谎，大于等于T则判定说谎；阈值T为通过计算犯罪组被试和对照组被试探测刺激和无关刺激的分类识别率，以及讨论犯罪组被试和对照组被试分类识别率具有显著差异的原因，并对这些数据进行统计分析，得到阈值T为判断说谎与否的临界值。