[发明专利]基于多导脑电信号格兰杰因果的测谎方法

摘要

本发明公开了一种基于多导脑电信号格兰杰因果的测谎方法，包括对两类受试者的各个导联脑电信号之间的GC值进行计算，生成两类受试者的GC邻接矩阵；将具有显著差异的电极对的GC值作为分类特征，送入到机器学习算法中，进行机器学习的模型训练，通过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各个预处理操作后，对测试者的各个导联脑电信号之间的GC值进行计算，生成测试者的GC邻接矩阵，并作为输入送入到训练好的分类器中，得到测谎结果。该方案基于脑神经信号，大大降低了测试时需要的刺激次数，最终经过测试，测谎准确率得到很大提高。

主权项

1.一种基于多导脑电信号格兰杰因果的测谎方法，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GC值进行计算，生成两类受试者的GC邻接矩阵；导联脑电信号之间的GC值的计算步骤为：对于单变量自回归模型(AR)，我们有：其中a_i,j是模型参数(系数通常通过最小二乘法估计)，p是AR模型的阶数，u_i是与模型相关的残差。这里，每个信号(x和y)的预测是仅由其自己的过去(分别为x和y)执行。残差的方差表示为：对于双变量AR：残差现在取决于两个信号的过去值及其差异是：其中var(.)是随时间变化的方差，并且x|x，y是x(t)和y(t)值的过去样本对x(t)的预测。因此，来自y的Granger因果关系(GC)到x(从y预测x)是：范围：0≤GC_y→x<∞；4)求两类受试者的平均GC邻接矩阵，对每个邻接边的两组GC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GC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GC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)的各个预处理操作后，利用步骤3)生成测试者的GC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。