华中师范大学学报(自然科学版)
華中師範大學學報(自然科學版)
화중사범대학학보(자연과학판)
JOURNAL OF CENTRAL CHINA NORMAL UNIVERSITY(NATURAL SCIENCES)
2014年
3期
354-359
,共6页
高军峰%张文佳%杨勇%马君君%官金安
高軍峰%張文佳%楊勇%馬君君%官金安
고군봉%장문가%양용%마군군%관금안
脑电%测谎%极端学习机%主成分分析%P300%支持向量机
腦電%測謊%極耑學習機%主成分分析%P300%支持嚮量機
뇌전%측황%겁단학습궤%주성분분석%P300%지지향량궤
EEG%lie detection%extreme learning machine%principal component analysis%P300%support vector machine
为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis,PCA)和极端学习机(Extreme Learning Machine,ELM)相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号,选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.
為瞭剋服噹前基于P300的測謊方法訓練時間長、箇體識彆準確率不夠高的缺點,提齣瞭將主成分分析(Principal component analysis,PCA)和極耑學習機(Extreme Learning Machine,ELM)相結閤的PCA_ELM測謊方法.該方法使用典型的三刺激測謊範式,記錄30名隨機劃分的撒謊和無辜者在Pz電極上的腦電(EEG)信號,選擇探針刺激響應併對每名受試者的每5箇響應波形進行平均,然後對兩類信號提取小波特徵.PCA被用于對原始特徵空間進行特徵選擇.降維後的特徵樣本被送到ELM分類器,該分類器學習速度快,汎化能力彊,但是對于其隱層節點數的指定一直未有有效的解決方法.我們通過對特徵子空間的維數和ELM的隱層節點數進行二維的網格搜索算法,基于交扠驗證的方法,對兩箇參數進行同步優化選擇,訓練得到最佳參數下的分類模型.實驗結果錶明,提齣的PCA_ELM方法不僅在訓測謊準確率上高于噹前的廣汎使用的分類模型,而且訓練時間大大縮短,尤其適閤于在線的測謊繫統.
위료극복당전기우P300적측황방법훈련시간장、개체식별준학솔불구고적결점,제출료장주성분분석(Principal component analysis,PCA)화겁단학습궤(Extreme Learning Machine,ELM)상결합적PCA_ELM측황방법.해방법사용전형적삼자격측황범식,기록30명수궤화분적살황화무고자재Pz전겁상적뇌전(EEG)신호,선택탐침자격향응병대매명수시자적매5개향응파형진행평균,연후대량류신호제취소파특정.PCA피용우대원시특정공간진행특정선택.강유후적특정양본피송도ELM분류기,해분류기학습속도쾌,범화능력강,단시대우기은층절점수적지정일직미유유효적해결방법.아문통과대특정자공간적유수화ELM적은층절점수진행이유적망격수색산법,기우교차험증적방법,대량개삼수진행동보우화선택,훈련득도최가삼수하적분류모형.실험결과표명,제출적PCA_ELM방법불부재훈측황준학솔상고우당전적엄범사용적분류모형,이차훈련시간대대축단,우기괄합우재선적측황계통.