常文文,王　宏,化成誠

(東北大學(xué)機(jī)械工程與自動化學(xué)院,遼寧沈陽110819)

基于聽覺ERP功能腦網(wǎng)絡(luò)特征和SVM的測謊方法研究

常文文,王宏,化成誠

(東北大學(xué)機(jī)械工程與自動化學(xué)院,遼寧沈陽110819)

基于圖論理論的腦網(wǎng)絡(luò)分析方法近年來在認(rèn)知腦科學(xué)研究中起到了非常重要的作用,而基于事件相關(guān)電位(Event-Related Potentials,ERP)的傳統(tǒng)測謊方法一直都專注于對某一特定通道上的腦電信號進(jìn)行分析,針對傳統(tǒng)方法中使用少數(shù)通道并不能夠全面的反映人在說謊狀態(tài)下大腦整體認(rèn)知功能特征的缺點(diǎn),本文提出了基于腦網(wǎng)絡(luò)特征的測謊方法,通過聽覺刺激誘發(fā)事件相關(guān)電位ERP,記錄腦區(qū)多通道腦電信號,通過討論各導(dǎo)聯(lián)之間的相位延遲指數(shù)來構(gòu)建腦功能網(wǎng)絡(luò),計(jì)算7類腦網(wǎng)絡(luò)特征參數(shù)作為判別指標(biāo).分析被試在說謊和無辜狀態(tài)下的網(wǎng)絡(luò)特征參數(shù),使用支持向量機(jī)對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類判斷,結(jié)果表明:本文提出的方法有較高的判別準(zhǔn)確率,優(yōu)于目前判別方法的平均值,證明了本方法的測謊有效性.

腦電;測謊;聽覺刺激;小波包;相位延遲指數(shù);腦功能網(wǎng)絡(luò)

1　引言

腦科學(xué)與認(rèn)知科學(xué)的發(fā)展為相關(guān)領(lǐng)域的研究帶來了新視角,其中基于事件相關(guān)腦電位(ERP)中P300成分的測謊方法自1989年由美國西北大學(xué)Rosenfeld J P教授提出并取得實(shí)驗(yàn)室成功以來,得到了快速發(fā)展[1～5];但Rosenfeld教授以及后續(xù)其他一些相關(guān)研究者的工作,比如常用的BAD[2](Bootstrapped Amplitude Difference)方法和BCD[1](Bootstrapped Correlation Difference)方法,都是通過采集腦頂區(qū)電極Pz導(dǎo)聯(lián)的ERP信號,來分析被試在模擬犯罪場景下的腦電特征變化,完成測謊研究.最初對ERP的研究認(rèn)為在腦中線區(qū)的Pz、 Cz、 Fz導(dǎo)聯(lián)處誘發(fā)腦電位最為明顯;有關(guān)ERP的研究,除了經(jīng)常使用Pz導(dǎo)聯(lián)處的信號之外,有一些研究者將Pz、 Cz、 Fz三點(diǎn)的ERP信號相結(jié)合進(jìn)行分析[3],但這些方法都局限于將單個導(dǎo)聯(lián)或少數(shù)導(dǎo)聯(lián)的信號單獨(dú)從信號幅值大小和潛伏期長短的角度進(jìn)行分析,沒有考慮各不同導(dǎo)聯(lián)之間ERP的相互依賴關(guān)系,從而不能從全腦區(qū)認(rèn)知功能變化的角度去考慮被試在說謊和不說謊狀態(tài)下大腦的功能狀態(tài)[5～7].近年來,隨著人們對大腦研究的深入,基于圖論理論的腦網(wǎng)絡(luò)分析方法在腦結(jié)構(gòu)和腦功能研究中取得了相當(dāng)可觀的研究成果[8～10],該方法研究全腦不同區(qū)域腦電信號之間的相互關(guān)系,根據(jù)相互關(guān)系變化的程度來更加詳細(xì)的分析被試在不同認(rèn)知任務(wù)下的腦功能特性[11～13],我們在本文中將腦網(wǎng)絡(luò)分析方法引入到測謊研究中,考慮從全腦區(qū)網(wǎng)絡(luò)特征變化的角度去分析被試在說謊和不說謊狀態(tài)下的特征差異.

本文設(shè)計(jì)基于聽覺刺激[14,15]的實(shí)驗(yàn)室測謊實(shí)驗(yàn),使用Neuroscan32導(dǎo)腦電采集系統(tǒng),得到被試在無辜和模擬犯罪情況下全腦區(qū)32導(dǎo)聯(lián)的ERP信號,通過對所有被試總平均ERP信號的小波包分析提取對隱藏信息敏感的腦電波段[16～18],然后分別計(jì)算各電極導(dǎo)聯(lián)間的相位延遲指數(shù)[19,20]來構(gòu)建腦功能連接矩陣,并通過設(shè)定合適的閾值,實(shí)現(xiàn)網(wǎng)絡(luò)的二值化,最后計(jì)算被試在無辜和說謊狀態(tài)下二值網(wǎng)絡(luò)的特征參數(shù),將這些特征參數(shù)構(gòu)成的特征向量作為是否說謊的判斷指標(biāo).通過對比分析可以看到被試在說謊狀態(tài)下的腦網(wǎng)絡(luò)參數(shù)明顯不同于在無辜狀態(tài)下對應(yīng)的參數(shù)指標(biāo).同時選用支持向量機(jī)(Support Vector Machine,SVM)作為特征參數(shù)分類器,并分別計(jì)算10名被試在無辜和說謊狀態(tài)下平均ERP的腦網(wǎng)絡(luò)特征參數(shù),并通過交叉驗(yàn)證,對分類器進(jìn)行訓(xùn)練和測試,最后得到分類器的最優(yōu)參數(shù)以及最佳分類準(zhǔn)確率,實(shí)驗(yàn)結(jié)果表明,該方法對實(shí)驗(yàn)室模擬測謊環(huán)境下的無辜者和說謊者的腦網(wǎng)絡(luò)特征有很好的表征,能夠非常準(zhǔn)確的對是否說謊做出分類.

2　實(shí)驗(yàn)和數(shù)據(jù)預(yù)處理

2.1實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)使用Oddball刺激范式、心理學(xué)CIT(Conceal Information Test)編題方法,通過播放聲音實(shí)現(xiàn)聽覺刺激誘發(fā)ERP完成實(shí)驗(yàn)[1,3,5].被試選擇10名在校研究生,平均年齡24歲,身體健康,聽力正常,都為右利手;所有被試之前沒有進(jìn)行過類似的測謊實(shí)驗(yàn).聲音刺激為統(tǒng)一參數(shù)的人名,使用專業(yè)文字-聲音轉(zhuǎn)換軟件生成(漢語女聲,16Bit,48KHz采樣),持續(xù)時間1200ms.每組刺激由8個人名組成,包括靶刺激(Target)、探測刺激1(Probe1)、探測刺激2(Probe2)和無關(guān)刺激(Irrelevant),其比例分別為Target:12.5%、Probe1:12.5%、Probe2:12.5%、Irrelevant:62.5%.靶刺激為被試導(dǎo)師名(如“王宏老師”),無關(guān)刺激為被試不認(rèn)識人名,探測刺激分兩類,其中被試不熟悉的人名為探測刺激1,被試熟悉的人名為探測刺激2,以便于進(jìn)行對比分析;使用STIM2軟件完成刺激序列的編輯.

實(shí)驗(yàn)使用Neuroscan32導(dǎo)聯(lián)ERP實(shí)驗(yàn)系統(tǒng),電極帽導(dǎo)聯(lián)為國際10-20標(biāo)準(zhǔn),采樣頻率1000Hz,在線采樣頻段0-100Hz,前額為接地,左右耳垂為參考電極,垂直眼電電極放置在左眼上下2cm處,水平眼電電極放置在兩眼的外眼角處.實(shí)驗(yàn)中被試坐在舒適的座椅上,要求集中精力、少動,眼睛注視顯示屏(統(tǒng)一綠色背景),相距80cm,利用STIM2軟件播放聲音刺激,被試通過雙通道立體耳機(jī)接收聲音刺激,當(dāng)每一個聲音出現(xiàn)時,就相當(dāng)于在詢問被試“你認(rèn)識這個人嗎？”,然后要求被試在自己導(dǎo)師名(Target)出現(xiàn)時“說實(shí)話”,按YES鍵,陌生人名(Irrelevant和Probe1)出現(xiàn)時也“說實(shí)話”,按YES鍵,自己熟悉的人名(Probe2)出現(xiàn)時“說謊話”,按NO鍵;一個試次中每組刺激重復(fù)25次,實(shí)驗(yàn)重復(fù)進(jìn)行3次,每次中途休息2min;通過SCAN系統(tǒng)記錄各被試的腦電信號.

2.2數(shù)據(jù)預(yù)處理

利用SCAN系統(tǒng)完成對EEG信號的眼電偽跡去除和基線校準(zhǔn),拒絕EEG信號中波形漂移嚴(yán)重和噪聲較大的部分.然后根據(jù)刺激類型對EEG信號進(jìn)行分段得到ERP信號,每段長度為1024ms,取刺激出現(xiàn)時刻之前100ms到之后的923ms為一個ERP數(shù)據(jù)段;之后完成對所有不同刺激類型分段數(shù)據(jù)的總平均,如圖1為Pz導(dǎo)聯(lián)處ERP總平均信號.

為提取ERP信號中對隱藏信息敏感的波段,即P300波段,我們對ERP信號進(jìn)行小波包分解和重構(gòu)[18,21].小波包分解是一種對信號進(jìn)行時頻分析的有效方法,能夠?qū)⑿盘栔鹨环纸鉃榈皖l和高頻部分[16,22],然后對我們感興趣的波段進(jìn)行重構(gòu),就可以得到我們需要的信號.首先使用“db5”母小波對上述ERP信號進(jìn)行7層小波包分解,然后對其中的慢波段δ波段(0.48～3.9Hz)信號進(jìn)行重構(gòu),得到重構(gòu)后ERP波形如圖2所示.可以看出,提取出的慢波成分相比圖1顯的更加光滑,P300成分也更加的明顯,便于對其進(jìn)行后續(xù)的處理.

3　腦電信號特征提取

已有的大量文獻(xiàn)是通過計(jì)算兩信號之間的同步似然值(Synchronization Likelihood,SL)來評判信號之間的非線性相關(guān)程度[8,10],但Stam等人在文章[19]中談到SL值雖然能夠在討論信號間非線性相關(guān)性方面產(chǎn)生很好的效果,但仍然不能避免在EEG信號采集過程中的容積傳導(dǎo)問題,由此可能在兩組信號間產(chǎn)生虛假的高相關(guān)性.

而相位延遲指數(shù)(Phase Lag Index,PLI)討論兩信號之間的相位同步性,對容積傳導(dǎo)現(xiàn)象不敏感,能夠?qū)π盘栔g的非線性耦合程度提供一種可靠的評價(jià)指標(biāo).同時,由于ERP信號對不同刺激產(chǎn)生的反應(yīng)時間不同,導(dǎo)致ERP信號在不同的刺激作用下有相位差的存在,而PLI能夠更好的表征這種相位關(guān)系[19,20],因此本文采用PLI來構(gòu)建不同導(dǎo)聯(lián)信號之間的非線性相關(guān)性.

3.1相位延遲指數(shù)分析

對一任意的EEG信號x(t),其解析信號ψ(t)可通過一復(fù)雜函數(shù)來定義[19,20],

(1)

ψ(t)=A(t)eiφ(t)

(2)

其中A(t)為瞬時幅值,φ(t)為瞬時相位.

定義信號xa(t)和信號xb(t)的相位差為,

φab(t)=φ(t)a-φ(t)b

(3)

然后將PLI定義為是對這個相位差分布的不對稱測量值,

(4)

其中sign為符號函數(shù),N為采樣點(diǎn)數(shù),有PLI值介于0和1之間.如果兩組信號之間沒有相位同步或只是和一個圍繞+/-pi,+/-2pi,+/-3pi…的相對相位相耦合的話,PLI值為0,這種情況很有可能是由于容積傳導(dǎo)造成的;PLI=1表明相位嚴(yán)格同步于一個常數(shù),并且延遲為0.3.2腦網(wǎng)絡(luò)參數(shù)分析

大腦功能網(wǎng)絡(luò)連接可以通過圖論理論來分析,圖是由一些節(jié)點(diǎn)和節(jié)點(diǎn)間的連接邊組成,將腦電信號的通道定義為節(jié)點(diǎn),通道間的相關(guān)值定義為邊連接值,將此邊連接值表示為矩陣即為該圖對應(yīng)的鄰接矩陣[8,9,11],本文中鄰接矩陣中的元素值w即為PLI值,如圖3所示為說謊和無辜狀態(tài)下總平均鄰接矩陣,該矩陣為30×30的方陣,橫軸和豎軸表示的是對應(yīng)的導(dǎo)聯(lián),圖中每一個節(jié)點(diǎn)表示全腦區(qū)各個導(dǎo)聯(lián)信號兩兩之間的相位延遲指數(shù)值,其值介于0到1之間,其取值越接近于1,說明兩個導(dǎo)聯(lián)之間的相位同步性就越強(qiáng),不同導(dǎo)聯(lián)之間的認(rèn)知同步關(guān)系就越緊密.

節(jié)點(diǎn)的度定義為與該節(jié)點(diǎn)直接相連的邊數(shù),將圖中所有節(jié)點(diǎn)度的平均定義為該圖的度;聚集系數(shù)和特征路徑長度是圖的兩個最基本的特征量,聚集系數(shù)表征了網(wǎng)絡(luò)的集團(tuán)化程度,表示某一節(jié)點(diǎn)的鄰居間互為鄰居的可能;如果節(jié)點(diǎn)i的度為Di,則聚集系數(shù)Ci定義為該節(jié)點(diǎn)鄰居間實(shí)際連接的邊數(shù)和可能的最大連接邊數(shù)的比值[8,9,10],即,

(5)

則圖的聚集系數(shù)為對Ci的平均,

(6)

兩節(jié)點(diǎn)i和j間邊數(shù)最少的一條通路定義為這兩個節(jié)點(diǎn)間的最短路徑(Lij).首先我們將邊的長度重新定義為邊權(quán)值的倒數(shù),即如果wij=0,則Lij=+∞,如果wij≠0,則Lij=1/wij,然后定義這條路徑上邊長度的總和為這兩點(diǎn)之間的特征路徑長度,同樣定義圖的特征路徑長度為所有路徑對長度的平均[8,9,10],

(7)

以上對特征路徑長度的定義主要是為了處理孤立節(jié)點(diǎn)間邊權(quán)值為無窮的問題,也有人通過全局效率來對網(wǎng)絡(luò)的連接路徑進(jìn)行分析,定義圖的全局效率為[9],

(8)

為了對腦網(wǎng)絡(luò)做進(jìn)一步分析,需要對鄰接矩陣進(jìn)行二值化處理,需要選擇一個合適的閾值,我們計(jì)算了在不同閾值下的C和L的比值,如圖4,通過對10組數(shù)據(jù)的對比分析最后選擇閾值為0.36,進(jìn)行二值化處理,得到其對應(yīng)的腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖5.

同時我們考慮了網(wǎng)絡(luò)的密度和同配系數(shù).網(wǎng)絡(luò)的密度反應(yīng)了一個網(wǎng)絡(luò)的稠密程度,是對腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的一種直觀表示量,一般將網(wǎng)絡(luò)的密度定義為網(wǎng)絡(luò)中實(shí)際存在的連線和圖中理論上最多可能產(chǎn)生的連線的比值[9],如下式所示,

(9)

Newman[23]認(rèn)為一個網(wǎng)絡(luò)中如果是高度數(shù)的節(jié)點(diǎn)相互連接,則顯示同配,可以通過同配系數(shù)來考慮網(wǎng)絡(luò)中高度數(shù)節(jié)點(diǎn)之間的連接程度.對于一個實(shí)際的網(wǎng)絡(luò)定義其同配系數(shù)為,

r=

(10)

大量腦網(wǎng)絡(luò)研究表明,很多腦功能網(wǎng)絡(luò)具有“小世界”特性[8,9,12],即這種網(wǎng)絡(luò)兼具高聚集系數(shù)和低特征路徑長度,通常以隨機(jī)網(wǎng)絡(luò)作為基準(zhǔn),來討論網(wǎng)絡(luò)的小世界特性,定義小世界特征指標(biāo)為,

(11)

其中Creal、Lreal為所討論網(wǎng)絡(luò)的聚集系數(shù)和特征路徑長度,Crand、Lrand為隨機(jī)網(wǎng)絡(luò)對應(yīng)的參數(shù).計(jì)算各刺激總平均ERP信號對應(yīng)的腦網(wǎng)絡(luò)參數(shù),如下表1所示.可以看出,在四類刺激的腦網(wǎng)絡(luò)參數(shù)值中,對應(yīng)I和P1之間比較接近,T和P2之間比較接近,是因?yàn)镮和P1都是被試不熟悉的陌生人,被試反應(yīng)時間相對較短,T 和P2都是被試熟悉的人(其中P2是被試試圖隱瞞的信息),且受到被試心理因素影響,反應(yīng)時間相對較長,而在P1和P2之間的參數(shù)值差別比較明顯.

表1　腦網(wǎng)絡(luò)特征參數(shù)

4　模式分類與討論

以上是從總平均的角度考慮了被試在說謊和無辜狀態(tài)下腦網(wǎng)絡(luò)的不同特征表現(xiàn),可以看到被試在這兩種狀態(tài)下的腦網(wǎng)絡(luò)特征有明顯的不同,因此可以通過對這些參數(shù)的討論來對單個被試的情況進(jìn)行分類判斷.使用20組實(shí)驗(yàn)數(shù)據(jù)(10組為說謊組,10組為沒說謊對照組)對上述方法進(jìn)行實(shí)驗(yàn)驗(yàn)證,分別計(jì)算各組數(shù)據(jù)在不同刺激下的腦網(wǎng)絡(luò)特征參數(shù),如下圖6為實(shí)驗(yàn)組在不同刺激下的腦網(wǎng)絡(luò)特征參數(shù)的歸一化值.

通過上圖可以看出,對于單個被試來講,大多數(shù)被試的腦網(wǎng)絡(luò)特征參數(shù)能夠和總平均狀態(tài)保值一致,但也有一些特征量有稍微的變化.為此我們定義各特征量的判別指數(shù):

Pindex=abs(P-I)/abs(P-T)

(12)

為了驗(yàn)證本方法的有效性,我們從每名被試的所有單次ERP序列中隨機(jī)不重復(fù)選取10段ERP序列進(jìn)行總平均作為最終的測試序列,總共選取了300個測試序列(說謊和不說謊狀態(tài)各占一半),并計(jì)算每個測試序列的Pindex,然后由7組腦網(wǎng)絡(luò)參數(shù)的Pindex構(gòu)成特征判別向量,作為SVM的輸入量,然后通過十則交叉檢驗(yàn),最后得到最佳c=8.17,g=12,此時對于300組測試序列的分類準(zhǔn)確率最高,可以達(dá)到86.65%.

目前基于ERP測謊的研究方法有多種,Rosenfeld教授在綜述性文獻(xiàn)[24]中講到,考慮到不同研究者采用的實(shí)驗(yàn)條件和被試者都會有所不同,以及一些實(shí)驗(yàn)中會受到反測謊手段的影響,目前不同測謊方法的平均準(zhǔn)確率為82.5%,而本文研究基于經(jīng)典聽覺ERP刺激,模擬測謊實(shí)驗(yàn)借鑒成熟的實(shí)驗(yàn)方法,最后通過腦網(wǎng)絡(luò)特征參數(shù)的討論得到的正確率高于目前平均水平,是一種有效的測謊方法,而通過腦網(wǎng)絡(luò)分析的方法也為認(rèn)知腦電位測謊技術(shù)提供了一種新的視角.

5　結(jié)論

本文基于聽覺刺激誘發(fā)ERP信號,完成實(shí)驗(yàn)室模擬測謊實(shí)驗(yàn),通過小波包分析得到對隱藏信息敏感成分P300信號,然后計(jì)算了在不同刺激作用下各導(dǎo)聯(lián)ERP信號之間的相位延遲指數(shù),來構(gòu)建腦功能網(wǎng)絡(luò),同時得到被試在說謊和不說謊狀態(tài)下的腦網(wǎng)絡(luò)特征參數(shù),作為判別特征量;最后使用SVM對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了測試分析,其分類準(zhǔn)確率高于目前現(xiàn)有的平均準(zhǔn)確率.結(jié)果表明:人在說謊狀態(tài)和不說謊狀態(tài)下的PLI腦功能網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)差別明顯,將腦網(wǎng)絡(luò)特征參數(shù)作為定量判別指標(biāo),能夠比較準(zhǔn)確的分辨開是否說謊的狀態(tài),研究結(jié)果對測謊方法的拓展和測謊系統(tǒng)的開發(fā)有重要意思.

[1]Farwell L A,Donchin E.The Truth Will Out:Interrogative Polygraphhy(“Lie Detection”) With Event-Related Brain Potentials[J].Psychophysiology,1991,28(5):531-547.

[2]Rosenfeld J P,Soskins M,Bosh G,Ryan A.Simple,effective countermeasures to P300-based tests of detection of concealed information[J].Psychophysiology,2004,41(2):205-219.

[3]Abootalebi V,Morad M H,Khalilzadeh M A.A comparison of methods for ERP assessment in a P300-based GKT[J].International Journal of Psychophysiology,2006,62(7):309-320.

[4]Meijer E H,Smulders F T H,Merckelbach H L G J,Wolf A G.The P300 is sensitive to concealed face recognition[J].International Journal of Psychophysiology,2007,66(8):231-237.

[5]常文文,王宏.基于P300幅值幾何差和腦網(wǎng)絡(luò)特征的測謊方法研究[J].儀器儀表學(xué)報(bào),2015,36(4):822-829.

Chang W W,Wang H.Study on the detection method based on P300 amplitude geometry difference and brain network characteristic[J].Chinese Journal of Scientific Instrument,2015,36(4):822-829.(in Chinese)

[6]Abootalebi V,Moradi M H,Khalilzadeh M A.A new approach for EEG feature extraction in P300-based lie detection[J].Computer Methods and Programs in Biomedicine,2009,94(10):48-57.

[7]高軍峰,王沛,鄭崇勛.基于P300和機(jī)器學(xué)習(xí)的測謊方法研究[J].西安交通大學(xué)學(xué)報(bào),2010,44(10):120-124.

Gao J F,Wang P,Zheng Z X.Lie detection method based on P300 and machine learning[J].Journal of Xi’an Jiaotong University,2010,44(10):120-124.(in Chinese)

[8]Stam C J,Haan W de,Daffertshofer A,et al.Graph theoretical analysis of magnetoencephalographic functional connectivity in Alzheimer’s disease[J].Brain,2009,132 (9):213-224.

[9]Rubinov M,Sporns O.Complex network measures of brain connectivity:Uses and interpretations[J].NeuroImage,2010,52(10):1059-1069.

[10]Stam C J,Reijneveld J C.Graph theoretical analysis of complex networks in the brain[J].Nonlinear Biomedical Physics,2007,1(3):1-19.

[11]梁夏,王金輝,賀永.人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J].科學(xué)通報(bào),2010,55(16):1565-1583.

Liang X,Wang J H,He Y.Human connectome:Structural and functional brain networks[J].Chinese Sci Bull,2010,55(16):1565-1583.(in Chinese)

[12]Rubinov M,Knock S A,Stam C J,et al.Small-world properties of nonlinear brain activity in schizophrenia[J].Human Brain Mapping,2009,30(12):403-416.

[13]Leistedt S J J,Coumans N,Dumont M,et al.Altered sleep brain functional connectivity in acutely depressed patients[J].Human Brain Mapping,2009,30(10):2207-2219.

[14]González I Q,León M A B,Belin P,et al.Person identification through faces and voices:An ERP study[J].Brain Research,2011,1407(3):13-26.

[15]Alho K,Woods D L,Algazi A.Processing of auditory stimuli during auditory and visual attention as revealed by event-related potentials[J].Psychophysiology,1994,31(11):469-479.

[16]王登,苗奪謙,王睿智.一種新的基于小波包分解的EEG特征抽取與識別方法研究[J].電子學(xué)報(bào),2013,41(1):193-198.

Wang D,Miao D Q,Wang R Z.A new method of EEG classification with feature extraction based on wavelet packet decomposition[J].Acta Electronica Sinica,2013,41(1):193-198.(in Chinese)

[17]薛建中,閆相國,鄭崇勛.用核學(xué)習(xí)算法的意識任務(wù)特征提取與分類[J].電子學(xué)報(bào),2004,32(10):1749-1753.

Xue J Z,Yan X G,Zheng C X.Classifications of EEG during mental tasks by kernel learning algorithms[J].Acta Electronica Sinica,2004,32(10):1749-1753.(in Chinese)

[18]Basar E,Schurmann M,Demiralp T et al.Event-related oscillations are ‘real brain responses’-wavelet analysis and new strategies[J].International Journal of Psychophysiology,2001,39(5):91-127.

[19]Stam C J,Nolte G,Daffertshofer A.Phase lag index:assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources[J].Human Brain Mapping,2007,28(1):1178-1193.

[20]Wu J,Zhang J,Ding X,Li R and Zhou C.The effects of music on brain functional networks:a network analysis[J].Neuroscience 2013,250(6):49-59.

[21]Quiroga R Q,Sakowitz O W,Basar E,Schurmann M.Wavelet Transform in the analysis of the frequency composition of evoked potentials[J].Brain Research Protocols,2001,8(6):16-24.

[22]徐寶國,宋愛國,費(fèi)樹岷.在線腦機(jī)接口中腦電信號的特征提取與分類方法[J].電子學(xué)報(bào),2011,39(5):1025-1030.

Xu B G,Song A G,Fei S M.Feature extraction and classification of EEG in online brain-computer interface[J].Acta Electronica Sinica,2011,39(5):1025-1030.(in Chinese)

[23]Newman M E J.Assortative mixing in networks[J].Phys.Rev.Lett,2002,89(5):208701-208705.

[24]Rosenfeld J P,Hu X Q,Labkovsky E,et al.Review of recent studies and issues regarding the P300-based complex trial protocol for detection of concealed information[J].International Journal of Psychophysiology,2013,90(9):118-134.

常文文男,1987年生,甘肅通渭人,東北大學(xué)博士研究生,主要研究方向?yàn)槭录嚓P(guān)腦電,腦機(jī)-接口,腦電信號處理.

E-mail:changww2013@126.com

王宏(通訊作者)女,1960年生,遼寧沈陽人,1998年于德國馬格德堡大學(xué)獲得博士學(xué)位,東北大學(xué)教授,博士生導(dǎo)師,主要研究方向?yàn)槟X電信號處理、仿人機(jī)器人和康復(fù)工程等.

E-mail:hongwang@mail.neu.edu.cn

Study on Lie Detection Method Based on Auditory ERP Functional Brain Network Characteristic and SVM

CHANG Wen-wen,WANG Hong,HUA Cheng-cheng

(School of Mechanical Engineering & Automation,Northeastern University,Shenyang,Liaoning 110819,China)

Recently,brain network method,which based on grapy theory,has played an important role in cognitive science research.And the traditional lie detection methods,which based on ERP signals,usually focus on the EEG from one channel,this has some shortcomings,that use few channels are not able to reflect the whole cognitive characteristic underlying lie condition.In this paper,we proposed a method based on brain network characteristics.We used the auditory stimuli to evoke the ERP signals and it was recorded from different channels.In order to build the functional brain network,we calculated the phase lag index between these channels,and seven network parameters were calculated as the index for lie detection.Those network parameters were compared between guilty and innocent subjects,and support vector machine was used as the classifier to the test date.The result shows that this method has a higher identify accuracy than the average accuracy of existing method,proved the validity of the method.

Electroencephalogram (EEG);lie detection;auditory stimuli;wavelet packet;phase lag index;brain network

2015-07-06;

2015-08-05;責(zé)任編輯:馬蘭英

國家自然科學(xué)基金(No.51405073);遼寧省創(chuàng)新團(tuán)隊(duì)基金(No.LT2014006)

R318

A

0372-2112 (2016)07-1757-06

??學(xué)報(bào)URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.07.034