（微电子学与固体电子学专业论文）测谎算法比较研究及其asic集成实现.pdf

测谎算法比较研究及其a s l c 集成实现中文摘要 测谎算法比较研究及其a s i c 集成实现 中文摘要 诚实是经济社会的基石，恶意说谎诱使人犯罪。近年来，伴随着测谎学的发展， 测谎技术的研究对象已经转为人脑的化学指标，并且，测谎系统的微型化也已成为其 发展的一个重要趋势。 本文工作目标有二，一是基于梳理已知测谎算法的优缺点，重点比较研究了两种 测谎新算法，二是针对测谎系统的集成化设计需求，初步实现了f p g a 钡j j 谎微系统。 首先，分析对比已知的测谎算法及其测谎准确率。根据所学到的测谎研究范式， 研究思路针对人脑的化学指标，依据耳穴与人脑的双向映射原理，通过直接提取耳穴 近红外血氧低频信息，间接测量脑神经递质变化。寻求新的测谎算法，研究谎实新 特征。 接着，利用近红外传感技术，采集耳穴信号，构造扑克牌测谎实验，基于p c 机平 台采集测谎数据，分别应用k 聚类分析( s p s s 软件) 和超低频自相关算法分析，具体 寻找和构造谎实的新特征。 最后，基于f p g a 平台硬化了超低通滤波算法，与近红外传感采集电路相结合， 设计并完成了测谎的准a s i c 集成系统。 通过实验得到结果：超低频自相关算法测谎准确率在8 0 ，s p s s 平台测谎准确率 在7 0 ，f p g a 平台准确率在8 0 。 该工作可为测谎a s i c 或s o c 的设计奠定基础。 关键词：测谎算法，近红外耳穴信号，超低频，s p s s k 聚类，f p g a 微系统实现 作者：姚志刚 指导老师：李文石 测谎算法比较研究及其a s i c 集成实现a b s t r a c t t h ec o m p a r er e s e a r c ha n da s i c i m p l e m e n t a t i o n o nl i ed e t e c t i o na l g o r i t h m s a b s t r a c t h o n e s t yi st h eb a s eo ft h ee c o n o m i c a ls o c i e t y ，w h i l ei n t e n t i o n a ld e c e p t i o nl e a d s p e o p l ei n t oc r i m e a l o n g 谢t l lt h ed e v e l o p m e n to fl y i n gd e t e c t i o nr e c e n ty e a r s ，t h e c h e m i c a li n d e xo fb r a i nh a sb e e no n eo ft h eo b j e c t sf o rl y i n gd e t e c t i o nr e s e a r c h ， m e a n w h i l et h el i ed e t e c t i o nm i c r o - s y s t e mb e c o m e sat r e n d t h e r ea r et w oo b j e c t i v e so ft h i st h e s i s o n ei sb a s e do nt h e a d v a n t a g e sa n d d i s a d v a n t a g e st oa n a l y z et h ek n o w nl y i n gd e t e c t i o na l g o r i t h m s ，t om a k et h ec o m p a r i s o n b e t w e e nt w on e wm e t h o d so fl y i n gd e t e c t i o n a n o t h e ri st od e s i g nt h em i c r o - s y s t e mo f l y i n gd e t e c t i o nb a s e do nt h ef p g a ，a c c o r d i n gt ot h ed e t a i li n t e g r a t e dr e q u i r e m e n t f i r s t l y ，t h ek n o w nl y i n gd e t e c t i o nm e t h o d sa n di t sa c c u r a c i e sw e r ea n a l y z e df o rl i e d e t e c t i o nr e s e a r c hp a r a d i g ml e a r n i n g a i m e da tt h ec h e m i c a li n d e xo fb r a i na n dt h e a u r i c u l a r - b r a i nr e f l e c t i o nt h e o r y ，id i r e c t l ye x t r a c t e dt h eo x y g e ns u p e r - l o ws p e c t r u mf r o m n e a r - i n f r a r e do t o p o i n t si no r d e rt om e a s u r eb r a i nn e u r o t r a n s m i t t e r si n d i r e c t l y t h ek e y o b je c t sw e r et os e a r c hn o v e lf b a t u r e si b rl i eo rt r u t h s e c o n d l y ，t h en e a r - i n f r a r e ds e n s i n gt e c h n o l o g yw a sc o l l e c t e df o rs a m p l i n go ft h e o x y g e ns i g n a l so fa u r i c u l a rw i t hp cs y s t e md u r i n gc a r d l i ed e t e c t i o nt e s t s t w of e a t u r e s w e r et r a i n e d ，o n ew a sk m e a n sc l u s t e ro ns p s ss o f t w a r ea n dt h eo t h e rw a so u rs u p e r 1 0 w f r e q u e n c ya u t o c o r r e l a t i o na l g o r i t h m f i n a l l y ，b a s e do nt h ec h i po fc y c l o n ef p g a ，ia p p l i e dt h em e t h o do fs u p e r - l o w f i l t e r i n ga n dt h en e a r - i n f r a r e ds e n s i n gc i r c u i tt oa c h i e v eaq u a s i - i n t e g r a t e dm i c r o - s y s t e m e x p e r i m e n t s c o n c l u s i o n s ：t h el i e d e t e c t i o na c c u r a c i e sw e r e8 0 f o rs u p e r - l o w s p e c t r u ma u t o c o r r e l a t i o n , 7 0 f o rk - m e a n sc l u s t e ro fs p s ss o f t w a r e ，a n d8 0 f o r f p g a b a s e dm i c r o s y s t e m t h i sw o r kw i l lm a k eag r e a tc o n t r i b u t i o nf o rt h ei n t e g r a t i o no fl i ed e t e c t i o na s i c i i 测谎算法比较研究及其a s i c 集成实现 a b s t r a c t k e y w o r d s ：l i ed e t e c t i o na l g o r i t h m ，n e a r - i n f r a r e do x y g e ns i g n a l so fa u r i c u l a r , s u p e r l o w f r e q u e n c y ，s p s s kc l u s t e r ，f p g am i c r o - s y s t e mi m p l e m e n t a t i o n w r i t t e n b y y a oz h i - g a n g s u p e r v i s e db y l iw e n s h i 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律 责任。 研究生签名：酬 日 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本入所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名：塑龇1 日 导师签名：李乏石 日 测谎算法比较研究及其a s i c 集成实现第一章绪论 第一章绪论 本章针对测谎研究，重点介绍了测谎的概念和测谎的简史，阐明测谎集成电路的 设计需求，指明论文的具体研究工作，声明了创新点，本章末给出论文结构。 1 1 重要概念 1 1 1 测谎概念 测谎技术旨在基于仪器鉴别受测者是否恶意说谎。测谎仪器最初用于政府安全部 门和犯罪调查，后来也用于一些私营公司部分偷窃行为的调查【l 棚。 典型的测谎就是借助于测谎仪器，测谎人员通过一些相关的、无关的问题对受试 者进行提问，连续检测受试者的血压、脉搏、呼吸率和一些皮阻电流响应。通过这些 生理反应来反映出受试者的心理变化，以此来判别受试者是否说谎。 测谎器的发明及其应用的测谎技术，已经发展成为涉及实验心理学、情绪心理学、 生理心理学、电子技术、计算机技术、预审学、技术防范学和发明学等等学科领域的 交叉学科一测谎学。 由于微电子技术和计算机技术的发展，已使得新型的测谎器可以做得更加灵敏， 能检测和分辨更加微弱的电生理或生化指标信号，为说谎时的人脑机能定位提供极其 有力的工具保障。 我们认为测谎技术的本质是识别人脑认知说谎与诚实时的能耗变化。 1 1 2 测谎算法 为了准确地描述测谎信息并顺利地分析测谎问题，需要采用一些特殊方法并建立 相应的模型。 所谓的测谎算法，就是通过对特征量的分析解决测谎问题的有序步骤。 随着计算机技术的发展，各种基于计算机的自动评分算法开始运用到测谎的研究 中来。8 0 年代中期我国也开始此类研究。2 0 0 0 年，韩国生产了世界上首款掌上型语音 测谎算法比较研究及其a s i c 集成实现第一章绪论 测谎器，应用d s p 或s o c 自动评分。 基于计算机的自动评分算法由计算机客观地采集和最佳评分受试者的心理生理 反应信号，相应给出受试者诚实和欺骗的客观结论。 相对于测谎图谱人工判读的综合观察法和简易量化法，测谎技术自动评分法的优 点是【2 】： ( 1 ) 启用更多的特征量，系统具有高可靠性； ( 2 ) 编程测控，数字信号处理方法多样； ( 3 ) 应用多变量统计分析技术，抽取特征，最优化辩识力； ( 4 ) 易于缩放图谱幅度和控制基线，保证图谱存储质量，方便人工判读的综合 观察法； ( 5 ) 可兼容简易量化人工判读法，屏显添加曲线常用几何参数的测值及位置。 1 1 3 测谎集成电路 微系统集成就是把经过初步验证的算法硬化成硬件电路，辅以一定的外围接口传 输的协议电路，完成一个具有特定功能的测控系统。它强调融合算法、构架、协议、 混合和低耗、和谐寻优。 在微系统集成中，算法和构架设计阶段是整个项目的关键，并且算法设计和构架 设计也往往是结合在一起的。算法设计主要是根据功能和性能的需求，选择和设计算 法，并通过仿真或其它方法进行验证和评估。而构架设计简单的讲，就是如何使用芯 片来实现这样的算法和功能。 一般的测谎系统框图如图1 1 所剥5 1 。 测谎系统主要包括了测谎者、测谎器、受测者、测谎问题与评价体系几大部分。 采用符合心理规律的测谎问题，采集受测者的信息，通过对所采集的数据图谱进行手 动或自动分析和判别，来进行测谎。 测谎集成电路设计就是寻求测谎算法，构建测谎系统构架，实现测谎算法的硬化， 完成测谎系统的微系统集成。 图1 2 为两个微型测谎器，其中图a 1 6 】是美国新近为驻阿富汗美军配备的便携式测 谎器，该款测谎器将三根数据线连在被测试者的手上，通过传感器连至测谎机，由测 试人员询问被测试者约2 0 个问题，在问完问题一分钟后，测谎器屏幕如果显示绿色， 2 测谎算法比较研究及其a s i c 集成实现第一章绪论 就意味着被测试者说了真话，反之，如果显示红色，则认为被测试者在撒谎，黄色屏 幕则表明它也不清楚对方说的是真是假。 - 一一一 i 图1 - 1 测谎系统框图 图a 图1 2 微型测谎系统( 图a 美国便携式测谎器，图b 韩国语音测谎仪) 图b 【7 】是韩国一家公司生产的微型语音测谎器，其重量仅为4 5 克。这个语音测谎 器内部使用以色列生产的专用微处理芯片，外部有高灵敏度的声音探测装置。根据人 说谎时，血压的变化将导致他的语音声波产生与正常时不一样的变化( 本质是主频微 抖动) ，由内部芯片辨别声波，来判别声音情感的真实性。测试时，被测试者将先被 问一些简单的问题，微型测谎仪将记录此时的声波作为标准，再与后面更多的复杂问 题进行比较，从而判断被测试者的回答是否可信。测试结果通过屏幕中央的苹果图案 3 测谎算法比较研究及其a s i c 集成实现第一章绪论 来表示，苹果越完整表示所说的话越真实，反之越不可信。此款测试仪可切换麦克风 和手机两种测试方式，通过打电话也可以直接进行测谎。 1 。2 测谎发展概论 1 2 1 测谎沿革 测谎作为一项技术源于心理学早期的实验研究。 下面分类为几个不同时期，概论测谎的发展历史【1 ，4 1 ，增加论述了微型测谎器。 ( 1 ) 1 8 7 0 1 9 3 0 时期 在此6 0 年的发展过程中，储备了测谎基本原理、基本装置( 第一代测谎器) 和少 量的专门测谎人才，积累了一些成功测谎的经验，为测谎技术顺利进入下一时期做了 坚实的奠基。典型事件介绍如下。 1 8 7 5 年，意大利生理学家莫索设计了肌功描记器，通过记录血容量和脉幅量的变 化来实现测谎。 ， 1 9 0 4 年，美国芒斯特伯格首先提出：可以有限度的使用记录脉搏、血压、呼吸和 心电的工具来识别谎言。 1 9 0 5 年，德国的魏尔太墨首先采用心理学上的自由联想原理进行测谎实验，此举 为测谎问题编制做了奠基。 1 9 2 1 年，美国加州大学医学系的学生拉森发明了第一台实用的多导仪测谎器，它 将血压计和呼吸计组合在起组成了二导仪。 1 9 2 3 年，苏联心理学家，鲁利亚以言语联想反应时间和手指肌肉微颤作为检测指 标作为测谎的方法。 1 9 2 6 年，拉森的助手基拉专利注册了另一种测谎器，这种三导仪组合了拉森式测 谎器和皮电反应g s r 装置。 ( 2 ) 1 9 3 0 1 9 7 0 时期 在此4 0 年发展中，美国的标志性事件可概括为：一，出现了测谎的专门研究、教 学和组织机构，造就了测谎权威及其人才链；二，出现了第二、三代测谎器；三，测 谎工作得到了军方认同。另外，前苏联已在研究反测谎技术，新中国的测谎事业也得 到初步发展。 4 测谎算法比较研究及其a s i c 集成实现第一章绪论 1 9 3 5 年，基拉首先将测谎器用于法庭调查，结果发现有两个被告是有罪的。基拉 还首创了扑克牌实验、紧张峰测试法和私企人员测谎审查。 1 9 4 5 年，基拉的助手里德发明了第二代测谎器，该五导仪能同时记录受试者的血 压、脉搏、呼吸、皮阻电和肌肉活动。同时由基拉创办的测谎员训练班，经里德发展 成为里德测谎学院。 l9 世纪6 0 年代，由于电子技术的飞速发展，第三代测谎器使用的传感器包括热敏 电阻、光敏电阻和压电晶体等。 1 9 6 4 年，中国科学院心理研究所和航天部5 0 7 所着手研究了中国的测谎器，并在 一年后研究出了样机。 ( 3 ) 1 9 7 0 2 0 0 3 时期 总结3 0 余年历程，显著的特点是：重视语音测谎( 第四代测谎器) ，重视计算机测 谎( 第五代测谎器) ，重视遥测，重视认知理论指导下的脑电精密测量。本世纪初基于 s o c 的掌上型语音测谎仪问世，为第六代测谎器启蒙，再就是中国已经重视对测谎技 术的研究和适度应用。 ( 4 ) 2 0 0 3 2 0 0 8 时期 2 0 0 6 年，我国自主研发出首台测谎仪e r p ，神经医学领域的专家、南方医院神经 内科教授7 5 岁的杨文俊，领导他的同伴团队研究e i 冲测谎，历经十余年发明了目前世 界上处于先进水平的“事件相关电位测谎方法及其测谎仪 ，获得国家发明专利和国 际专利。 2 0 0 8 年，美国五角大楼为驻阿富汗美军配备了便携测谎仪。五角大楼声称，这种 便携式测谎器准确度高达8 2 9 0 。 1 2 2 测谎规律 谎实比率模型的数学描述为【3 1 ： p t 潆l 喜a 上式中臁示了诚实状态下，脑认知的能量消耗； p 表示了说谎状态下，脑认知的能量消耗； a 代表诚实与说谎状态脑认知能量消耗的比率，其数值落于0 到1 之问的开区间， 测谎算法比较研究及其a s i c 集成实现 第一章绪论 其最佳值接近于黄金分割点0 6 1 8 。 谎实比率模型说明诚实激活脑区数量，少于说谎激活脑区数量，表征说谎耗能 较多。 。 1 2 3 测谎研究 在测谎的发展历史中，测谎分析技术分为三条主线，对应于大脑认知研究的三个 层次【3 。4 l ： ( 1 ) 生理指标，例如：血压、呼吸、皮肤电阻和心率等，基于各类多导仪； ( 2 ) 物理指标，例如：大脑激活区域( 主要包括额区和颞区) ，基于f m r i 仪或 近红外谱仪； ( 3 ) 化学指标，例如：各种脑神经递质( 大脑传递信息时中介的化学物质) 。 新的测谎技术的研究重点是如何来提高测谎的准确率。下面是基于上述三个层次 的统计对比： ( 1 ) 基于生理指标，测谎准确率在8 5 ； ( 2 ) 基于物理指标，测谎准确率在9 0 ； ( 3 ) 基于化学指标，预计测谎准确率将超过9 0 。 测谎的历史进程表明：基于生理指标而远离大脑信号，将会降低测谎的准确率， 而传统的测谎仪器( 多导仪等) 在测谎中有着很多的不便。进入新的时代，测谎的研 究热点已经转到人脑内部。 基于测谎研究的趋势，我们课题组从集成化、实用化出发，拟寻求用于测谎的新 特征信号( 有更高的强度及灵敏性) ，并寻找用于测谎研究的新算法( 识别率高，易 于实现) ，最终设计应用于测谎的微集成系统，对测谎集成化作出有益尝试。 在此思路下我们拟捕捉耳穴血氧信号，利用算法提取超低频信息，并进一步将算 法映射到f p g a 中，实现测谎系统的准a s i c 实现。 1 。3 研究工作与创新点 通过研读大量文献，与指导老师合作，区别于所读文献的工作，本文的研究工作 与创新点主要有： 6 测谎算法比较研究及其a s l c 集成实现第一章绪论 ( 1 ) 比较已知的测谎算法，并运用统计类软件s p s s q b 的k 聚类分析模块来寻求 新的谎实特征； ( 2 ) 针对实验室测谎研究，寻求谎实的超低频自相关特征； ( 3 ) 基于f p g a 设计实现了超低通滤波的测谎微系统。 1 4 本文结构 本文第一章为绪论，重点介绍测谎概念和测谎简史，指明了论文的具体研究工作 和创新点。 第二章，比较了已知的算法，在此基础之上，寻找自己新的测谎算法，重点论述 分析谎实信号特征的k 聚类( s p s s 软件) 以及超低频自相关这两种算法，并给出了 典型的实验分析。 第三章，概论了f p g a 的特点和设计流程。根据总体的设计思路，完成自主的测 谎算法在f p g a 中实现地详细过程。 第四章，对实验( k 聚类分析基于s p s s 软件，超低频自相关和第三章所完成的 f p g a 测谎系统) 所获得的数据进行了分析。 第五章，对全文进行总结，概述整个实验结果，分析了实验中出现的问题，并对 进二- 步的实验目标进行了展望。 测谎算法比较研究及其a s i c 集成实现第二章测谎算法比较研究 丛一- - e r 弟一早 测谎算法比较研究 本章首先对测谎算法进行了一个总的概论，基于此，根据采集的近红外耳穴信号 寻找自己新的测谎算法，应用s p s s 软件中的k 聚类分析模块来探索谎实特征，并具 体研究超低频下的谎实信号特征。 2 1 测谎算法总论 基于计算机应用的自动评分测谎算法的关键是特征量的选择。下述特征量，针对 了测谎常用的心理、生理信号，例如：心电、胸腹呼吸、皮肤电导( 电阻) 、手指脉搏 ( 血容量) 和语音等【2 1 。 ( 1 ) 几何参数：最大幅值、波形宽度、响应潜伏期、曲线下面积、幅值偏移、 导数最大值、曲线长度、峰值点数目、峰值半降时间等。 ( 2 ) 计算参数：自相关系数、k - l 展开系数、频率微抖动等。 其中，几何参数源于简单量化法人工判读测谎图的实测积累，而计算参数则来自 移植工程算法研究自动评分的实践。由于自动评分算法的准确率与一比率( 特征量数 训练样本数) 成反比，需应用各类回归算法压缩特征量数。 2 1 1 已知算法分析 虽然最好的自动评分算法可能来自人工量化读图积累的经验，但是统计识别方法 的使用也是必然的趋势。测谎自动评分算法曾采用的主要统计识别模型有 2 , 9 - i i 】： ( 1 ) 辩识函数 1 9 5 2 年，e l l s o n 首先建议应用辩识函数合成多特征量来研究测谎。1 9 8 1 年，k i r c h e r 开发的c p s 系统加权组合特征量构建辩识函数，至1 9 9 1 年已将特征量由5 个压缩为3 个： 皮肤电导幅值、心电基线增幅和复合呼吸信号。1 9 9 9 年的效度分析表明，c p s 系统利 用辩识函数自动评分的准确率大于9 0 。 ( 2 ) 逻辑回归 1 9 9 3 年，逻辑回归被d e v i t t 和h o n t s 采用，与辩识函数法相比仅是加权系数的计算 8 测谎算法比较研究及其a s i c 集成实现第二章铡谎算法比较研究 方法不同。1 9 9 7 年，o l s o n 设计的测谎程序对其也有应用。 ( 3 ) 神经网络 1 9 9 3 年，神经网络法被d e v i t t 和h o n t s 采用，但测谎准确率太低。 ( 4 ) 最近邻法 2 0 0 0 年，清华大学自动化系应用最近邻法研究测谎自动评分。生理信号采用皮导、 脉率和呼吸幅，采用不同特征量的测谎准确率分别是( 峰值、面积、幅值跳变和导数 最大值) 8 0 ，( 前3 0 个自相关系数) 9 0 和( 前3 0 个k l 展开系数) 8 4 。 ( 5 ) 支持向量机 2 0 0 5 年，美国宾夕法尼亚大学的c d a v a t z i k o s ，k r u p a r e l ，等人，将支持向量机 ( s v m ，s u p p o r tv e c t o rm a c h i n e ) 应用于功能磁共振成像仪所扫描人脑图像，来划分 说谎与诚实时人脑部激活区域，在提前告知被测者要说谎的条件下测谎准确率可达 9 9 ，在未知被测者说谎条件下，准确率在8 8 。 2 1 2 积累算法分析 ( 1 ) 改进的自相关算法【5 】 根据测谎比率模型的启发，从信号能量的角度分析，将信号功率作为研究测谎的 新指标。利用改进的自相关极值均值算法，求取信号功率的新方法。在信号未知的情 况下，通过对信号做自相关运算后，消除部分的噪声，提高信号的信噪比，在此基础 上，采用将极值取平均的方式得出信号的功率。 应用近红外耳穴频域自相关方法研究测谎： f f t 频率图谱 将采集到的耳穴信号做快速傅氏变换，观察低频段的耳穴信号能量谱中的相对特 异变化。 由图2 1 所示f f t 特征频率图谱可以分析得出：说谎时主频率红移( 向左) 强兀赫兹， 诚实则主频率绿移( 向右) 弱7 【赫兹，主峰值抖动约为兀值。 图幅值主峰表明：相对于诚实，说谎更耗能量，累大脑。 频域自相关系数图谱 频域自相关系数图谱呈柳叶状，中心叶脉对应于平静认知心理，上为说谎，下为 诚实，其摆动值约为兀。 9 测谎算法比较研究及其a s i c 集成实现第二章铡谎算法比较研究 应用频域自相关特征测谎的小样本准确率接近8 0 。 ，、 昌 、_ ， 赵 罂 主频= 5 6 5h 互频抖= + 2 7 4i - i z 频率( 如) 图2 1f f l 特征频率图谱 ( 2 ) 小波建模测谎【1 2 1 小波分析原理是把信号分解成低频a l 和高频d l 两部分，在分解中，低频a l 中失去 的信息由高频d l 捕获。在下一层的分解中，又将a 1 分解成低频a 2 和高频d 2 两部分，低 频a 2 中失去的信息由高频d 2 捕获，如此类推下去，可以进行更深层次的分解。如图2 2 所示，其中a 表示低频，d 表示高频。 图2 2 基于小波的2 滤波原理、 小波变换具有高频处时间细分，低频处频率细分的优点，应用d b 3 d x 波，提取耳 颞区血氧的毫赫兹低频成份，以1 0 级小波低频系数，描述脑神经递质的浓度变化。 统计小波特征的效度，图解能量的特征，结果支持谎实比率模型，并提出谎 实互补比率模型：三q + r q = l 。 特征量t ：受测者诚实谱线直角三角形垂直边的高度值。 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 特征量l ：受测者说谎谱线直角三角形垂直边的高度值。 对男性：定义谎言商l q = 上t ( 计算值0 3 0 4 ) 。 对女性：定义诚实商孢= 丁三( 计算值0 6 0 8 ) 。 因此三q 和吧之和近似为1 。 如图2 3 ，横坐标为每组谎实数据的数量1 0 0 0 点，纵坐标为小波变换处理的数值。 图2 3 谎实互补比率图解 小波建模测谎效度计算结果： 几何特征( 斜边倾斜角度) 分析的小波算法测谎准确率在8 3 附近； 能量角度分析的小波算法测谎准确率在8 5 附近。 2 1 3 算法研究思路 通过分析以上两小节的一些测谎算法及其测谎效度，我们拟构造新的测谎算法， 以此来寻求新的谎实信号特征。 本小节将介绍算法研究的思路：根据耳穴信号采集的理论基础，来研究谎实信 号的测量模式。 ( 1 ) 近红外脑血氧成像基础【1 3 - 1 5 】 血红蛋白是近红外光在颅内衰减的主要色基，很适合用波段为7 0 0a m 1 0 0 0a m 的近红外光谱n i r s ( n e a ri n f r a r e ds p e c t r o s c o p y ) 进行检测，具有低吸收和高散射的特 茜整 目 叫 昭 吆 四船 阱 蝣 驼 0 0 0 0 【 f o 0 0 0 0 0 测溅算法比较研究及其a s i c 集成实现第二章铡谎算法比较研究 性。 现代的脑血氧检测比较侧重于近红外光谱仪，用它可以检测血氧的表征参数如氧 合血红蛋白浓度、氧离血红蛋白浓度以及血氧饱和度( 氧合血红蛋白浓度除以氧合血 红蛋白浓度和氧离血红蛋白浓度之和) 。近红外光谱检测脑血氧的一般特点是无损、 准确、快速及无噪声。 n i r s 的检测指标主要针对氧合血红蛋白( h b 0 2 ) 与氧离血红蛋白( h b ) 浓度， 氧合血红蛋白与氧离血红蛋白的吸收系数跟波长的关系构成了近红外吸收谱窗口波 段7 0 0t i m 1 0 0 0r i m 。 如图2 4 【1 5 】，可以观察到在7 5 0n l n 9 5 0n l - n 波长段q b h b 0 2 和h b 吸收比较小，而且 在这个波段中其它物质吸收更小，因此该波段对血红蛋白( 氧合、氧离) 浓度的表征 相对具有特异性( 光线深入脑组织，反射或投射输出能量大) 。 暇 光 系 数 、 荸 导 已 波长( n a t ) 图2 4 血红蛋白近红外光吸收系数 ( 2 ) 耳穴理论基础 耳穴诊疗理论【1 6 - 1 ；q 认为：耳穴在耳廓上的分布规律，在耳廓正面观察就像是一个 在子宫内倒置的胎儿，头向下，臀部和下肢向上，胸部和躯干在中间。 在这个参照系中( 图2 5 ) ，耳穴的各个穴位就映射着人体的各个部位。其中耳 垂相当于面部，分布着耳大神经和耳颞神经。耳屏相当于头部，分布着耳大神经、迷 走、咽舌和面神经。 脑颞区功能( 主要是近记忆) 可以通过人耳颞穴作双向反射。通过提取颞耳穴近 测谎算法比较研究及其a s i c 集成实现第二章测谎算法比较研究 红外的超低频信息，可以识别脑认知刺激的脑耳反射响应，达到间接检测脑神经化学 超低频特性的目的。 图2 5 国际耳穴及耳穴映射人体示意 ( 3 ) 谎实信号测量模式 基于人脑研究测谎，需要满足信息采集、处理与识别三个步骤。 首先，需要为受测者创造说谎的情景，接着通过提问、应答，采集受试者说谎与 诚实时的信号，最后提取、识别谎实数据特征。 我们选择了波长为9 4 0n i i l 的红外收发对管，采集颞耳穴透射信号。图2 6 为耳穴 测谎信号的采集系统，通过采集系统采集耳穴信号的电压值。 探头夹角 图2 6 近红外耳穴信息识别系统简图 f1、 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 在安静实验室环境中，受测者为平均年龄在2 4 岁的男女在校大学生，采用扑克牌 测谎的实验方法，采集谎实数据。 构建经典的扑克牌测谎问题如下图2 7 ( 以诚实为例，看到的是方块6 ，提问：是 梅花6 吗? 回答：不是) 。 你有这张牌吗? i 提同5 s 澜隔褡 擎 争 辫 - 鞠 羞 幂糈 这是梅花6 吗? 提阿5 s 而隔蟊 这是红桃1 0 吗? 提同5 s 嗣塌百i 鬯，匿翦j _ ：i i基慧l 骥黔： 孓隧 1 1 1 j 熬篱麓辫 萄臻彰惫守毡漪： 斌戮警 獗褒 弑荫 图2 7 扑克牌测谎提问范式举例 固定图2 6 所示探头夹角( c 【和0 ) 0 。为最佳测试角度。经探头从颞耳穴接收透射 信号送往系统前端的预处理部分( 包括：信号接收单元，信号放大单元，滤波单元) ， 利用a g i l e n t 示波器采集经过预处理的信号，利用示波器内嵌的模数转换和数据保存单 元，以e x c e l5 4 6 0 0t o o l b a r 为数据接口软件，将示波器采集的信号，自动送入p c 机， 以手动命名的e x c e l 文件格式，完成测谎实验数据的采集，存盘等待调用处理。 基于上述的提取测谎信号的理论基础及其测量范式，我们将在下2 节分别讨论基 于s p s s 软件k 聚类分析和超低频自相关两种算法的测谎分析。 2 2k 聚类分析特征 2 2 1s p s s 软件k 聚类分析原理【1 8 】 1 s p s s 的特点 s p s s ( s t a t i s t i c a lp r o d u c ta n ds e r v i c es o l u t i o n ) 是一个在社会科学领域及其他许 多领域广泛用于数据统计分析运算的成熟的社会科学统计软件包。 该软件包在2 0 世纪8 0 年代以前主要是在大中型计算机上运行，1 9 8 4 年移植到微型 一 ，、，：囊i一 6 一 。锑孺，q谤矗对鼍穗蠢砒霜逸您、嚣般越峨器翱逮鲨 霆携鬣蘸 测漉算法比较研究及- 其a s i c 集成实现第二章测谎算法比较研究 计算机上，使得更多的用户可以独立地运行该系统。9 0 年代w i n d o w s 版本的s p s s 开始 流行。 现今，s p s s 的用户范围遍及数理统计、计划学、社会学、经济学、金融学、教 育学、心理学、人口学、气象学、生物学、地理学、证券学、保险业、农业和医学等 各个领域。 s p s s 软件具有强大的统计功能，它的主要特点有： ( 1 ) 数据编辑功能：s p s s 的工作界面完善，操作简便，大部分的统计分析过程 可以通过鼠标，选择菜单命令、对话框设置参数、点击功能按钮来完成。 ( 2 ) 完善的数据转换接口：s p s s 可以方便的和w i n d o w s 的其它应用程序进行数 据共享和交换。可以打开e x c e l 、d a b a s e 、f o x b a s e 、a c c e s s 和文本编辑器等生成的数 据文件。 ( 3 ) 图形的生成和编辑：s p s s 具有强大的统计图绘制和编辑功能，可以生成数 十种基本图和交互图，图形美观，输出灵活，编辑方便。 ( 4 ) 强大的统计功能：s p s s 的统计功能是s p s s 的核心部分，利用该软件，几乎 可以完成所有的数理统计任务。s p s s 的基本统计功能包括：样本数据的描述和预处 理、假设检验( 包括参数检验、非参数检验及其他检验) 、方差分析( 包括一般的方 差分析和多元方差分析) 、相关分析、回归分析、对数线性分析、聚类分析、判别分 析、因子分析、对应分析、时间序列分析、可靠性分析。s p s s 还有内置的v b a ( v i s u a l b a s i cf o ra p p l i c a t i o n ) 客户语言，町以通过v i s u a lb a s i c 编程来控, u s p s s 。 2 k 聚类分析原理 聚类根据一定的聚类规则，将具有某种相同特征的数据聚在一起，也称之为无监 督学习。将一群物理的或抽象的对象，根据它们之间的相似程度，分为若干组，其中 相似的对象构成一组，这一过程就称为聚类过程，一个聚类( c l u s t e r i n g ，又称为簇) 就是由彼此相似的一组对象所构成的集合，不同聚类中对象通常是不相似的。 聚类分析是一种把没有分类的信息资料按类似程度并带有探索性的将记录或变 量分类的方法，并从给定的数据集中搜索数据对象之间所存在的有价值联系。 与分类不同，在开始聚类之前用户并不知道要把数据分成几组，也不知道分组的 具体标准，聚类分析中数据集合的特征是未知的。聚类分析大致可以分为：系统聚类 法和非系统聚类法两类。 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 当样本数量很多，如果按照其它的聚类方法，聚类进行到最后就需要大量的计算。 而计算的过程将面临两个方面的问题：一是需要占用大量的计算机内存空间，这将导 致计算机容量有可能不够用；另一个是长时间的复杂计算将占用计算机大量的c p u 时 间，造成严重的资源浪费。由此就引出了一个问题是否要将聚类进行到最后。我们所 讨论的是k 聚类分析就是非系统聚类法中最常用的k 均值聚类法，也称为快速聚类 法。和系统聚类相比，k 聚类分析方法的计算量相对较小，从而可以在不占用太多的 内存空间和计算时间的情况下有效的处理多变量、大样本数据。 j b m a e q u e e n 在1 9 6 7 年提出的k m e a n s 算法是到目前为止用于科学和工业应用 的诸多算法中一种极有影响力的技术。k 聚类分析的方法就是将聚类进行到指定的类 数就结束，其具体步骤如下： ( 1 ) 选择数值型变量作为聚类变量，按照指定的希望分类的数量，按某种原则 ( 可人为指定) 选择某些观测作为凝聚点，用以作为聚类的初始核心。 ( 2 ) 按就近原则将其余观测向凝聚点聚集，以此得到一个初始分类方案，并计 算出各个初始分类的中心位置( 均值) 。 ( 3 ) 使用初始分类计算出的中心位置重新进行聚类，在此环节中，各个观测的 分类情况会随着计算而不停的改变，分类结束后需要再次计算各新分类的中心位置。 如此反复循环，直到凝聚点的位置改变很小( 达到收敛标准，软件的默认值为0 0 2 ， 既表示两次迭代计算的聚类中心之间的最大改变量小于初始聚类中心最小距离的 2 ) 为止。 其算法流程简介如下： ( 1 ) 大小为以的数据集，令，= 1 ，选取价初始聚类中心巧仞，j f = l ，2 ，k ； ( 2 ) 计算每个数据对象与聚类中心的距离d ( x ，巧例，f _ 1 ，2 ，3 ，1 1 ，产l ， 2 ，3 ，k ，如果满足： d ，妖例= m i n f l ) ( x f ，巧例，歹= j ，2 ，3 ，c o op 夥卢1 ，2 ，3 ，n ( 2 1 ) 贝t j x f g ( 第k 类) ； ( 3 ) 根据新的阶分类，计算新的聚类中心 ( 川) = 彤力，2 l ，2 ，3 ，k ； ( 2 2 ) “fi = 1 ( 4 ) 若巧口+ r j ( i ) ，；l ，2 ，3 ，k ，则，= ，+ l ，返回( 2 ) ；否则算法 1 6 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 结束。 该聚类的个特点就是在每次迭代中都要考察每个样本的分类是否正确，若不正 确，就要调整。在全部数据调整完成后，再修改聚类中心进入下一次迭代。在一次迭 代中，所有数据都被正确的分类，就不会再有调整，聚类中心不再变化，聚类函数收 敛，算法结束。 2 2 2k 聚类分析研究测谎 下面我们将讨论运用s p s s 软件中的k 聚类分析模块，来探索对测谎的分析，寻求 新的谎实信号特征。 基本的思想是先基于s p s s 的k 聚类分析模块将每组的谎实信号数据作为单独的 变量，在内部分别加以分类，再通过一定的计算处理来探索谎实信号的特征。 首先，选取实测的各组测谎数据作为独立的变量，直接调入s p s s 中，选取k 聚类 分析功能进行数据分类。图2 8 为s p s s 软件k 聚类分析功能对话框示意。 t 讪- ! i _ 口- “卅- 如h 即n 勘一汕 翊曼i 利巽j _ ：划j 型倒创业l 嚣豳删蜘j ，- a i id 幢 图2 8s p s s 软件k 聚类分析对话框 在k 聚类分析中，有着三个主要的指数：分类数目，初始聚类中心和迭代次数。 由于是未知分类，开始时分类数目为未知，首先就需要考察并给出具体变量的分 类数目。我们选取多组数据，分别加以讨论分类数目取不同值的情况：当聚类数目取 4 时，有些数据组的分类结果中已经出现有的分类中没有数据的情况，因此我们选取 分类数目为3 。 而由于初始聚类中心只影响计算量而不影响最终的分类结果，在不需要考虑计算 时间的情况下我们并不指定初始聚类中心，而选择由s p s s 软件默认处理。 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 最后，在分类完毕后，分别观察各个分类的聚类中心值以及各分类的聚类数据量。 我们探索性的将最终得出的各分类的聚类中心分别乘以这个分类的聚类数量得到三 个数值，再将聚类数量多的2 组数值做减法然后除以另一个数值最后得出一个比值。 根据这个比值的大小来判断谎实情况。 2 2 3 典型实验例证 打开s p s s 软件，选取测谎的一对谎实信号数据调入s p s s 软件，如图2 9 选取 a n a l y z e 菜单下，c l a s s i f y 中的k - m e a n sc l u s t e r 。 图2 9s p s s 软件k 聚类示意 在v a r i a b l e s 框选入待分类的那组测谎数据，n u m b e ro fc l u s t e r s 框选取要求分类数 目：3 ，使用软件默认迭代次数，进行k 聚类分析。所得到的分类结果见图2 1 0 ，图a 为诚实数据，图b 为说谎数据。 i t e r a t i o nh i s t o r y a c h a n g ei nc l u s t e rc e n t e r s i t e r a t i o n 123 1 1 4 6 3 e - 口【31 。8 9 8 e 一0 22 2 1 8 e 1 0 2 2 1 3 6 9 e 一0 4b 4 6 7 e - 0 35 9 1 5 e - 0 3 3 8 。7 1 7 e - 0 44 2 8 9 e - 0 32 2 8 4 e 一0 3 4咖 0 0 00 0 0 图a r n a ic l u s t e rc e n t e r s n u m b e ro fc a s e si ne a c hc l u s t e r c l u s t e r1 4 8 0 0 0 0 2 2 2 0 0 0 1 3 3 3 0 0 0 0 0 v a l i d 1 0 0 0 0 0 0 m i s s i n g0 0 0 测谎算法比较研究及其a s i c 集成实现 第二章测谎算法比较研究 i n i t i a ic l u s t e rc e n t e r s i t e r a t i o nh i s t o r y = c