بازشناسي دانش فرد خطاكار به‌كمك سيگنال هاي تك‌ثبت مغزي، مبتني بر روش غيرخطّيِ منحني هاي بازگشتي

Detection of Guilty Knowledge, Using Single Trial ERPs, Based on Non-linear method of Recurrence plots

در اين مطالعه، از روش غيرخطي منحني هاي بازگشتي به‌منظور آشكارسازي دانش فرد خطاكار از سيگنال هاي تك‌ثبت مغزي، استفاده شده است. دادگان مورد استفاده، مربوط به 49 نفر بوده كه در آزمون بازشناسي چهره مخفي‌شده شركت كردند. طراحي اين آزمون به‌نحوي صورت گرفته است كه در آن آشنا‌بودن تصوير يك چهره، توسط افراد گناهكار پوشيده گردد. بنابراين هدف، بازشناسيِ چهره مخفي‌شده توسط اين افراد است. در مرحله استخراج ويژگي از كمي‌كننده هاي بازگشتي، استفاده شده‌است. طبيعت آشوب‌گونه پوياي مغز و بررسي بستر جذب در فضاي فاز، از امور مهمي‌اند كه توسط اين كمي كننده ها مورد توجه قرار مي گيرند. بررسي نتايج به‌دست آمده نشان مي دهد، ظهور مولّفه P300 در افراد گناهكار (كه در اثر انكار شناخت نسبت به يك تصوير آشنا ايجاد مي‌شود)، افزايش تعيٌن و پيش بيني‌پذيري در مغز را به‌همراه دارد و اين امر بيان‌گر كاهش پيچيدگي مغز در اين افراد است. در ادامه با به‌كارگيري الگوريتم ژنتيك در مرحله انتخاب ويژگي، طبقه بندي‌كننده LDA و روش جديد آستانه گذاري متغير، صحت 89.7 درصد (تشخيص صحيح 45 نفر از 49 نفر) با تلفيق اطلاعات سه كانال Pz ،Cz و Fz حاصل شد.

In this study, Recurrence Plots (RPs) has been applied as a nonlinear approach in order to detection of guilty subjects’ knowledge based on their single-trial ERPs. The dataset were recorded from 49 human subjects who were participated in a Concealed Information Test (CIT). According to the test protocol, guilty subjects denied their information about familiar faces, so the aim was to detect the concealed faces in these subjects. Recurrence Quantification Analysis (RQAs) were employed in feature extraction stage. Brainʹs dynamic and itʹs trajectories in phase space are two important issues that can be indicated in these measures. Results demonstrate, that the appearance of P300 signals in guilty subjects (because of denying a familiar face), can increase the determinism and predictability of their brain’s signals. Also using Genetic Algorithm (GA) in feature selection level together with Linear Discriminant Analysis (LDA) classifier and a new method named: “variable threshold”, we achieved an accuracy about 89.7% on combining information of Fz, Cz and Pz channels.