تشخيص دروغ بر مبناي سيگنال‎هاي فوتوپلتيسموگراف و مقاومت الكتريكي پوست با استفاده از شبكهعصبي

Lie detector system based on PhotoPlethysmoGraph (PPG) and Galvanic Skin Response (GSR) signals by means of neural network

هدف اين تحقيق طراحي سامانه‌اي جهت تشخيص دروغ است. باررزترين اثر استرس ناشي از دروغ، بر روي سامانه گردش خون و همچنين از طريق تعريق ظاهر مي‎شود، از اين رو سيگنال‎هاي هدايت الكتريكي پوست و فوتوپلتيسموگراف براي رسيدن به اين هدف مورد استفاده قرار گرفتند. ثبت سيگنال‎‎ها از طريق سامانه پلي‎گرافي و با استفاده از آزمون قياسي براي بيست مرد انجام شد. پس از ثبت سيگنال‎ها، ويژگي‎هايي در حوزه زمان و فركانس از دو سيگنال استخراج شد. با اعمال ويژگي‌هاي استخراجي به تفكيك‌كننده خطّي LDA و همچنين شبكه عصبي MLP و Elman دسته‌بندي داده‎ها در دو حالت راست‌گو و دروغ‌گو انجام شد. بهترين نتايج با استفاده از شبكه عصبي Elman و درصد صحت تفكيك 87 درصد به‌دست آمد. بنابراين در اين مطالعه روش جديدي بر اساس سيگنال‎هايي با ثبت آسان و هزينه تشخيصي كم‌تر براي سامانه‎هاي غربال‌گري دروغ‌سنجي ارايه و ارزيابي شده است.

The aim of this article is design a lie detector system using GSR and PPG. The data set was including of photoplethysmograph signals and galvanic skin response record through an inductive test and using classic polygraph device. Thenceforth, features of time and frequency were extracted. Consequently data were classified and accuracy sensitivity coefficients were calculated by applying these features to linear Discriminant analysis LDA, MLP and Elman neural networks. 20 people participated in the study. The mean age of participants was 36 years. Finally determination of lie was done with accuracy coefficient of 88% by applying Elman neural network. According to the findings in this study, the new method has introduced while offering a more comfortable recording and less diagnostic costs. This new method can be suggested for use as a lie screening system