غربال‌‌گري خودكار افراد خطاكار با تحليل تفكيك‌پذيري مشخصات سيگنال‌هاي هدايت الكتريكي پوست و حجم‌‌سنجي نوري

Automatic credibility assessment screening using discriminate analysis of skin conductance response and photoplethysmograph signals

غربال‌گري افراد خطاكار به‌كمك سامانه­اي كم‌حجم و حصول نتيجه در كم‌ترين زمان ممكن يكي از نيازمندي­هاي اساسي در زمينه كنترل مبادي ورود و خروج، در مناطق حساس به‌شمار مي­رود. در راستاي اين مهم، هدف از انجام اين پژوهش، بررسي امكان تشخيص خودكار استرس در فرد خطاكار به‌كمك دو سيگنال هدايت الكتريكي پوست و حجم‌سنجي نوري است كه حس‌گرهاي آنها كمترين مزاحمت را براي افراد ايجاد مي­كنند. مجموعه دادگاني در قالب يك مصاحبه حاوي سؤالات كنترل و مربوط و با ثبت سيگنال هدايت الكتريكي پوست و حجم‌سنجي نوري از چهل ‌نفر در قالب سناريوي دزديدن جواهرات تهيه شده است. جهت تحليل خودكار اين سيگنال­ها پس از هنجارسازي آنها به استخراج 28 ويژگي زماني-فركانسي از دو سيگنال ذكر‌شده پرداخته شده است. عملكرد روش‌هاي كاهش بعد، تحليل مولفه‌هاي مستقل، تحليل مؤلفه‌هاي مستقل هسته‌محور، تحليل تفكيك‌پذير خطي، تحليل تفكيك‌پذير خطي مبتني بر خوشه جهت استخراج ويژگي‌هاي بهينه ارزيابي شده است. طبقه‌بندهاي مورد بررسي ماشين بردار پشتيبان، بيزين و AdaBoost هستند. ارزيابي روش‌ها براساس روش LOO در ميان دادگان بوده است. بيشترين درصد صحت (81/08درصد) با روش كاهش بعد تحليل مؤلفه‌هاي مستقل و تحليل تفكيك‌پذير خطي و طبقه‌بند بيزين حاصل شده است.

Credibility assessment screening by a small system and receiving optimum result in minimum time is a basic need in critical gates. Therefore the aim of this research is automatic detection of stress in guilty persons through skin conductance response and photoplethysmograph signals which are convenient and ease-of-use sensors .In this paper, a set of database with interview protocol (including control and relevant questions) in mock crime (Stealing jewels) is provided. 40 subjects participated in the experiments. 28 time-frequency features are extracted from two mentioned signals. The function of dimension reduction algorithms including principal component analysis, Kernel based PCA, linear discriminant analysis, cluster based LDA is evaluated to select optimum features. Support Vector Machine, Bayesian and AdaBoost are used as classifiers. The evaluation of algorithms on database is based on LOO method. Maximum accuracy (81.08%) is obtained through principal components analysis as feature selection method and Bayesian as classifier.