<font style="vertical-align: inherit;

Lilarc2 2019-07-03

展开全文

介绍

准确可靠的谎言检测对于各种科学领域的专家来说是一项极具挑战性的挑战。本文的目的是通过结合功能性近红外光谱（fNIRS）和自主数据（即皮肤和呼吸活动）来提高单一试验检测范例的分类准确性。测量体内几种生理参数的测谎仪，包括呼吸，皮肤电导，血压和脉率，广泛应用于谎言检测设置（Jung，1919 ; Mohamed等，2006 ; Matsuda等，2013） ; Walczyk等，2013）。

许多研究人员支持这样的假设，即直接测量大脑功能可以更全面地理解欺骗，从而更准确，更一致地检测谎言。基于这一假设，许多研究人员已经研究了各种神经生理信号，以便在谎言检测应用中使用。在这些信号中有事件相关电位（ERPs），其通过来自头皮的脑电图（EEG）获得（Duncan等人，2009 ; Rosenfeld等人，2012）。ERP主要用于测试有关犯罪的详细信息（Farwell和Donchin，1991）。这种类型的测试通常被称为有罪知识测试（GKT）或隐藏信息测试（CIT）（赵等人，2012 ; 法拉哈尼和莫拉迪，2013年 ; Rosenfeld等，2013）。具有高时间分辨率的脑电图可以非常快速地检测脑信号（Turnip等，2011 ; Cantilena等，2012 ; Soekadar等，2014），但主要缺点是其空间分辨率较差。广泛用于检测在欺骗过程中被激活的脑区域的另一种技术是功能性磁共振成像（fMRI）。fMRI，具有相对于EEG的高空间分辨率（Spence等，2004 ; Yuan和Ye，2013 ; Liang等，2014）），可以很容易地定位局部脑血流量（rCBF）的变化。对基于fMRI的欺骗解码的全面回顾发现，由于其扫描仪的高成本，庞大的尺寸以及对运动伪影的高灵敏度，当前的fMRI技术受到限制（Farah等，2014）。

因此，研究人员已开始探索另一种脑成像技术fNIRS，该技术通过与神经元行为相关的血流动力学反应来测量大脑活动（Kochel等，2011 ; Kamran和Hong，2013 ; Santosa等，2013 ; Hong和Nguyen， 2014 ; Tempest等，2014 ; Naseer和Hong，2015b），这样做它提供地形（Wolf等，2007）和断层扫描脑图像（Barbour等，2001））：地形图像用于描绘大脑表面的大脑活动，而断层图像用于表征大脑内部的差异。在fNIRS的情况下，与大脑活动相关的血流动力学反应可以在地表上映射到大脑表面（即强度图），而神经激活期间血管反应的动态可以在3D空间中通过断层摄影重建（Barbour等，2001）。

近红外（NIR） - 光谱利用650~1000 nm的光学窗口，其中皮肤，组织和骨骼对NIR光最为透明，但其中氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）是强光吸收剂。fNIRS提供比EEG或fMRI更好的时间/空间分辨率权衡。对fNIRS和fMRI各自特征的综合比较评估表明，fNIRS具有更大的精神和神经应用潜力，特别是由于其更好的便携性，简单性和对运动伪影的不敏感性（Irani等，2007）。因此，fNIRS已被广泛应用于各个领域，包括神经科学（Hu et al。，2011），运动医学（Quaresima et al。，2003）），行为研究（Roos等，2011 ; Santosa等，2014），临床医学（Taillefer和Denault，2005），儿科（Lanfranconi等，2014），脑 - 计算机接口（BCI）（Fazli） et al。，2012 ; Naseer and Hong，2013,2015a ; Naseer et al。，2014）。最近，小型，便携且具有成本效益的fNIRS系统已将这种方式的应用扩展到户外活动，如运动或为康复目的进行的活动（Muehlemann等，2008 ; Kim等，2011 ; Bhutta等， 2014年 ; Khan等人，2014年; Piper等，2014）。

迄今为止，只有非常有限的研究工作已在基于fNIRS欺骗解码方面作出（Tian等人，2009 ; Hu等，2012 ; 丁等人，2013年，2014年 ; 。西等人2014）。事实上，在欺骗解码实验环境中，尚未有研究利用或比较fNIRS信号与人体的生理变化。只有少数研究使用生理信号与fNIRS测量并行（Falk等，2011 ; Zimmermann等，2013），其中大多数仅用于BCI目的。

在本研究中，我们对健康男性受试者的真实和欺骗性反应进行了离线单一试验分类。更具体地说，我们解决了以下问题：（i）如何根据从前额叶皮质（PFC）收集的fNIRS数据对真实和欺骗性反应进行分类，以及（ii）如何包括身体生理参数，包括呼吸，皮肤电活动（EDA））和身体运动可以影响分类的准确性。线性判别分析（LDA）用于根据fNIRS确定的HbO平均值和斜率值结合基于测谎的呼吸和EDA结果来区分真实性和欺骗性反应。在该研究中获得的结果表明，组合的fNIRS-polygraph系统获得的分类精度优于任一单一系统。

材料和方法

主题

对16名健康男性受试者进行实验（平均年龄：31.2±3.2）。所有人都有正常或矫正视力正常。在这16名受试者中，右手13名，左手3名。没有受试者有任何神经或精神疾病史。釜山国立大学机构审查委员会批准了这项工作。在实验之前获得了受试者的书面同意，并且在实验期间观察了最新的赫尔辛基宣言的伦理标准。

实验程序

本研究中的实验范例是Tian等人提出的模拟盗窃情景的修改版本。（2009年）根据该主题，单独留在一个房间内的受试者被指示从桌子的抽屉里偷走5000韩元纸币或10,000韩元钞票并将其放在口袋里。然后将该主题带出房间并带到另一个房间进行询问。审讯者完全没有意识到被盗的笔记。在正式欺骗实验开始之前，每个受试者都被给出了实验的简要描述，并且进行了练习以确认他对实验过程的完全理解。欺骗实验要求受试者回答三种类型的问题（参见补充材料中的附录）：“真/谎”问题与被盗笔记和抽屉中留下的笔记有关，中性问题是一般性问题，答案是客观的“是还是不是，“并控制与主体的个人生活和一些轻微的违规行为相关的问题。该主题被明确指示他必须否认被盗票据的占有，并且必须仅对与被盗票据有关的问题回答谎言。在这项研究中，我们只区分对象的谎言和真实反应。要求中立和控制问题只是为了使主题保持活跃。在计算机屏幕上呈现了总共10个问题会话，每个会话包括五个随机问题。在每次会议中，提出了一个真实，一个谎言，一个中立和两个控制问题。每个问题都显示了大约3秒钟，一旦完成阅读，受试者就必须在精神上回答。在每次回答之后，给出15秒的等待时间来确定血液动力学信号。给予受试者有两个休息期，每个休息期为20秒，一个在实验开始时，另一个在实验结束时。在这项研究中，六个受试者获得了5000韩元的钞票，另外10个获得了10,000韩元钞票。数字图1示出了实验程序和样品实验试验。

图1

图1.实验程序。（A）共有10个会话，有两个休息时间：R代表休息，S代表会话，（B）样本会话：L代表谎言，W代表等待，C代表控制，N代表中立，T代表真实。

数据采集

由作者开发的多通道连续波成像系统（Bhutta等，2014）用于获取脑信号。fNIRS系统的光学探针定位在受试者的前额上，使得探针的发射器与国际10-20系统的FP1和FP2位置平行。向后刷毛发以清除前额以附接柔性探针。发射器和探测器布置成与头皮良好接触，然后用自粘绷带固定到受试者的头部。探头配置包括三个近红外发光二极管（LED）作为发射器（每个发射器可以发射三种波长：640,700和910 nm）和八个Si光电二极管作为探测器，见图2。根据源 - 探测器距离3厘米，发射器和探测器系统地定位在5×14 cm ²区域内。每个LED依次打开和关闭，并且在最近的检测器处检测通过皮层区域扩散的光。以3.8Hz的采样率获取总共36个光强度信号（3个LED×3个波长×4个相邻检测器）。在实验过程中，Velcro带将探头保持在所需位置。

图2

图2.测量设置的框图。生理信号（呼吸和EDA）被传输到Paragon采集系统（PAS），在Paragon采集系统中，它们被转换为数字数据，然后通过USB电缆发送到主机系统。fNIRS探头连接到控制箱，控制箱将模拟光强信号转换为数字信号，然后通过WiFi无线传输将它们传输到主机系统。

为了测量人体的生理条件（即呼吸，身体运动和皮肤电导），我们使用了Limestone Technologies（加拿大）开发的Paragon采集系统（PAS）。根据Limestone Technology网站上发布的指南定位传感器¹。Piezo Electronic StingRay_SE CM座椅传感器位于椅子上，受试者自然会将其大部分体重放在椅子上，记录受试者的身体运动。对于PAS中提供的两个气动呼吸传感器，一个固定在最后一个肋骨下方，另一个固定在受试者顶部肋骨附近。两个EDA 24 K镀金金属电极用于监测皮肤电导或EDA的最大灵敏度。这些电极用魔术贴环固定在受试者右手的最后两根手指上。在电极之间连续施加微伏电压，测量电极间电流以获得EDA信号。所有这些传感器通过金属连接器连接到PAS，PAS通过USB电缆连接到主机PC。数字图2提供了系统的完整框图，不仅指示传感器位置，还指示传感器和主机系统之间的连接。

数据处理

导入来自两个测量系统（fNIRS，polygraph）的信号，并使用MATLAB 7.9.0（MathWorks，USA）进一步离线分析。数据以来自fNIRS系统的数字化原始强度值的形式存储在主机 - 计算机文本文件中。从这些原始强度值，在光密度的变化，Δ OD，可以在每个离散时间计算ķ如

其中我是检测到的光的强度，我₀是入射光的强度，d是差分路径长度因子（DPF），升是在发射器和检测器之间的距离，和Δμ _一个是的吸收变化组织。氧合血红蛋白的（Δ的变化Ç _HbO2的）和脱氧血红蛋白（Δ ç _HBR使用修改的Beer-Lambert定律测定）（Kocsis的等人，2006），为

用λ ₁ = 640nm处，λ ₂ = 910纳米，d ^λ1 = 6.63，和d ^λ2 = 2.765（Scholkmann和Wolf，2013），根据用于依赖于波长的吸收系数的值α _HbO2的，α _HBR采取来自伦敦大学学院网站（医学物理与生物工程系，网站名称：组织发色团特异性灭绝光谱）²。fNIRS在检测血流动力学反应时，会发现呼吸，脉搏和低频梅耶波的生理噪音。为了消除这种噪声，使用截止频率为0.15Hz的二阶低通滤波器。图 3A显示了具有标准偏差（SD）的“真实”和“谎言”响应的平均HbO信号图，图 3B显示了15秒等待时间内2~7秒窗口的HbO信号的平均斜率。它的SD。数据在所有10个试验和16个受试者中取平均值。

图3

图3.平均氧合血红蛋白反应。（A） HbO比较图1B中 15秒等待期间的真实和谎言响应，（B）在15秒等待期间的早期2~7秒间隔内HbO斜率的比较。数据在所有10个试验和16个受试者中取平均值（即，每个谎言的总共160个响应和真实）。

PAS数据以来自相应换能器的数字化值的形式存储在文本文件中。为了简单和均匀，然后将保存的数据标准化为所有换能器的基线。图4描绘了由测谎仪记录的“真实”和“谎言”生理反应的平均数据及其SD（图4A：呼吸幅度，图4B：EDA幅度）。数据在所有10个试验和16个受试者中取平均值。

图4

图4.基于测谎的平均生理反应。（A）谎言，真实和中性问题的平均呼吸反应，（B）谎言和真实的平均EDA反应。数据在所有10个试验和16个受试者中取平均值。

分类

在这项研究中，LDA用于区分“谎言”和“真实”响应，因为它的简单性和执行速度。LDA是一种线性分类器，它根据超平面区分不同类别的数据（Lotte等，2007）。分离超平面的设计应使其最小化类间方差并最大化类平均值之间的距离。

对每个真实和谎言响应之后的等待期间获得的数据段进行分类。出于分类目的，我们对每个受试者使用了20个点（10个真实和10个谎言），如图1所示，我们的实验有10个会话，每个会话中至少有一个真实和一个谎言问题。使用10次十次交叉验证计算分类准确度，即，为测试目的选择一个真值/谎言试验，而在剩余的九个试验中训练分类器。对所有试验重复该过程。通过所有训练/测试组合的平均误差确定分类准确度。

在本研究中，仅考虑HbO信号用于fNIRS数据的分类目的。HbO的信号平均值（SM）和信号斜率（SS）用作分类特征。所有12个频道都采用了HbO的平均值。通过使用线性回归在等待时段的2~7秒窗口期间将线拟合到所有数据点来确定每个等待时段的SS值。洪等人。（2015）已经表明，当刺激后2~7秒的窗口用于获得SM和SS时，SM和SS给出最佳结果。通过对各个时间窗口中的数据点求平均来确定每个等待时段的SM值。

在这项研究中，呼吸和EDA信号被用于测谎数据的分类。由于记录的“真实”和“谎言”响应读数之间缺乏显着差异，运动传感器值被排除在分类过程之外。对于测谎数据，仅分析了真实和谎言问题后每个等待期的前7秒。当使用两个呼吸传感器时，取两个传感器的平均值。呼吸和EDA信号的平均值用作测谎数据的分类器特征。通过在7秒时间窗期间对数据点求平均来计算平均值。

在计算各个模态的分类结果（fNIRS，polygraph）之后，还使用LDA作为元分类器来计算组合分类精度。然后，组合各个计算中使用的特征以获得组合的分类准确度。

结果

图5显示了对受试者15的真实和谎言数据的HbO均值和HbO斜率数据进行分类后获得的两个类别（真和谎言）。图6显示了在对同一受试者的呼吸和EDA数据值进行分类后的相同两个类别。它可以从图中可以看出5，6，该特征值是0和1之间使用下面的等式缩放。

其中s表示每个特征的原始数据，s '表示相应特征的缩放值，min（s）和max（s）表示相应特征集中的最小值和最大值。

图5

图5. fNIRS数据分类。使用HbO平均值和HbO斜率的谎言和真实响应的NIRS数据分类（对于2-7秒间隔，对象15）。

图6

图6.测谎数据分类。使用呼吸平均值和EDA平均值的谎言和真实反应的测谎数据分类（1-7秒间隔，对象15）。

为了比较组合系统和个体系统获得的结果，使用四个特征（HbO平均值，HbO斜率，呼吸和EDA平均值）再次对真实和谎言响应进行分类：图7比较了各个系统的分类准确度和组合系统。根据所有16名受试者的平均值，从个体fNIRS和测谎仪模式获得的分类准确度分别为71.6％和74.5％，而使用联合fNIRS-polygraph系统，实现了非常显着的改善，达到86.5％。将组合的fNIRS-polygraph系统获得的分类准确度与使用非参数Mann-Whitney U的各个系统获得的分类精度进行比较。-测试。组合系统与fNIRS单独的结果是U _（16） = 256和p <0.0001，而组合系统与单独的测谎仪的结果是U _（16） = 252.5和p = 0.0001。

图7

图7.比较。个体模态的分类准确性与组合系统的比较。

讨论

测谎仪被广泛用于审讯（即刑事调查）和办公室访谈设置，以发现谎言（Ginton，2013）。测量的主要生理反应是呼吸，心率，皮肤电导，身体运动和血压。在该研究中，使用市售的测谎仪，Paragon采集系统（PAS）来检测生理信号。从图2中所示的各个测量点测量呼吸，皮肤电活动和身体运动。由于检测数据缺乏差异，身体运动数据被排除在分析之外。造成这种情况的原因可能是，对于fNIRS测量，要求受试者保持静止而不移动他们的身体，因为这会在fNIRS数据中产生噪声。来自呼吸和EDA换能器的测量信号被馈送到PSA，PSA将它们转换成数字，然后使用有线连接将它们发送到主机系统。

图4显示了对应于真实和谎言反应的呼吸和EDA信号之间的明显且显着的差异。从图中可以看出，在等待期的最初几秒内，谎言的呼吸幅度相对低于真实期间的幅度，并且EDA信号在谎言状态的前几秒期间变高。这些发现与先前的文献一致（Matsuda等，2011）。这些只是谎言检测的一些生理措施; 尽管如此，科学家认为，只要能够清楚地观察到在欺骗过程中激活的大脑信号，就可以轻松地理解欺骗现象并检测它们。在本研究中，为了直接检测脑信号，fNIRS系统用于从大脑的PFC获取血液动力学信号。大脑中存在多个涉及撒谎的区域，但之前的研究已经确定当个体实践欺骗时PFC被激活（Christ et al。，2009 ; Hu et al。，2012 ; Ding et al。，2014 ; Farah等人，2014 ; Guhn等人，2014 ;Sai等，2014）。图3显示了对应于谎言和真实反应的HbO信号之间明显且显着的差异。它用于证明真实和谎言响应可以基于来自PFC的相应相关血液动力学响应而彼此分离。

使用LDA进行分类以区分HbO信号（作为fNIRS数据特征）以及呼吸和EDA信号（作为测谎数据特征）。图5，6分别示出了数据fNIRS和多种波动描记数据，分类之后获得的两个不同的分类（真和IIc）的，对于相同的对象（对象15）。在谎言和真实反应期间产生的血液动力学和生理反应的可分离性是清楚的。

这是第一项将fNIRS和测谎仪结合起来检测欺骗的研究。如上所述，fNIRS检测在欺骗过程中发生的大脑活动，而测谎仪检测来自身体的生理反应。假设通过组合这两种方法，系统性能将得到改善，事实上，在本研究期间收集的数据证明了假设的正确性。图7比较单个测量系统的分类精度和组合的fNIRS-polygraph系统的分类精度。个别fNIRS和测谎仪的平均分类准确率分别为71.6％和74.5％; 但是，合并的fNIRS-polygraph系统的显着性为86.5％。据观察，在一些试验中，fNIRS无法检测到欺骗，但PAS能够检测到它，反之亦然。这些结果着重证明了组合系统在区分真实和谎言响应方面更有效。

由于测谎仪被广泛用于刑事调查和法庭环境，因此测谎仪的74.5％分类准确度似乎相当薄弱。这种低精度的原因可能是因为，田等人使用过的问题。（2009年）在本文中并没有那么具有挑战性。可能在刑事调查中，问题与所涉及的犯罪细节有关。最近，Meijer等人。（2014）发表了一篇论文，其中作者使用四种生理测量方法对不同欺骗解码范例的验证进行了荟萃分析：皮肤电导，呼吸反应，心率和脑电图的P300成分。他们对1970年至2013年的一百多篇已发表的研究进行了分析。对于所有研究，使用皮肤电导和呼吸反应的有罪和无辜受试者的平均正确检出率为80％至85％。在我们的研究中发现的74.5％的准确度与通过上述研究获得的平均值相当。还应该指出一个重要的一点，

由于PAS的限制，所有数据分析都是离线执行的，PAS仅在完成实验后才提供数据。通过使用可以实时提供生理测量的系统将克服该限制。此外，本实验仅对27-34岁的男性受试者进行，尽管已经报道了女性和老年人相对于年轻男性的血液动力学反应的差异（Anokhin等，1996 ; May等， 2014 ; Zhou等，2014）。应该注意的另一个因素是我们所有的科目都是没有犯罪背景的大学研究生。考虑到谎言检测系统主要用于调查犯罪分子，其中绝大多数人没有受过良好教育，并且经常习惯于刑事调查过程，因此必须进行进一步研究以测试我们提出的组合的表现。用于真实刑事调查背景的fNIRS-polygraph系统。

结论

在这项研究中，将用于单试验谎言检测的组合fNIRS-polygraph系统与每个fNIRS和测谎系统进行了比较。fNIRS系统基于在前额叶皮层测量的氧合血红蛋白的血液动力学变化来解码欺骗，并且测谎仪基于来自身体的生理反应（例如呼吸和皮肤电活动）来操作。两种模态都是时间同步的，并且数据首先针对每个系统分别进行分类，然后使用线性判别分析作为分类器进行组合。组合系统实现的分类精度远高于单一系统实现的分类精度。这些结果表明，组合的fNIRS-polygraph系统为应用于现实生活谎言检测环境提供了巨大的潜力。

作者贡献

MB进行了实验并进行了数据处理，MH和YK审阅了手稿并提出了一些改进手稿的关键方法，KH监督了研究并纠正了整个手稿。所有作者都阅读并批准了最终的手稿。

利益冲突声明

作者声明，研究是在没有任何可被解释为潜在利益冲突的商业或金融关系的情况下进行的。

致谢

这项工作得到了韩国国家研究基金会在韩国科学，信息通信技术和未来规划部的支持（授权号NRF-2014-R1A2A1A10049727和NRF-2014R1A2A1A01005128）。

补充材料

本文的补充材料可在以下网址找到：https：//www./article/10.3389/fpsyg.2015.00709/abstract

缩略语

BCI，脑机接口; DPF，差分路径因子; EDA，Electrodermal活动; 脑电图，脑电图; ERP，事件相关的潜力; 功能磁共振成像;功能磁共振成像; fNIRS，功能性近红外光谱; GKT，有罪知识测试; HbO，氧合血红蛋白; HbR，脱氧血红蛋白; LDA，线性判别分析; LED，发光二极管; 近红外，近红外; PAS，Paragon采集系统; PFC，前额皮质; rCBF，局部脑血流量; SM，信号意味着; SS，信号斜率。

脚注

1. ^ Limestone技术网站。http://www./index.cfm/home/

2. ^ UCL医学物理和生物工程系，“组织发色团的特定消光光谱。” http://www.medphys./research/borl/research/NIR_topics/spectra/spectra.htm/

参考

Anokhin，AP，Birbaumer，N.，Lutzenberger，W.，Nikolaev，A。和Vogel，F。（1996）。年龄增加大脑复杂性。Electroen。临床。神经。99,63-68。doi：10.1016 / 0921-884X（96）95573-3

<font style="vertical-align: inherit;"><font style="vertical-align: inherit;

介绍