چکیده:
آزمون دانش گناهکار مبتنی بر سیگنال الکتروانسفالوگرام، یکی از پرکاربردترین روشهای دروغسنجی به شمار میرود. نگاشت بازرخداد به عنوان یکی از روشهای پردازش آشوبناک در دروغسنجی مورد استفاده قرار گرفته است. از جمله چالشهای مهم این روش، انتخاب آستانه مناسب برای تعیین وقوع بازرخداد حالات سیستم در فضای فاز است که انتخاب نامناسب آن کارایی این روش را تحت تاثیر قرار میدهد. در این مقاله به منظور حل این چالش از نگاشت بازرخداد فازی استفاده شدهاست. این نگاشت، تکثبتهای سیگنال الکتروانسفالوگرام را به تصویر بافت خاکستری تبدیل میکند. سپس ویژگیهای بافت تصویر براساس روش ماتریس رخداد همزمان درجه خاکستری استخراج و با استفاده از مدل K-نزدیکترین همسایگی طبقهبندی میشود. نتایج حاصل از طبقهبندی این بردار ویژگی با طول ۴ با صحت ۹۰ درصد بیانگر برتری این روش نسبت به روش متداول نگاشت بازرخداد با طول بردار ویژگی ۱۳ است. این کاهش بُعد در بردار ویژگی منجر به افزایش سرعت آموزش، آزمون و تعمیمپذیری طبقهبند K-نزدیکترین همسایگی به عنوان یک طبقهبند تنبل میشود. علاوه بر این، رویکرد پردازش تک ثبت مبتنی بر سوژه که در این مقاله نظر گرفته شده است نیاز به وجود مجموعه دادهای از سوژههای مختلف را بر طرف کرده و برای تشخیص راستگویی و دروغگویی سوژه صرفاً به دادگان همان سوژه نیاز است.
The EEG-based Guilty Knowledge Test (GKT) is one of the most frequent lie detection methods. Recurrence plot analysis is a conventional chaotic signal processing method applied in different lie detection studies. One of the most important challenges of this method is selecting the appropriate threshold as the criterion of state recurrence in phase space. Inappropriate selection of this threshold significantly affects the performance of this method. So in this study, the fuzzy recurrence plot was applied to overcome this challenge. This method was applied to transform EEG trials into grayscale texture images. Then, Gray-Level Co-Occurrence Matrix (GLCM) was used to extract texture features from these images. Finally, The extracted features were classified using the K-NN classifier. The classification results of the 4-D feature vectors with 90% accuracy indicate the superiority of this method compared to the classic RQA method with 13-D feature vectors. Moreover, this reduction in feature vector dimension improves train and test speed and generalization of the KNN as a Lazy learner.