Аннотация:Проблема: недостаточная разработанность алгоритмов классификации сознательно скрываемой информации методами ЭЭГ-регистрации при отсутствии усреднений или с минимальным их количеством .
Объект: электроэнцефалографическая активность людей, сознательно скрывающих информацию.
Предмет: классифицирующая способность алгоритмов определения скрываемой информации в записях ЭЭГ-регистрации, основанных на определении расстояния между ковариационными матрицами в римановой или евклидовой метрике.
Актуальность: на данный момент технология определения лжи широко используется в криминалистике, а также при тестировании кандидатов при трудоустройстве, однако чаще всего используются методы детекции, основанные на регистрации периферических показателей тела, которые не являются ни достаточно надёжными, ни достаточно информативными. Методы детекции лжи, основанные на использовании регистрации центральной нервной системы (ЦНС) пока что не являются достаточно исследованными и разработанными.
Цель: исследование классифицирующей способности римановых классификаторов в парадигме p300 в задачах классификации лжи на материалах регистрации ЭЭГ.
Задачи:
- Обработка и визуализация материалов эксперимента.
- Анализ материалов эксперимента.
- Калибровка классификаторов, основанных на римановой геометрии, на материалах записей эксперимента.
- Оценка точности римановых классификаторов на различных испытуемых.
Научная новизна проделанной работы: Классификаторы, основанные на римановой геометрии, получили применение в задачах интерфейса мозг-компьютер (Barachant, Bonnet, Congedo 2013), однако на данный момент возможность их применения в тесте скрываемой информации не была достаточно изучена.
Классификаторы, основанные на римановой геометрии, показали значительную точность определения ложных и правдивых ответов при минимальном количестве усреднений (3-4 усреднения эпох одинаковых стимулов), что делает их полезным инструментом тестирующих систем. Лучшую результативность показала логистическая регрессия, использованная на проекциях ковариационных матриц на риманово многообразие. Признаки, используемые для классификации потенциала p300, извлекались из всех отведений с последующим разделением во время обучения классифицирующего алгоритма. Данный подход показал себя многообещающим для разработки алгоритмов детекции лжи при помощи регистрации показателей ЦНС.
Предполагается возможным включение римановых классификаторов в ансамбли алгоритмов классификации энцефалографических записей для повышения устойчивости и точности классифицирующих ансамблей алгоритмов классификации лжи.