Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.52547/jsdp
1
8888
fa
jalali
1395
9
1
gregorian
2016
12
1
13
3
online
1
fulltext
fa
غربالگری خودکار افراد خطاکار با تحلیل تفکیکپذیری مشخصات سیگنالهای هدایت الکتریکی پوست و حجمسنجی نوری
Automatic credibility assessment screening using discriminate analysis of skin conductance response and photoplethysmograph signals
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
Paper
كاربردي
Applicable
<p style="text-align: justify;"><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">غربالگری افراد خطاکار بهکمک سامانه</span></span></strong><strong><span style="font-size:10.0pt;">­</span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">ای کمحجم و حصول نتیجه در کمترین زمان ممکن یکی از نیازمندی­های اساسی در زمینه کنترل مبادی ورود و خروج، در مناطق حساس بهشمار می­رود. در راستای این مهم، هدف از انجام این پژوهش، بررسی امکان تشخیص خودکار استرس در فرد خطاکار بهکمک دو سیگنال هدایت الکتریکی پوست و حجمسنجی نوری است که حسگرهای آنها کمترین مزاحمت را برای افراد ایجاد می­کنند. مجموعه دادگانی در قالب یک مصاحبه حاوی سؤالات کنترل و مربوط و با ثبت سیگنال هدایت الکتریکی پوست و حجمسنجی نوری از چهل نفر در قالب سناریوی دزدیدن جواهرات تهیه شده است. جهت تحلیل خودکار این سیگنال­ها پس از هنجارسازی آنها به استخراج 28 ویژگی زمانی-فرکانسی از دو سیگنال ذکرشده پرداخته شده است. عملکرد روشهای کاهش بعد، تحلیل مولفههای مستقل، تحلیل مؤلفههای مستقل هستهمحور، تحلیل تفکیکپذیر خطی، تحلیل تفکیکپذیر خطی مبتنی بر خوشه جهت استخراج ویژگیهای بهینه ارزیابی شده است. طبقهبندهای مورد بررسی ماشین بردار پشتیبان، بیزین و </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">AdaBoost</span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> هستند. ارزیابی روشها براساس روش </span></span></strong><strong><span dir="LTR"><span style="font-size:8.0pt;">LOO</span></span></strong> <strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">در میان دادگان بوده است. بیشترین درصد صحت (08/81درصد) با روش کاهش بعد تحلیل مؤلفههای مستقل و تحلیل تفکیکپذیر خطی و طبقهبند بیزین حاصل شده است. </span></span></strong></p>
<p style="text-align: justify;"><strong>Credibility assessment screening by a small system and receiving optimum result in minimum time is a basic need in</strong> <strong>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%)</strong> <strong>is obtained through principal components analysis as feature selection method and Bayesian as classifier.</strong></p>
تشخیص استرس, غربالگری, سیگنال هدایت الکتریکی پوست, حجمسنجی نوری
Stress detection, Screening, Skin conductance signal, Photoplethysmography.
113
128
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-515-1&slc_lang=fa&sid=1
Maryam
Saidi
مریم
سعیدی
msaidi@aut.ac.ir
10031947532846004852
10031947532846004852
Yes
RCَِDAT
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی
Amin
Mohammadian
امین
محمدیان
mohammadian@rcisp.ac.ir
10031947532846004853
10031947532846004853
No
RCَِDAT
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی
Marzieh
Daneshikohan
مرضیه
دانش کهن
biomedicaleng_2012@yahoo.com
10031947532846004854
10031947532846004854
No
RCَِDAT
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی
Zohreh
Seyedsalehi
زهره
سیدصالحی
z.seyedsalehi@aut.ac.ir
10031947532846004855
10031947532846004855
No
RCَِDAT
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی و دانشکده مهنسی کامپیوتر دانشگاه صنعتی شریف