fa بازشناسی دانش فرد خطاکار به کمک سیگنال‌های تک ثبت مغزی، مبتنی بر روش غیرخطی منحنی‌های بازگشتی مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <a name="up">در این مطالعه، از روش غیرخطی منحنی‌های بازگشتی به منظور آشکارسازی دانش فرد خطاکار از سیگنال‌های تک ثبت مغزی، استفاده شده است. دادگان مورد استفاده، مربوط به 49 نفر بوده که در آزمون بازشناسی چهره مخفی شده شرکت نمودند. طراحی این آزمون‌ به نحوی صورت گرفته است که در آن آشنا بودن تصویر یک چهره، توسط افراد گناهکار کتمان گردد. بنابراین هدف، بازشناسی چهره مخفی شده توسط این افراد می‌باشد. در مرحله‌ استخراج ویژگی از کمی‌کننده‌های بازگشتی استفاده شده است. طبیعت آشوبگونه‌ی دینامیک مغز و بررسی بستر جذب در فضای فاز، از امور مهمی می‌باشند که توسط این کمی‌کننده‌ها مورد توجه قرار می‌گیرند. بررسی نتایج بدست آمده نشان می‌دهد ظهور مولفه‌ی P300 در افراد گناهکار (که در اثر انکار شناخت نسبت به یک تصویر آشنا ایجاد می‌گردد)، افزایش تعیٌن و پیش‌بینی پذیری در مغز را به همراه دارد و این امر بیانگر کاهش پیچیدگی مغز در این افراد می‌باشد. در ادامه با بکارگیری الگوریتم ژنتیک در مرحله‌ی انتخاب ویژگی، طبقه‌بندی کننده‌ی LDA و روش جدید آستانه‌گذاری متغیر، صحت 89.7 درصد (تشخیص صحیح 45 نفر از 49 نفر) با تلفیق اطلاعات سه کانال Pz ،Cz و Fz حاصل گردید. </a> In this study, Recurrence Plots (RPs) has been adapted as a nonlinear approach in order to detection of guilty subjects’ knowledge based on their single-trial ERPs. The dataset were acquired from 49 human subjects who were participated in a Concealed Information Test (CIT). According to the test protocol, guilty subjects denied their information about familiar faces, so the aim was to detect the concealed faces in these subjects. Recurrence quantifiers were employed in feature extraction stage. Chaotic dynamic of brain’s signals and figuring out the trajectories in phase space are two important issues that can be indicated in these quantifiers. Results demonstrate, that the appearance of P300 signals in guilty subjects (because of denying a familiar face), increase the determinism and predictability of their brain’s signals. Also using Genetic Algorithm (GA) in feature selection level together with Linear Discriminant Analysis (LDA) classifier and a new method named: “inconstant threshold detection”, we achieved an accuracy about 89.7% on combining information of Fz, Cz and Pz channels. روش غیرخطی منحنی‌های بازگشتی ، آزمون دانش فرد خطاکار ، سیگنال‌ تک ثبت مغزی Recurrence Plots Nonlinear Method, Guilty Knowledge Test, Single Trial ERPs 37 48 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-304-1&slc_lang=fa&sid=1 Amir hossein Mehrnam امیرحسین مهرنام amir_mehrnam@yahoo.com 1003194753284600552 1003194753284600552 Yes Ali Moti Nasr abadi علی مطیع نصرآبادی 1003194753284600553 1003194753284600553 No دانشگاه شاهد Mahrad Ghodousi مهراد قدوسی 1003194753284600554 1003194753284600554 No دانشگاه شاهد Amin Mohamadian امین محمدیان 1003194753284600555 1003194753284600555 No دانشگاه امیرکبیر Shahla Torabi شهلا ترابی 1003194753284600556 1003194753284600556 No دانشگاه امیرکبیر