دوره 13، شماره 3 - ( 9-1395 )                   جلد 13 شماره 3 صفحات 113-128 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Saidi M, Mohammadian A, Daneshikohan M, Seyedsalehi Z. Automatic credibility assessment screening using discriminate analysis of skin conductance response and photoplethysmograph signals. JSDP. 2016; 13 (3) :113-128
URL: http://jsdp.rcisp.ac.ir/article-1-242-fa.html
سعیدی مریم، محمدیان امین، دانش کهن مرضیه، سیدصالحی زهره. غربال‌‌گری خودکار افراد خطاکار با تحلیل تفکیک‌پذیری مشخصات سیگنال‌های هدایت الکتریکی پوست و حجم‌‌سنجی نوری . پردازش علائم و داده‌ها. 1395; 13 (3) :113-128

URL: http://jsdp.rcisp.ac.ir/article-1-242-fa.html


پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی
چکیده:   (3936 مشاهده)

غربال‌گری افراد خطاکار به‌کمک سامانه­ای 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 AdaBoost هستند. ارزیابی روش‌ها براساس روش LOO 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. 

متن کامل [PDF 3457 kb]   (942 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1393/2/30 | پذیرش: 1395/10/8 | انتشار: 1396/2/3 | انتشار الکترونیک: 1396/2/3

فهرست منابع
1. [1] یونسی هروی، محمد امین، خلیل زاده، محمدعلی، صرافان، رسول، آذرنوش، مهدی، "تشخیص دروغ بر مبنای سیگنال‌های فوتوپلتیسموگراف و مقاومت الکتریکی پوست با استفاده از شبکه عصبی"، دو فصل نامه علمی پژوهشی پردازش علائم و داده ها، شماره 2، ش.ص 49-60، 1391.
2. [2] A. M. Andrew, "An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods by Nello Christianini and John Shawe-Taylor, Cambridge University Press, Cambridge, 2000, xiii+ 189 pp., ISBN 0-521-78019-5 (Hbk,£ 27.50)," ed: Cambridge Univ Press, 2000. [DOI:10.1017/S0263574700232827]
3. [3] N. r. Council, The polygraph and lie detection: National Academies Press, 2003.
4. [4] A. B. Dollins, V. L. Cestaro, and D. J. Pettit, "Efficacy of repeated psychophysiological detection of deception testing," Journal of Forensic Science, vol. 43, pp. 1016-1023, 1998. [DOI:10.1520/JFS14350J] [PMID]
5. [5] H. Dong, "Discriminant feature analysis for pattern recognition," 2010.
6. [6] http://en.wikipedia.org/wiki/AdaBoost#The_algorithm_for_the_binary_classification_task.
7. [7] M. Handler and R. Nelson, "Utah approach to comparison question polygraph testing," European Polygraph, vol. 2, 2008. [PMCID]
8. [8] J. C. Harris and A. D. McQuarrie, "The preliminary credibility assessment system embedded algorithm description and validation results," Johns Hopkins University Applied Physics Laboratory Report Number GED, 2009.
9. [9] P. Karthikeyan, M. Murugappan, and S. Yaacob, "A review on stress inducement stimuli for assessing human stress using physiological signals," in Signal Processing and its Applications (CSPA), 2011 IEEE 7th International Colloquium on, 2011, pp. 420-425. [DOI:10.1109/CSPA.2011.5759914]
10. [10] J. Kircher and D. Raskin, "The computerized polygraph system II (Software version 4.01)," Salt Lake City: Scientific Assessment Technologies, 2003. [PMCID]
11. [11] D. Krapohl, B. Stern, and Y. Bronkema, "Numerical evaluation and wise decisions," Polygraph, vol. 32, pp. 1-13, 2003.
12. [12] I. MathWorks, "MATLAB and Statistics Toolbox Release," ed: Natick, MA: The MathWorks, 2012.
13. [13] J. A. Matte, Forensic psychophysiology using the polygraph: Scientific truth verification, lie detection: JAM Publications, 1996.
14. [14] M. Ohsuga, F. Shimono, and H. Genno, "Assessment of phasic work stress using autonomic indices," International Journal of Psychophysiology, vol. 40, pp. 211-220, 2001. [DOI:10.1016/S0167-8760(00)00189-6]
15. [15] D. E. Olsen, J. C. Harris, M. H. Capps, and N. Ansley, "Computerized polygraph scoring system," Journal of Forensic Science, vol. 42, pp. 61-71, 1997. [DOI:10.1520/JFS14068J]
16. [16] P. Pandey, E. K. Lee, and D. Pompili, "A Distributed Computing Framework for Real-time Detection of Stress and of its Propagation in a Team," IEEE journal of biomedical and health informatics, vol. 20, pp. 1502-1512, 2016. [DOI:10.1109/JBHI.2015.2477342] [PMID]
17. [17] B. W. Party, "A review of the current scientific status and fields of application of polygraphic deception detection," London: British Psychological Society, 2004.
18. [18] S. C. Pauws and M. Biehl, "Insightful stress detection from physiology modalities using learning vector quantization," Neurocomputing, vol. 151, pp. 873-882, 2015. [DOI:10.1016/j.neucom.2014.10.008]
19. [19] B. P. Robertson, "The Use of an Enhanced Polygraph Scoring Technique in Homeland Security: The Empirical Scoring System-Making a Difference," DTIC Document2012.
20. [20] Y. Shi, M. H. Nguyen, P. Blitz, B. French, S. Fisk, F. De la Torre, et al., "Personalized stress detection from physiological measurements," in International symposium on quality of life technology, 2010, pp. 28-29.
21. [21] H. Storm, "Development of emotional sweating in preterms measured by skin conductance changes," Early human development, vol. 62, pp. 149-158, 2001. [DOI:10.1016/S0378-3782(01)00129-3]
22. [22] A. Vezhnevets and V. Vezhnevets, "GML AdaBoost Matlab Toolbox 0.3," MSU Graphics & Media Lab, Computer Vision Group, http://graphics. cs. msu. ru, 2009.
23. [23] K. Q. Weinberger, F. Sha, and L. K. Saul, "Learning a kernel matrix for nonlinear dimensionality reduction," in Proceedings of the twenty-first international conference on Machine learning, 2004, p. 106. [DOI:10.1145/1015330.1015345]
24. [24] Q. Xu, T. L. Nwe, and C. Guan, "Cluster-based analysis for personalized stress evaluation using physiological signals," IEEE journal of biomedical and health informatics, vol. 19, pp. 275-281, 2015. [DOI:10.1109/JBHI.2014.2311044] [PMID]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.