本發(fā)明屬于自然語言處理
技術領域：
，尤其涉及一種基于腦電信號的真實性判斷方法及裝置。
背景技術：
：隨著科學技術的發(fā)展，越來越多的高科技手段被引入到一些傳統(tǒng)領域，在真實性判斷這一領域，目前主要的方法是通過主觀經(jīng)驗判斷和輔助器械判斷，而輔助器械也就是大家俗稱的測謊儀，測謊儀主要是通過在對被試提問時檢測皮膚的一些生理指標，通過以往經(jīng)驗和驗證設置一定閾值來進行判斷，指標主要有血壓、脈搏、呼吸和皮膚電阻等。現(xiàn)代科學證實，人在說謊時生理上會發(fā)生一些變化，有一些肉眼可以觀察到，如出現(xiàn)抓耳撓腮、腿腳抖動等一系列不自然的人體動作。還有一些生理變化是不易察覺的，如：呼吸抑制或屏息、面部及頸部皮膚蒼白或發(fā)紅、皮膚出汗、說話結巴等。這些生理變化由于受植物神經(jīng)系統(tǒng)支配，所以一般不受人的意識控制，而是自主的運動，在外界刺激下會出現(xiàn)一系列條件反射現(xiàn)象。測謊儀一般是從三個方面測定一個人的生理變化，即脈搏、呼吸和皮膚電阻。其中，皮膚電阻最敏感，是測謊的主要根據(jù)。然而，測謊儀存在如下的缺點：1、影響閾值設定的關鍵因素之一就是在測試之前對用戶進行基本問題的詢問，從而建立參考指標，而對于熟悉測謊儀的被試可以輕松影響這一指標，最終影響測試結果；2、不同人的生理反應不同，導致實際閾值與設定閾值有偏差，最終影響判斷結果；3、操作員不當操作可能影響判斷結果。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種基于腦電信號的真實性判斷方法及裝置，旨在避免判斷真實性時受人為主觀性影響的問題，提高真實性判斷的準確性。本發(fā)明是這樣實現(xiàn)的，一種基于腦電信號的真實性判斷方法，所述方法包括以下步驟：步驟S1，采集被測試者當前行為的腦電信號；步驟S2，將所述被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，所述樣本腦電信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；步驟S3，根據(jù)所述比對結果判斷被測試者當前行為是否真實。本發(fā)明的進一步的技術方案是，在所述步驟S1之前還包括步驟：采集并存儲被測試者的樣本腦電信號。本發(fā)明的進一步的技術方案是，所述步驟S2包括以下子步驟：步驟S21，將所述被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號；步驟S22，對所述去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號；步驟S23，從所述降維后的腦電信號中提取頻譜特征，將所述頻譜特征作為真實性判斷的依據(jù)；步驟S24，將所述頻譜特征輸入到訓練好的分類模型中，在所述分類模型中將所述頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。本發(fā)明的進一步的技術方案是，所述步驟S21包括：使用FASTICA算法將所述被測試者當前行為的腦電信號投影為多個獨立分量；采用噪音頻譜特征或者高階交叉特征從所述多個獨立分量中判斷出噪音，并得到噪音分量；從所述被測試者當前行為的腦電信號除去所述噪音分量得到去噪后的腦電信號。本發(fā)明的進一步的技術方案是，所述步驟S22采用Fisher特征選擇的方式對所述去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號。本發(fā)明還提供了一種基于腦電的真實性判斷的裝置，所述裝置包括：采集模塊、分析模塊及判斷模塊；其中，所述采集模塊，用于采集被測試者當前行為的腦電信號；所述分析模塊，用于將所述被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，所述樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；所述判斷模塊，用于根據(jù)所述比對結果判斷被測試者當前行為是否真實。本發(fā)明的進一步的技術方案是，所述裝置還包括：預處理模塊，所述預處理模塊用于采集并存儲被測試者的樣本腦電信號。本發(fā)明的進一步的技術方案是，所述分析模塊包括：去噪模塊、提取模塊、降維模塊及比對模塊；其中，所述去噪模塊，用于將所述被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號；所述降維模塊，用于對所述去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號；所述提取模塊，用于從所述降維后的腦電信號中提取頻譜特征，將所述頻譜特征作為真實性判斷的依據(jù)；所述比對模塊，用于將所述頻譜特征輸入到訓練好的分類模型中，在所述分類模型中將所述頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。本發(fā)明的進一步的技術方案是，所述去噪模塊包括：分割單元、判斷單元及計算單元；其中，所述分割單元，用于使用FASTICA算法將所述被測試者當前行為的腦電信號投影為多個獨立分量；所述判斷單元，用于采用噪音頻譜特征或者高階交叉特征從所述多個獨立分量中判斷出噪音，并得到噪音分量；所述計算單元，用于從原所述被測試者當前行為的腦電信號除去所述噪音分量得到去噪后的腦電信號。本發(fā)明的進一步的技術方案是，所述降維模塊，采用Fisher特征選擇的方式對所述去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號。本發(fā)明的有益效果是：本發(fā)明提供的基于腦電信號的真實性判斷方法及裝置，通過上述方案：采集被測試者當前行為的腦電信號；將所述被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，所述樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；根據(jù)所述比對結果判斷被測試者當前行為是否為真實性的結論，提高了真實性判斷的準確性。附圖說明圖1是本發(fā)明基于腦電信號的真實性判斷方法第一實施例的流程示意圖；圖2是本發(fā)明基于腦電信號的真實性判斷方法步驟S2的細化流程示意圖；圖3是本發(fā)明基于腦電信號的真實性判斷裝置第一實施例的功能模塊示意圖；圖4是本發(fā)明基于腦電信號的真實性判斷裝置分析模塊的細化功能模塊示意圖。附圖標記：采集模塊10；分析模塊20；去噪模塊201；降維模塊202；提取模塊203；比對模塊204；判斷模塊30。具體實施方式本發(fā)明實施例的解決方案主要是：采集被測試者當前行為的腦電信號；將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論。本發(fā)明通過上述方案避免了判斷真實性時受人為主觀性影響的問題，提高了真實性判斷的準確性。下面結合實施例對本發(fā)明作具體闡述。第一實施例：具體地，參照圖1，圖1是本發(fā)明基于腦電信號的真實性判斷方法第一實施例流程示意圖，本發(fā)明基于腦電信號的真實性判斷方法的第一實施例包括以下步驟：步驟S1，采集被測試者當前行為的腦電信號；在本實施例中，采集被測試者當前行為的腦電信號的執(zhí)行主體可以為真實性判斷裝置，該裝置包括相應的功能模塊：采集模塊、分析模塊及判斷模塊，其中，采集模塊用于采集被測試者當前行為的腦電信號。被測試者在進行不同行為比如說話、笑的時侯，大腦會產(chǎn)生相應的活動，表現(xiàn)為腦電信號的變化，這種腦電信號的變化不受人為主觀因素的影響，通過不受人為主觀因素的影響的腦電信號對被試者當前行為的真實性進行判斷，具有很高的準確性。步驟S2，將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；本實施例中，真實性判斷裝置中還包括預處理模塊，預處理模塊用于采集被測試者的樣本腦電信號，并將樣本腦電信號存儲于真實性判斷裝置中。其中，樣本腦電信號包括已知真實性判斷內(nèi)容設計腦電信號及已知虛假內(nèi)容的腦電信號。比如，被測試者在說真話和說假話時，會產(chǎn)生不同的腦電信號，預處理模塊采集到被測試者在說真話時的腦電信號以及說假話時的腦電信號后，將其存儲于真實性判斷裝置中，作為判斷被測試者當前行為真實性判斷的樣本腦電信號。在采集樣本信號時，針對說真話和說假話時人的大腦會分別處于放松狀態(tài)和緊張狀態(tài)，為了采集真實的虛假內(nèi)容的樣本腦電信號，可以事先設定相應的環(huán)節(jié)和輔助手段來進行訓練，讓說假話的測試者有處于真實場景的緊張狀態(tài)，從而得到被測試者真實的說假話時的腦電信號，即真實的虛假內(nèi)容的腦電信號。采集模塊采集到被測試者當前行為的腦電信號后，分析模塊將該腦電信號與預先存儲的樣本腦電信號進行比對，得到比對結果：被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相匹配或不相匹配。步驟S3，根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論。在上述步驟S2，將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，如果得到的比對結果為被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相匹配，則在步驟S3中，判斷模塊判斷被測試者當前行為是真實性行為，如果得到的比對結果為被測試者當前行為的腦電信號與預先存儲的樣本腦電信號不相匹配，則在步驟S3中，判斷模塊判斷被測試者當前行為是虛偽性行為。其中，將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對時，可以采用以下匹配規(guī)則：比如說，可以在一定的訓練基礎上，形成分類器，通過訓練好的分類器對腦電信號提取的特征進行判別，比如說當前的腦電信號為A，通過特征提取，包括A1、A2、A3特征，預先存儲的樣本腦電信號通過特征提取包括B1、B2、B3特征，在匹配時可以采用以下匹配規(guī)則，若當前信號特征與樣本信號有其中兩個特征相匹配，則認為相匹配，否則，則認為不相匹配。本實施例通過上述方案：采集被測試者當前行為的腦電信號；將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論，避免了判斷真實性時受人為主觀性影響的問題，提高了真實性判斷的準確性。第二實施例：基于圖1所述第一實施例的具體描述，本發(fā)明第二實施例對上述步驟S2進行了進一步的改進。請參照圖2，圖2是基于圖1描述的基于腦電信號的真實性判斷方法的步驟S2的細化流程示意圖。本實施例與上述第一實施例的區(qū)別是：上述步驟S2，將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果的步驟包括：步驟S21，將被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號；采集被測試者當前行為的腦電信號的過程中，容易受到設備噪聲信號及肌電信號和眼電信號等因素的影響，為了提高真實性判斷的準確性，在采集到被測試者當前行為的腦電信號后，需要對被測試者當前行為的腦電信號進行去噪處理，得到降噪后的高信噪比的腦電信號。本實施例中降噪后的高信噪比的腦電信號為優(yōu)選為信噪比為15db以上的腦電信號。信噪比，英文名稱叫做SNR或S/N(SIGNAL-NOISERATIO)，又稱為訊噪比。是指一個電子設備或者電子系統(tǒng)中信號與噪聲的比例。這里面的信號指的是來自設備外部需要通過這臺設備進行處理的電子信號，噪聲是指經(jīng)過該設備后產(chǎn)生的原信號中并不存在的無規(guī)則的額外信號(或稱為信息)，并且這種信號并不隨原信號的變化而變化。信噪比的計量單位是dB，其計算方法是10lg(PS/PN)，其中PS和PN分別代表信號和噪聲的有效功率，信噪比越高，說明噪聲越小。本實施例采用FASTICA算法將被測試者當前行為的腦電信號進行去噪處理，并得到高信噪比的腦電信號。獨立成分分析(簡稱ICA)是近年來提出的非常有效的數(shù)據(jù)分析工具，它主要用來從混合數(shù)據(jù)中提取出原始的獨立信號。它作為信號分離的一種有效方法而受到廣泛的關注。在諸多ICA算法中，固定點算法(簡稱FASTICA)以其收斂速度快、分離效果好被廣泛應用于信號處理領域。該算法能很好地從觀測信號中估計出相互統(tǒng)計獨立的、被未知因素混合的原始信號。下面對本實施例步驟S21，采用FASTICA算法將被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號的步驟作詳細闡述：采集模塊采集到的被測試者當前行為的腦電信號中，通常包含有設備噪音信息、肌電信息及眼電信息，本實施例中首先使用FASTICA算法將被測試者當前行為的腦電信號投影為多個獨立分量；然后采用頻譜特征或者高階交叉特征從多個獨立分量中判斷出設備噪音信息、肌電信息及眼電信息等噪音信號，并得到噪音信息分量；從原被測試者當前行為的腦電信號除去噪音信息分量得到高信噪比的腦電信號。步驟S22，對去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號；本實施例中采用Fisher特征選擇的方式對去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號。本實施例中降維后的腦電信號優(yōu)選為維度為300維度以下的腦電信號。Fisher準則是特征選擇的有效方法之一，其主要思想是鑒別性能較強的特征表現(xiàn)為類內(nèi)距離盡可能小，類間距離盡可能大。步驟S23，從降維后的腦電信號中提取頻譜特征，將頻譜特征作為真實性判斷的依據(jù)；步驟S24，將頻譜特征輸入到訓練好的分類模型中，在分類模型中將頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。從降維后的腦電信號中提取頻譜特征，將頻譜特征作為真實性判斷的依據(jù)，其中，頻譜特征指腦電信號在一定波段對應一定頻率的特征；將頻譜特征輸入到訓練好的分類模型中，在分類模型中將頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。具體地，對經(jīng)過特征選擇處理的的腦電信號提取頻譜特征，此處將提取腦電信號在四個不同頻段(見表1)上的幅值作為真實性判別的特征。波段頻率解釋δ波0.5-3Hz并沒有進入實驗狀態(tài)θ波4-7Hz壓力增大，虛假α波8-15Hz放松、平靜，真實β波15-28Hz思考、處理接收到外界訊息表1.腦電頻譜特征其中，頻譜是指一個時域的信號在頻域下的表示方式，可以針對信號進行傅里葉變換而得，所得的結果會是分別以幅度及相位為縱軸，頻率為橫軸的兩張圖，不過有時也會省略相位的信息，只有不同頻率下對應幅度的資料。波段相當于頻率范圍的代稱，頻段和頻率是固定的，幅度是變化的。本實施例中，預先根據(jù)樣本腦電信號建立有真實性判斷的結果對照表，可以參照上述表1所述，在表1中包括不同頻率下對應的真實性判斷結果的解釋，其中包括四個不同頻段的幅值信息，幅值的大小本身就是特征，作為真實性判別的頻譜特征參考依據(jù)，不同頻段在頻譜上對應不同的頻譜特征。比如，在頻率為0.5-3Hz時，其真實性判斷結果為當前被測試者沒有進入實驗狀態(tài)，在頻率為4-7Hz時，其真實性判斷結果為壓力增大，虛假，在頻率為8-15Hz時，其真實性判斷結果為放松、平靜、真實，在頻率為15-28Hz時，其真實性判斷結果為思考、處理接收到外界訊息。將上述不同頻段對應的真實性分類結果輸入到分類模型中進行真實性判斷學習訓練。將頻譜特征輸入到訓練好的分類模型中，在分類模型中將頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。在對被測試者當前行為進行真實性判斷時，從降維后的腦電信號中提取頻譜特征，將頻譜特征輸入到訓練好的分類模型里面去，在分類模型里面找到與頻譜特征相對應的真實性判斷結果。綜上所述，本發(fā)明通過上述方案：采集被測試者當前行為的腦電信號；將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論，避免了判斷真實性時受人為主觀性影響的問題，提高了真實性判斷的準確性?；谏鲜龌谀X電信號的真實性判斷方法，本發(fā)明還提供了一種基于腦電信號的真實性判斷裝置。下面結合實施例對本發(fā)明基于腦電信號的真實性判斷裝置作具體闡述。第一實施例：請參照圖3，圖3是本發(fā)明基于腦電信號的真實性判斷裝置第一實施例的功能模塊示意圖，本發(fā)明基于腦電信號的真實性判斷裝置的第一實施例包括：采集模塊10、分析模塊20及判斷模塊30；其中，采集模塊10用于采集被測試者當前行為的腦電信號；被測試者在進行不同行為比如說話、笑的時侯，大腦會產(chǎn)生相應的活動，表現(xiàn)為腦電信號的變化，這種腦電信號的變化不受人為主觀因素的影響，通過不受人為主觀因素的影響的腦電信號對被試者當前行為的真實性進行判斷，具有很高的準確性。分析模塊20用于將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；本實施例中，基于腦電信號的真實性判斷裝置中還包括預處理模塊，預處理模塊用于采集被測試者的樣本腦電信號，并將樣本腦電信號存儲于基于腦電信號的真實性判斷裝置中。其中，樣本腦電信號包括已知真實性判斷內(nèi)容設計腦電信號及已知虛假內(nèi)容的腦電信號。比如，被測試者在說真話和說假話時，會產(chǎn)生不同的腦電信號，預處理模塊采集到被測試者在說真話時的腦電信號以及說假話時的腦電信號后，將其存儲于真實性判斷裝置中，作為判斷被測試者當前行為真實性判斷的樣本腦電信號。在采集樣本信號時，針對說真話和說假話時人的大腦會分別處于放松狀態(tài)和緊張狀態(tài)，為了采集真實的虛假內(nèi)容的樣本腦電信號，可以事先設定相應的環(huán)節(jié)和輔助手段來進行訓練，讓說假話的測試者有處于真實場景的緊張狀態(tài)，從而得到被測試者真實的說假話時的腦電信號，即真實的虛假內(nèi)容的腦電信號。采集模塊10采集到被測試者當前行為的腦電信號后，分析模塊20將該腦電信號與預先存儲的樣本腦電信號進行比對，得到比對結果：被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相匹配或不相匹配。判斷模塊30用于根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論。分析模塊20將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，如果得到的比對結果為被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相匹配，判斷模塊30則判斷被測試者當前行為是真實性行為，如果得到的比對結果為被測試者當前行為的腦電信號與預先存儲的樣本腦電信號不相匹配，判斷模塊30則判斷被測試者當前行為是虛偽性行為。其中，將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對時，可以采用以下匹配規(guī)則：比如說，可以在一定的訓練基礎上，形成分類器，通過訓練好的分類器對腦電信號提取的特征進行判別，比如說當前的腦電信號為A，通過特征提取，包括A1、A2、A3特征，預先存儲的樣本腦電信號通過特征提取包括B1、B2、B3特征，在匹配時可以采用以下匹配規(guī)則，若當前信號特征與樣本信號有其中兩個特征相匹配，則認為相匹配，否則，則認為不相匹配。本實施例通過上述方案：采集模塊10采集被測試者當前行為的腦電信號；分析模塊20將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；判斷模塊30根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論，避免了判斷真實性時受人為主觀性影響的問題，提高了真實性判斷的準確性。第二實施例：基于圖3所述第一實施例的具體描述，本發(fā)明第二實施例對上述第一實施例進行了進一步的改進。請參照圖4，圖4是基于圖3描述的基于腦電信號的真實性判斷裝置的分析模塊的細化功能模塊示意圖。本實施例與上述第一實施例的區(qū)別是：上述分析模塊20包括去噪模塊201、降維模塊202、提取模塊203及比對模塊204：其中，去噪模塊201用于將被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號；采集被測試者當前行為的腦電信號的過程中，容易受到設備噪音信號及肌電信號和眼電信號等因素的影響，為了提高真實性判斷的準確性，在采集到被測試者當前行為的腦電信號后，需要對被測試者當前行為的腦電信號進行去噪處理，得到去噪后的腦電信號。本實施例中降噪后的高信噪比的腦電信號為優(yōu)選為信噪比為15db以上的腦電信號。信噪比，英文名稱叫做SNR或S/N(SIGNAL-NOISERATIO)，又稱為訊噪比。是指一個電子設備或者電子系統(tǒng)中信號與噪聲的比例。這里面的信號指的是來自設備外部需要通過這臺設備進行處理的電子信號，噪聲是指經(jīng)過該設備后產(chǎn)生的原信號中并不存在的無規(guī)則的額外信號(或稱為信息)，并且這種信號并不隨原信號的變化而變化。信噪比的計量單位是dB，其計算方法是10lg(PS/PN)，其中PS和PN分別代表信號和噪聲的有效功率，信噪比越高，說明噪聲越小。本實施例采用FASTICA算法將被測試者當前行為的腦電信號進行去噪處理，并得到高信噪比的腦電信號。獨立成分分析(簡稱ICA)是近年來提出的非常有效的數(shù)據(jù)分析工具，它主要用來從混合數(shù)據(jù)中提取出原始的獨立信號。它作為信號分離的一種有效方法而受到廣泛的關注。在諸多ICA算法中，固定點算法(簡稱FASTICA)以其收斂速度快、分離效果好被廣泛應用于信號處理領域。該算法能很好地從觀測信號中估計出相互統(tǒng)計獨立的、被未知因素混合的原始信號。本實施例中，去噪模塊201包括分割單元、判斷單元及計算單元。采集模塊10采集到的被測試者當前行為的腦電信號中，通常包含有設備噪音信息、肌電信息及眼電信息，本實施例中，分割單元使用FASTICA算法將被測試者當前行為的腦電信號投影為多個獨立分量；判斷單元采用頻譜特征或者高階交叉特征從多個獨立分量中判斷出設備噪音信息、肌電信息及眼電信息等噪音信號，并得到噪音信息分量；計算單元從被測試者當前行為的腦電信號除去噪音信息分量得到高信噪比的腦電信號。降維模塊202用于對高信噪比的腦電信號進行空間投影和降維，得到降維后的腦電信號；本實施例中采用Fisher特征選擇的方式對去噪后的腦電信號進行空間投影和降維，得到降維后的腦電信號。本實施例中降維后的腦電信號優(yōu)選為維度為300維度以下的腦電信號。Fisher準則是特征選擇的有效方法之一，其主要思想是鑒別性能較強的特征表現(xiàn)為類內(nèi)距離盡可能小，類間距離盡可能大。提取模塊203用于從降維后的腦電信號中提取頻譜特征，將頻譜特征作為真實性判斷的依據(jù)；其中，頻譜特征指腦電信號在一定波段對應一定頻率的特征。比對模塊204用于將頻譜特征輸入到訓練好的分類模型中，在分類模型中將頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。具體地，提取模塊203對經(jīng)過特征選擇處理的腦電信號提取頻譜特征，此處將提取腦電信號在四個不同頻段(見表2)上的幅值作為真實性判別的特征。波段頻率解釋δ波0.5-3Hz并沒有進入實驗狀態(tài)θ波4-7Hz壓力增大，虛假α波8-15Hz放松、平靜，真實β波15-28Hz思考、處理接收到外界訊息表2.腦電頻譜特征其中，頻譜是指一個時域的信號在頻域下的表示方式，可以針對信號進行傅里葉變換而得，所得的結果會是分別以幅度及相位為縱軸，頻率為橫軸的兩張圖，不過有時也會省略相位的信息，只有不同頻率下對應幅度的資料。波段相當于頻率范圍的代稱，頻段和頻率是固定的，幅度是變化的。本實施例中，預先根據(jù)樣本腦電信號建立有真實性判斷的結果對照表，可以參照上述表1所述，在表1中包括不同頻率下對應的真實性判斷結果的解釋，其中包括四個不同頻段的幅值信息，幅值的大小本身就是特征，作為真實性判別的頻譜特征參考依據(jù)，不同頻段在頻譜上對應不同的頻譜特征。比如，在頻率為0.5-3Hz時，其真實性判斷結果為當前被測試者沒有進入實驗狀態(tài)，在頻率為4-7Hz時，其真實性判斷結果為壓力增大，虛假，在頻率為8-15Hz時，其真實性判斷結果為放松、平靜、真實，在頻率為15-28Hz時，其真實性判斷結果為思考、處理接收到外界訊息。將上述不同頻段對應的真實性分類結果輸入到分類模型中進行真實性判斷學習訓練。提取模塊203將頻譜特征輸入到訓練好的分類模型中，在分類模型中，比對模塊204將頻譜特征與預先存儲的樣本腦電信號對應的頻譜特征相比對，得到比對結果。在對被測試者當前行為進行真實性判斷時，提取模塊203從降維后的腦電信號中提取頻譜特征，將頻譜特征輸入到訓練好的分類模型里面去，在分類模型里面，比對模塊204找到與頻譜特征相對應的參考頻譜特征進行比對，判斷模塊30根據(jù)比對結果判斷被測試者當前行為真實性判斷結果。綜上所述，本發(fā)明通過上述方案：采集模塊10采集被測試者當前行為的腦電信號；分析模塊20將被測試者當前行為的腦電信號與預先存儲的樣本腦電信號相比對，得到比對結果，樣本信號包括已知真實性內(nèi)容的腦電信號及已知虛假內(nèi)容的腦電信號；判斷模塊30根據(jù)比對結果判斷被測試者當前行為是否為真實性的結論，避免了判斷真實性時受人為主觀性影響的問題，提高了真實性判斷的準確性。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3