بررسی تشخیص فریب مبتنی بر EEG: تحلیل آنتروپی زیرباندهای فرکانسی و مدل های یادگیری ماشین

تشخیص فریب با استفاده از سیگنال های الکتروانسفالوگرافی EEG اخیرا به عنوان یک رویکرد غیرتهاجمی، سریع و قابل تفسیر مورد توجه قرار گرفته است. در این مطالعه، یک چارچوب ترکیبی برای تشخیص فریب مبتنی بر تحلیل آنتروپی و مدل های یادگیری ماشین پیشنهاد شد. سیگنال های EEG از مجموعه داده های LieWaves دنیای واقعی به دست آمدند، پیش پردازش شدند و با استفاده از تبدیل موجک گسسته (DWT) به پنج باند فرکانسی تجزیه شدند. چهار نوع ویژگی آنتروپی از هر باند استخراج شدند و بردارهای ویژگی حاصل با استفاده از طبقه بندی کننده های SVM، KNN، NB، LDA و DT طبقه بندی شدند. اعتبارسنجی متقابل (LOOCV) برای ارزیابی عملکرد، همراه با معیارهای صحت، حساسیت، ویژگی و امتیاز F۱، اعمال شد. نتایج نشان داد که طبقه بندی کننده DT در کانال Pz به بالاترین صحت (۵۶.۵۵%) دست یافت، در حالی که طبقه بندی کننده DT بالاترین امتیاز F۱ (۷۴.۵۵%) را در کانال T۸ به دست آورد. نکته قابل توجه این است که ویژگی های مبتنی بر آنتروپی در تشخیص تفاوت های شناختی بین فریب و حقیقت، حتی هنگام استفاده از تنها یک یا دو کانال EEG، موثر بودند. این یافته ها نشان می دهد که رویکرد پیشنهادی می تواند به عنوان مبنایی با پیچیدگی محاسباتی کم، پایه ای برای سیستم های تشخیص فریب عملی و مقرون به صرفه ارائه دهد.

کلیدواژه ها:

الکتروانسفالوگرافی ، تشخیص فریب ، مجموعه داده Liewave ، آنتروپی ، یادگیری ماشین