پلی گراف هوشمند چندپارامتری: ادغام سنسورهای فیزیولوژیک و بیوشیمیایی با الگوریتم های یادگیری ماشین

پلی گراف های سنتی به دلیل محدودیت در تعداد شاخص های مورد استفاده و آسیب پذیری در برابر خطاهای مثبت و منفی کاذب، همواره با تردید در اعتبار علمی روبه رو بوده اند. در این پژوهش، سامانه پلی گراف هوشمند چندپارامتری (TRUE SCAN NEXUS) معرفی شد که با ترکیب شاخص های فیزیولوژیک و بیوشیمیایی و پردازش آن ها از طریق الگوریتم های یادگیری ماشین، چارچوبی نوین برای تحلیل وضعیت فرد ارائه می دهد. شاخص هایی مانند کورتیزول، لاکتات، کاتکول آمین ها، اکسیتوسین، LDH و الکترولیت ها در کنار داده های فیزیولوژیک شامل تغییرپذیری ضربان قلب، فشار خون، ریتم تنفسی، دینامیک چشمی و دمای بدن به صورت هم زمان پایش گردیدند. داده های خام پس از همگام سازی و پیش پردازش شامل نرمال سازی، حذف نویز و کاهش ابعاد، در قالب الگوریتم های خوشه بندی و مدل های یادگیری عمیق مانند شبکه های LSTM و CNN تحلیل شدند. نتایج نشان داد که این سامانه در مقایسه با پلی گراف های سنتی از دقت بالاتر و قابلیت اعتماد بیشتری برخوردار است و می تواند علاوه بر حوزه های امنیتی، در زمینه های روان شناختی و پزشکی نیز به کار گرفته شود.

کلیدواژه ها:

پلی گراف ، بیوسنسور ، هوش مصنوعی ، یادگیری ماشین ، سیگنال های فیزیولوژیک ، نشانگرهای بیوشیمیایی ، سیستم چندپارامتری