PCA-ELM测谎法：提高个体识别准确率与训练效率的研究

本文主要探讨了一种创新的测谎方法——基于主成分分析（PCA）和极端学习机（ELM）的融合技术，即PCA_ELM测谎方法。该方法旨在改进传统基于P300的测谎技术，该技术在训练时间和个体识别准确性方面存在局限性。P300是一种基于脑电图（EEG）信号的反应模式，通常在被测试者听到真实的谎言线索时会出现显著变化。 在研究过程中，作者采用了典型的三刺激测谎范式，即对30名随机分组的撒谎者和无辜者进行脑电活动的记录，特别关注Pz电极上的信号。对于每个受试者的每个刺激响应，他们会选取五个波形进行平均处理，这样可以减少噪声影响并提高数据质量。接着，对两类信号（撒谎者和无辜者）进行小波特征提取，这是一种能够捕捉信号中的局部细节和非线性关系的特征表示方法。 PCA在此过程中扮演了关键角色，通过特征选择，它能在原始特征空间中筛选出最具代表性和区分度的特征，从而实现数据的降维。这有助于降低模型复杂性，同时保持重要信息。 然而，尽管ELM因其快速的学习能力和强大的泛化性能受到青睐，但如何有效地确定其隐层节点数是个挑战。文章提出了一种创新的方法，通过二维网格搜索结合交叉验证技术，对特征子空间的维数和ELM的隐层节点数进行同步优化选择。这种方法旨在找到最佳参数组合，以提升模型的性能。 实验结果显示，PCA_ELM方法在训练和测试阶段的测谎准确率上超越了常规的分类模型，显示出其在提高识别精度和缩短训练时间方面的潜力。这一研究为开发更为高效、准确的测谎技术提供了新的思路，对心理学、法律和社会科学等领域可能具有重要意义。未来的研究可能进一步探索其他机器学习技术与脑电信号分析的结合，以期在测谎技术中取得更大的突破。