طراحي روشي به منظور حذف كاف از دستگاه پلي گراف در آزمون دروغ سنجي با استفاده از شبكه عصبي پرسپترون چند لايه

Design a method for removing the cuff of polygraphy system in lie detection testusing MLP neural network

در دروغ سنجي متداول، براي اندازه‌گيري تغييرات نسبي فشارخون از يك كاف استفاده مي‌گردد. در اين مطالعه هدف ارايه روشي براي حذف كاف است؛ به گونه‌اي كه اطلاعات فشارخون سرخرگي به نحو مناسب ديگري به دست آيد. براي اين منظور بر اساس ارتباط حجم خون شرياني و فشار خون، مدلي براي تخمين سيگنال تغييرات فشار خون ارايه مي شود. مدلسازي‌ با يك شبكه‌‌ عصبي پرسپترون چندلايه انجام شده است. خروجي مدل‌ ارايه شده با سيگنال تغييرات فشارخون، در 3 سطح سيگنال، ويژگي و طبقه‌بندي بررسي شده و با ارايه معيارهاي ارزيابي مناسب، اعتبار مدل‌ مورد سنجش قرار گرفته است. نتايج ارزيابي مدل نشان داد كه مدل‌ ارايه شده با مقدار خطاي نسبي %8/9 وتوان نسبي خطاي %4/4 مي‎تواند سيگنال تغييرات فشار خون را تخمين بزند. همچنين با به كارگيري سيگنال تخميني تغييرات فشار خون،80% صحت تشخيص دروغ به دست آمد كه برابر با نتايج حاصل از كاف است و قابل قياس با كارهاي مشابه مي باشد. بنابراين مطالعه حاضر با تخمين تغييرات فشار خون بر اساس حجم خون شرياني به درصد صحت قابل مقايسه‎اي دست يافته است و مي‎تواند بدون استفاده از كاف فشار خون به عنوان روش مناسبي براي سيستم‎هاي پلي گرافي دروغ سنجي پيشنهاد شود.

Psychophysiologic verity test is a topic which is used widely in the world. Polygraphy system is used for recording the Psychophysiologic signals of a person in these tests and a cuff is used for measuring relative changes of the arterial blood pressure and recording the velocity and power of the heart pulse in polygraph system. But the problem is that using cuff in various tests brings undesirable conditions for the body. The aim of this paper is to present a method for removing cuff in a way that desired information is resulted in another way. This goal is followed by using arterial photoplethysmograhy. In order to do that, a model is presented which uses arterial volume to estimate blood pressure changes signal. This model was identified with MLP neural network. The output of this model is compared with blood pressure changes signal in three levels of signal, feature and classification. Reliability of the model was evaluated by presenting appropriate assessment criterions. The results were gained with the 9.8% relative error, 4.4% relative error power and 80% accuracy of lie recognition in signals assessed for blood pressure changes.According to the findings, the new method introduced in this study has a comparable accuracy of results to the results of former methods while offering a more comfortable recording and less diagnostic costs. This new method can be suggested for use as a lie detecting system.