论文部分内容阅读
随着信息技术的发展,人与人之间的交流方式也逐渐多样化,信息交流中对信息真实性的判别显得尤为重要,谎言检测技术应运而生。由于以往的接触式谎言检测技术的可操作性弱、准确性低的问题,自动的非接触式谎言检测研究显得尤为迫切。故本文从眼动和语音的两种非接触式的测谎方式出发,使用机器学习技术,探索对欺骗行为检测的可行性,具体的工作如下:（1）介绍了非接触式谎言检测研究的背景和意义。总结了眼动测谎和语音测谎中常用的指标参数以及各个特征对于测谎的作用,阐述了前人在语音测谎中常用的算法模型。（2）讨论了非接触谎言检测中的一些常用理论基础。简述了GKT和CQT两种测谎试验范式,介绍了注视、眼跳、眨眼和瞳孔大小四类眼动测谎的指标各自在测谎中的认知含义;分析了MFCC、F0和PLP3种语音测谎领域表现较好的声学特征的计算流程;最后,介绍了特征选择算法:PCA、SFFS和方差分析。（3）介绍了眼动实验的实验流程和实验配置。本文将机器学习的方法用于眼动测谎研究中,分别使用了GMM、SVM、ANN、决策树以及Fisher分类器5种模型。眼动指标上综合了32个眼动指标分析欺骗者和非欺骗者之间的差异表现。并且通过不同特征集在不同机器学习模型上的对比实验来验证眼动测谎的可行性。结果表明,在Ren5数据集上SVM模型获得了最高的识别率:78.13%,可见眼动测谎的可行性。（4）将深度学习方法应用于语音谎言检测,提出了一种融合注意力机制的卷积循环神经网络结构。为验证模型对于语音测谎的有效性,分别使用CNN+谱图特征、BiLstm+帧级特征、ConvBilstm+Attention+帧级特征在CSC语料库上进行对比实验。结果表明,该模型结果相比于单一卷积或者循环神经网络识别结果有所提升,从62.15%提升到68.99%;相比于传统的机器学习算法的识别结果:64.00%,亦有提高,表明了算法的有效性。