CN112190235A - 一种基于不同情况下欺骗行为的fNIRS数据处理方法 - Google Patents
一种基于不同情况下欺骗行为的fNIRS数据处理方法 Download PDFInfo
- Publication number
- CN112190235A CN112190235A CN202011422381.4A CN202011422381A CN112190235A CN 112190235 A CN112190235 A CN 112190235A CN 202011422381 A CN202011422381 A CN 202011422381A CN 112190235 A CN112190235 A CN 112190235A
- Authority
- CN
- China
- Prior art keywords
- fnirs
- channel
- power
- data
- deception
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/164—Lie detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于不同情况下欺骗行为的fNIRS数据处理方法,采集受试者自发与受控欺骗行为的fNIRS信号进行带通滤波,对滤波后的fNIRS信号中的HbO数据按trial分段平均后计算Welch功率谱,再计算每个通道的功率并对功率进行标准化,然后对标准化功率进行统计检测,利用检测结果去识别不同条件下欺骗和诚实的神经活动差异。本发明提出了一种利用fNIRS信号的标准化功率来探测欺骗和诚实的脑区活动差异的方法。利用该模型产生的标准化功率对脑活动能量进行量化,可作为fNIRS探测欺骗行为神经活动的标尺。所提出的处理fNIRS数据的方法为我们利用fNIRS识别欺骗的脑区活动变化提供了一种新的工具。
Description
技术领域
本发明涉及一种光电信号的数据处理方法,尤其涉及一种基于不同情况下欺骗行为的fNIRS数据处理方法。
背景技术
撒谎/欺骗是一种普遍存在的社会心理现象,涉及认知、记忆、思维和想象等心理活动。迄今为止,人们做了很多的努力去揭示欺骗的神经生理机制。例如:EEG、ERP、fMRI、fNIRS以及各种数据分析方法等都被用来揭示撒谎/欺骗行为的神经机制。然而,撒谎的神经机制仍然不完全清楚,并且相关的数据分析方法也还需要改进与发展。
由于EEG/ERP的空间分辨率较差,在功能磁共振成像出现之前,研究人员无法更好地了解与撒谎/欺骗相关的脑区域。与fMRI相比,fNIRS可以以轻便、舒适和安静的方式操作,并且身体的约束更少。fNIRS依赖于血流动力学反应来推断大脑活动,也被广泛应用于探测认知和大脑疾病。fNIRS作为一种光学神经成像工具,可以提供定量的血液动力学信息,包括氧合血红蛋白和脱氧血红蛋白浓度的变化,这在研究额叶/前额叶皮层的认知过程中起着重要作用。更重要的是,fNIRS在欺骗检测方面显示出了其无可比拟的优势,包括在监控撒谎和诚实的过程中探测PFC的执行功能。尽管如此,由于大量的复杂环境,对各种情况下撒谎/欺骗的神经机制的理解有限,撒谎/欺骗仍然是研究人类行为的一个有意义的范式。
由于神经活动伴随着能量和功率的变化,血流动力学响应的功率变化,能够反映脑活动强度,为了量化不同行为状态下欺骗与诚实相关的脑血流动力学响应,本发明提出了一种基于血流动力学信息的fNIRS信号的Welch功率谱估计的功率分析方法。Welch功率谱算法作为一种有效的谱估计方法不会严重破坏解析度,并且它通过在时域上迭代和加窗函数来分割数据可以显著降低谱估计的方差。在利用fNIRS数据的功率量化指标去探索脑功能认知活动的数据、文本等方面我们发现,它很少被应用,几乎没有可用的参考文献。但是我们确实发现功率分析模型产生的功率指标能够量化不同脑区脑活动的瞬时能量,并已应用于fMRI和EEG。这让我们假设fNIRS信号的功率也可以作为一种神经标尺来揭示撒谎欺骗行为和诚实行为之间的脑能量差异。总之,本发明提出一种fNIRS的新测量指标方法,是探测、理解与撒谎欺骗相关的认知神经活动的一种新方法。
名词解释:
fMRI:functional magnetic resonance imaging,功能磁共振成像;
EEG:electroencephalography,脑电图;
ERP: event-related potential,事件相关电位;
fNIRS:functional near-infrared spectroscopy,功能近红外光谱;
trial:心理学实验最小单位,从呈现刺激到做出反应。
HbO:oxyhemoglobin,氧合血红蛋白;
HbR:deoxyhemoglobin,脱氧血红蛋白;
额叶:frontal cortex;
前额叶皮层:prefrontal cortex,PFC。
发明内容
本发明的目的就在于提供一种利用功能近红外光谱信号结合功率标准化并将其作为神经活动标尺进行统计检测去揭示不同环境下欺骗撒谎行为的认知神经活动差异的数据处理方法,具体为一种基于不同情况下欺骗行为的fNIRS数据处理方法。
为了实现上述目的,本发明采用的技术方案是这样的:一种基于不同情况下欺骗行为的fNIRS数据处理方法,包括以下步骤:
(1)利用脑fNIRS采集受试者的行为学实验数据:
使用多通道fNIRS成像***,共采集Q个受试者分别在自发状态下的欺骗行为实验数据与受控状态下的欺骗行为实验数据;
(2)对第k个受试者,k=1,2…,Q,提取其在不同的实验条件下,多通道fNIRS成像***的每个通道的fNIRS信号进行带通滤波,对滤波后的fNIRS信号中的HbO信号按实验测试trial进行分段平均,得到每个通道分段平均后的HbO数据序列x(n),n=1,2…,N,N为trial的数据点数;
(3)计算每个通道x(n)的Welch功率谱;
(4)利用每个通道x(n)的Welch功率谱,计算每个通道x(n)的功率;
(5)用全部通道的功率,对每个通道x(n)的功率进行标准化,得到每个通道在时域的标准化功率;
(6)重复步骤(2)-(5),对每个受试者,得到其每个通道在时域的标准化功率;
(7)用标准化功率作为脑激活的量化指标来进行统计检测,利用检测结果去探测自发状态下和受控状态下表现出显著差异的通道,从而识别出自发状态与受控状态下,欺骗行为和诚实行为的神经活动存在显著差异的脑区。
作为优选:所述步骤(2)中,带通滤波具体为:对每个通道的fNIRS信号,进行0.01赫兹至0.3赫兹的带通滤波。
作为优选:所述步骤(3)具体为
(31)将x(n)分成L个数据段,每段长度为M,且数据段能重叠,采用下式计算第i个数据段x i (n)的Welch功率谱P i (w),1≤i≤L;
(32)采用下式计算计算x(n)全部L段的平均功率谱,得到x(n)的Welch功率谱P(w):
作为优选:所述步骤(5)具体为:采用下式对功率进行标准化;
作为优选:所述步骤(7)中统计检测比较的样本分组具体为:在每个实验条件下,Q个受试者在同一个通道的标准化功率值归为一组统计检测的样本,即一组样本含Q个值;对两组样本之间的比较检测采用的配对t统计检验,对于三组之间的比较采用的ANOVA方差检测。
作为优选:所述fNIRS成像***为24通道,包括能完全覆盖人体额叶的贴片,所述贴片上交错均匀分布有8个激光源和8个光学探头,激光源与光学探头的间距为30mm,激光源的波长为695nm和830nm,光学探头的采样率为10Hz。
本发明中,利用获得的标准化功率指标,对于自发状态与受控状态下的欺骗撒谎行为之间采用配对t检验来检验两种情况下撒谎欺骗的显著性差异通道,并根据fNIRS通道的MNI坐标确定相关脑区。同时,利用获得的标准化功率指标,对自发状态下不同情况之间进行ANOVA方差检测可识别出显著性差异的脑区。利用获得的标准化功率指标,也用来对受控状态下不同情况之间进行ANOVA方差检测并识别显著性差异的脑区。
作为优选:所述fNIRS成像***为24通道,包括能完全覆盖人体额叶的贴片,所述贴片上交错均匀分布有8个激光源和8个光学探头,激光源与光学探头的间距为30mm,激光源的波长为695 nm和830nm,光学探头的采样率为10Hz。
与现有技术相比,本发明的优点在于:
(1)本发明提出了一种基于血流动力学信息的fNIRS信号的Welch功率谱估计的功率数据处理方法。该方法中的的谱估计方法不会严重破坏解析度,并且它通过在时域上迭代和加窗函数来分割数据可以显著降低fNIRS数据谱估计的方差。
(2)本发明建立了fNIRS的标准化功率可以作为一种神经标尺来揭示自发欺骗行为和受控欺骗行为之间的脑能量差异,并利用该差异的结果,来进行待测者的判断。、
(3)本发明的数据处理方法与模型可以为我们利用fNIRS探索欺骗的神经机制提供补充参考信息与工具,在fNIRS领域应该具有广泛的应用前景。
附图说明
图1为本发明流程图;
图2a为fNIRS激光源和光学探头的分布图;
图2b为对应于图2a中24个通道的位置;
图3为欺骗实验设计示意图;
图4在赢-赢情况下,自发欺骗行为与受控行为之间脑激活功率(均值±标准误差)具有统计显著性差异的通道;
图5在输-赢情况下,自发欺骗行为与受控行为之间脑激活功率(均值±标准误差)具有统计显著性差异的通道;
图6 在输-输情况下,自发欺骗行为与受控行为之间脑激活功率(均值±标准误差)具有统计显著性差异的通道;
图7 在自发欺骗行为下,赢-赢、输-赢和输-输情况之间脑激活功率(均值±标准误差)具有统计显著性差异的通道。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1-图2b,一种基于不同情况下欺骗行为的fNIRS数据处理方法,包括以下步骤:
(1)利用脑fNIRS采集受试者的行为学实验数据:
使用多通道fNIRS成像***,共采集Q个受试者分别在自发状态下的欺骗行为实验数据与受控状态下的欺骗行为实验数据;
(2)对第k个受试者,k=1,2…,Q,提取其在不同的实验条件下多通道fNIRS成像***的每个通道的fNIRS信号进行带通滤波 ,对滤波后的fNIRS信号中的HbO信号按实验测试trial进行分段平均,得到每个通道分段平均后的HbO数据序列x(n),n=1,2…,N,N为trial的数据点数 ;
(3)计算每个通道x(n)的Welch功率谱;
(4)利用每个通道x(n)的Welch功率谱,计算每个通道x(n)的功率;
(5)用全部通道的功率,对每个通道x(n)的功率进行标准化,得到每个通道在时域的标准化功率;
(6)重复步骤(2)-(5),对每个受试者,得到其每个通道在时域的标准化功率;
(7)用标准化功率作为脑激活的量化指标来进行统计检测,利用检测结果去探测自发状态下和受控状态下表现出显著差异的通道,从而识别出自发状态与受控状态下,欺骗行为和诚实行为的神经活动存在显著差异的脑区。
所述步骤(2)中,带通滤波具体为:对每个通道的fNIRS信号,进行0.01赫兹至0.3赫兹的带通滤波。目的是用来消除基线漂移和心跳等引起的生理噪声。
所述步骤(3),具体为:
(31)将x(n)分成L个数据段,每段长度为M,且数据段能重叠,采用下式计算第i个数据段x i (n)的Welch功率谱P i (w),1≤i≤L;
(32)采用下式计算计算x(n)全部L段的平均功率谱,得到x(n)的Welch功率谱P(w):
所述步骤(5)具体为:采用下式对功率进行标准化;
所述步骤(7)中统计检测比较的样本分组具体为:在每个实验条件下,Q个受试者在同一个通道的标准化功率值归为一组统计检测的样本,即一组样本含Q个值;对两组样本之间的比较检测采用的配对t统计检验,对于三组之间的比较采用的ANOVA方差检测。
所述fNIRS成像***为24通道,包括一能完全覆盖人体额叶的贴片,所述贴片上交错均匀分布有8个激光源和8个光学探头,激光源与光学探头的间距为30mm,激光源的波长为695nm和830nm,光学探头的采样率为10Hz。图2a表示8个激光源和8个光学探头的分布图,点S1、S2、S3、S4、S5、S6、S7和S8代表激光源,点D1、D2、D3、D4、D5、D6、D7和D8表示光学探头,点与点之间连线表示生成的24个通道,为了更好的说明通道的位置,我们用图2b来反应对应于图2a中24个通道的位置,图2b中,24个小黑点,表示图2a中形成的24个通道。
实施例2:参见图1到图7,为了更好的说明本发明方法,我们招募了25名受试者来进行实验,包括以下步骤:
(1)利用脑fNIRS采集受试者诚实的行为学实验数据,实验设置条件如下:
(11)关于受试者:
实验招募了25名参与者,包括14名女性和11名男性;年龄在19-22岁之间;我们将这25人都作为实验受试者。
(12)行为学实验任务和过程设计:
所采用的实验范式由两部分组成:一是自发的撒谎行为,另一是受控情况下的欺骗行为。自发欺骗实验行为block块包含40个事件相关trials,所述trials为心理学实验最小单位,从刺激开始到做出反应。而受控实验行为block块,包含30个trials。刺激在受试者响应后立即结束,每个trial包括2秒的预刺激期,随后是11秒的刺激和确保血流动力学反应恢复到基线水平的恢复期,并且在恢复期,监视屏幕中央显示白色固定十字,如图3所示。在图3中, “win-win”表示“赢-赢”;“lose-win”代表“输-赢”;“lose-lose”代表“输-输”。
在每个trial的刺激期,参与者被要求在一个单独的房间里与对手玩电脑扑克游戏,胜利者是在每一轮trial中得分更多的扑克玩家。
对于自发状态下的欺骗行为刺激,仅仅由对手拿起扑克游戏的第一张牌,参与者能够看到对手的牌需要参与者按下按钮发送比赛的最终结果/答案。参与者或对手若是胜利者能得到一定数量的奖金。如果参与者在每回合赢了比赛,他/她通常会向对手发送正确的答案,即表示为“赢-赢”;而当参与者失败时,他/她可能会发送一个错误的答案给对手通过欺骗来获得奖励,即表示为“输-赢”,或者发送正确的答案从而输掉比赛,即表示为“输-输”。在40个trials的自发欺骗行为刺激中,10个为赢的状况,30个为失败的状况。参与者不需要在赢的情况下撒谎,而在失败的情况下,参与者为了获得更多的钱可以欺骗。因此,设计了30个trials的失败案例来维持谎言“输-赢”或说真话“输-输”状况是足够用来计算的。
对于受控状态下的欺骗行为刺激,参与者需要按照电脑屏幕上的指示去说出真相或欺骗。此外,获胜者在受控行为任务中不会获得任何奖励。受控行为任务包括三个条件:(1)参与者在扑克游戏中获胜,然后将正确答案发送给计算机,即表示为“赢-赢”;(2)参与者输掉游戏并将假答案发送到计算机,即表示为“输-赢”;(3)参与者输掉游戏并将真实答案发送到计算机,即表示为“输-输”。这三个条件分别进行10个trials测试。
参与者在完成整个实验后会获得奖励。自发和受控条件下测试情况见表1
表1 自发和受控行为的测试情况
表1中所示的6种实验条件:自发行为下的情况a、b、c,受控行为下的情况a、b、c,则为本发明实施例1步骤(2)中所述的“不同的实验条件”。
(13)关于数据采集:
使用多通道fNIRS成像***采集多个受试者自发状态下的欺骗行为实验数据,与受控状态下的欺骗行为实验数据。fNIRS采用CW fNIRS***进行数据采集,具体为日立医疗公司ETG-4000,24个通道,带有8个激光源和8个光学探头。这些激光源和光学探头,统称为光电极。我们将光电极放置在一个9-cm × 9-cm的贴片上,这个贴片能够覆盖额叶,参见图2a和图2b。每个激光源与光学探头之间的距离为30mm,ETG-4000的采样率为10Hz,所用激光源的波长分别为695和830nm。再利用三维磁空间数字仪,具体为日立医疗公司EZT-DM401,去测量每个受试者头皮上每个光电极的三维空间位置。激光源和光学探头两两之间按图2a组成24个通道,为了更好的说明通道,图2a中我们用光电极间的连线来表示。由于光电极的三维空间位置为已知,那么通道的位置就可以得到。我们使用NIRS-SPM软件获取每个通道的平均MNI标准坐标,这些通道坐标与对应脑区在表2中提供。在进行行为学实验时,我们通过ETG-4000的光学探头可采集24个通道的数据,得到行为学实验数据。
表2.24个通道的平均三维MNI坐标和相关脑区
步骤(2)-(6),与实施例1相同。
步骤(7),用标准化功率作为脑激活的量化指标来进行统计检测,利用检测结果去探测自发状态下和受控状态下表现出显著差异的通道,从而识别出自发状态与受控状态下,欺骗行为和诚实行为的神经活动存在显著差异的脑区。
在本实施例中,我们具体如下操作:
(71)利用获得的标准化功率指标,对于自发状态与受控状态下的欺骗或诚实行为之间采用配对t检验来检验两种情况下撒谎欺骗的显著性差异通道,并根据fNIRS通道的MNI坐标确定相关脑区,本案例fNIRS通道的MNI坐标与脑区对应关系见表2。
为了探究与撒谎欺骗行为神经活动的相关因素,基于标准化功率指标的配对t统计检验被分别利用去识别在赢-赢、输-赢和输-输情况下自发行为与受控行为之间的脑功率差异。具体可参见图4-图6。
图4表示在赢-赢情况下,自发欺骗行为与受控行为之间脑激活功率具有统计显著性差异的通道。柱状图中的S-a和C-a分别表示自发行为和受控行为。水平轴表示具有统计显著性差异的通道,垂直轴表示通道的功率,其中功率用均值±标准误差来表示。*表示p<0.05,t检验得出的p值表示自发欺骗行为和受控行为之间的差异。在图中,S-a代表自发行为下的赢-赢情况,也就是表1中的自发行为情况下的a;C-a代表受控行为条件下的赢-赢情况,也就是表1中的受控行为情况下的a。
图5表示在输-赢情况下,自发欺骗行为与受控行为之间脑激活功率具有统计显著性差异的通道。柱状图中的S-b和C-b分别表示自发行为和受控行为。水平轴表示具有统计显著性差异的通道,垂直轴表示通道的功率,其中功率用均值±标准误差来表示。*表示p<0.05和**表示p<0.01,t检验得出的p值表示自发欺骗行为和受控行为之间的差异。在图中,S-b代表自发行为下的输-赢情况,也就是表1中的自发行为情况下的b;C-b代表受控行为条件下的输-赢情况,也就是表1中的受控行为情况下的b。
图6表示在输-输情况下,自发欺骗行为与受控行为之间脑激活功率具有统计显著性差异的通道。柱状图中的S-c和C-c分别表示自发行为和受控行为。水平轴表示具有统计显著性差异的通道,垂直轴表示通道的功率,其中功率用均值±标准误差来表示。*表示p<0.05,t检验得出的p值表示自发欺骗行为和受控行为之间的差异。在图中,S-c代表自发行为下的赢-赢情况,也就是表1中的自发行为情况下的c;C-c代表受控行为条件下的赢-赢情况,也就是表1中的受控行为情况下的c。
对于赢-赢情况,从图4的结果中发现:在通道Ch04和通道Ch09对应的Brodmann 分区10、简写为BA10、即额极区frontopolar area,和通道Ch17对应的BA09、即背外侧前额叶皮层dorsolateral prefrontal cortex,自发行为表现出的激活功率显著大于受控行为。同时,对于输-赢情况,图5中的结果显示:在额极区BA10、即通道Ch04,自发欺骗行为表现出的激活功率明显高于受控行为,而在背外侧前额叶皮层BA09、即通道Ch12,受控行为的功率显著增强。此外,图6的结果表明:对于输-输情况,受控行为的脑功率在额极区BA10、即通道Ch07显著高于自发行为。然而,背外侧前额叶皮层BA09,即通道Ch17的脑功率情况并非如此,反而是自发行为比受控行为表现出更高的功率值。
(72)利用获得的标准化功率指标,在自发状态下赢-赢、输-赢和输-输等三种情况之间进行ANOVA方差检测来识别显著性差异的脑区。利用获得的标准化功率指标,也对受控状态下赢-赢、输-赢和输-输等三种情况之间进行ANOVA方差检测来确定脑区是否存在显著性差异。
对于自发行为:
ANOVA方差检测被应用去探索自发欺骗行为在赢-赢、输-赢和输-输情况之间的脑区活动差异。结果展示在图7。
图7表示在自发欺骗行为下,赢-赢、输-赢和输-输等三种情况之间脑激活功率具有统计显著性差异的通道。S-a代表自发行为下的赢-赢情况,S-b代表自发行为下的输-赢情况,S-c代表自发行为条件下的输-输情况。水平轴表示具有统计显著性差异的通道,垂直轴表示信道的功率,其中功率用均值±标准误差来表示。*表示p<0.05和**表示p<0.01,在自发欺骗行为的赢-赢、输-赢和输-输情况之间,p值通过ANOVA方差检验得出。
例如,对于赢-赢情况,自发行为的分析表明,背外侧前额叶皮层BA09,即通道Ch18的脑激活比输-赢情况下显著增加。此外,与输-输情况相比,输-赢情况额极BA10,即通道Ch07的大脑活动显示增强。同时,在背外侧前额叶皮层:BA46和BA09,即通道Ch11、通道Ch12和通道Ch15,在输-输情况下比输-赢情况表现出了明显更高的功率。特别是,与输-输情况对比,在赢-赢情况下的额极区BA10、即通道07和背外侧前额叶皮质BA09、即通道Ch18的脑功率显著增高。此外,在背外侧前额叶皮层BA09、即通道Ch12,在输-输情况下表现出了明显高于赢-赢情况的功率。
同时,识别自发欺骗行为下三种情况之间的脑激活功率差异的ANOVA方差检测完成结果如图7所示。重要的是,我们的方法探测出在执行自发行为任务时三种情况之间存在显著差异。右额极区BA10和背外侧前额叶皮层BA09和BA46等脑区的功率显示出统计学显著差异。在诚实和说谎的两情况之间,额极区和背外侧前额叶皮层存在着统计学差异。在诚实的情况下即赢-赢、输-输的情况,参与者的回答与真实答案一致。然而,对于输-赢的情况,参与者需要报告非真实答案即撒谎来获得奖励。额极区和背外侧前额叶皮层是前额叶皮层的一部分,并且被认为在响应控制的过程中起着重要作用。由于参与者选择说谎以获得奖励或诚实地陈述事实两者的不同,导致了在自发行为中诚实或谎言欺骗在额极区和背外侧前额叶皮层的显著性差异。
对于受控行为:
ANOVA方差检测也被应用去识别受控行为在赢-赢、输-赢和输-输情况之间的变化,但是利用本发明的方法探测结果表明在受控行为下,神经激活在脑区间没有显著性的变化。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于不同情况下欺骗行为的fNIRS数据处理方法,其特征在于:包括以下步骤:
(1)利用脑fNIRS采集受试者的行为学实验数据:
使用多通道fNIRS成像***,共采集Q个受试者分别在自发状态下的欺骗行为实验数据与受控状态下的欺骗行为实验数据;
(2)对第k个受试者,k=1,2…,Q,提取其在不同的实验条件下,多通道fNIRS成像***的每个通道的fNIRS信号进行带通滤波,对滤波后的fNIRS信号中的HbO信号按实验测试trial进行分段平均,得到每个通道分段平均后的HbO数据序列x(n),n=1,2…,N,N为trial的数据点数;
(3)计算每个通道x(n)的Welch功率谱;
(4)利用每个通道x(n)的Welch功率谱,计算每个通道x(n)的功率;
(5)用全部通道的功率,对每个通道x(n)的功率进行标准化,得到每个通道在时域的标准化功率;
(6)重复步骤(2)-(5),对每个受试者,得到其每个通道在时域的标准化功率;
(7)用标准化功率作为脑激活的量化指标来进行统计检测,利用检测结果去探测自发状态下和受控状态下表现出显著差异的通道,从而识别出自发状态与受控状态下,欺骗行为和诚实行为的神经活动存在显著差异的脑区。
2.根据权利要求1所述的一种基于不同情况下欺骗行为的fNIRS数据处理方法,其特征在于:所述步骤(2)中,带通滤波具体为:对每个通道的fNIRS信号,进行0.01赫兹至0.3赫兹的带通滤波。
6.根据权利要求1所述的一种基于不同情况下欺骗行为的fNIRS数据处理方法,其特征在于:所述步骤(7)中统计检测比较的样本分组具体为:在每个实验条件下,Q个受试者在同一个通道的标准化功率值归为一组统计检测的样本,即一组样本含Q个值;对两组样本之间的比较检测采用的配对t统计检验,对于三组之间的比较采用的ANOVA方差检测。
7.根据权利要求1所述的一种基于不同情况下欺骗行为的fNIRS数据处理方法,其特征在于:所述fNIRS成像***为24通道,包括能完全覆盖人体额叶的贴片,所述贴片上交错均匀分布有8个激光源和8个光学探头,激光源与光学探头的间距为30mm,激光源的波长为695nm和830nm,光学探头的采样率为10Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422381.4A CN112190235B (zh) | 2020-12-08 | 2020-12-08 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422381.4A CN112190235B (zh) | 2020-12-08 | 2020-12-08 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112190235A true CN112190235A (zh) | 2021-01-08 |
CN112190235B CN112190235B (zh) | 2021-03-16 |
Family
ID=74033141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011422381.4A Active CN112190235B (zh) | 2020-12-08 | 2020-12-08 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112190235B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104545951A (zh) * | 2015-01-09 | 2015-04-29 | 天津大学 | 基于功能性近红外光谱和运动检测的人体状态监测平台 |
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
CN105942979A (zh) * | 2016-05-23 | 2016-09-21 | 清华大学玉泉医院 | 基于认知任务测试的近红外脑成像仪 |
CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的***和方法 |
DE102016123159A1 (de) * | 2016-06-27 | 2017-12-28 | Gwangju Institute Of Science And Technology | Vorrichtung und Verfahren zum Detektieren eines Fahrerzustands basierend auf biometrischen Signalen des Fahrers |
US10071245B1 (en) * | 2015-01-05 | 2018-09-11 | Hrl Laboratories, Llc | Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback |
CN109830286A (zh) * | 2019-02-13 | 2019-05-31 | 四川大学 | 基于非参数统计的脑功能磁共振编码能量成像方法 |
CN110547793A (zh) * | 2019-07-02 | 2019-12-10 | 上海大学 | 一种结合脑电与近红外的毒瘾评估方法 |
CN111032151A (zh) * | 2017-09-18 | 2020-04-17 | 卢.利姆 | 用于利用光生物调节的自动个人化脑部调节的***及方法 |
CN111588347A (zh) * | 2019-02-21 | 2020-08-28 | 株式会社岛津制作所 | 脑活动特征量的提取方法 |
CN111655149A (zh) * | 2018-03-15 | 2020-09-11 | 松下知识产权经营株式会社 | 用于推断用户的心理状态的***、记录介质以及方法 |
CN111783887A (zh) * | 2020-07-03 | 2020-10-16 | 四川大学 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
-
2020
- 2020-12-08 CN CN202011422381.4A patent/CN112190235B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的***和方法 |
US10071245B1 (en) * | 2015-01-05 | 2018-09-11 | Hrl Laboratories, Llc | Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback |
CN104545951A (zh) * | 2015-01-09 | 2015-04-29 | 天津大学 | 基于功能性近红外光谱和运动检测的人体状态监测平台 |
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
CN105942979A (zh) * | 2016-05-23 | 2016-09-21 | 清华大学玉泉医院 | 基于认知任务测试的近红外脑成像仪 |
DE102016123159A1 (de) * | 2016-06-27 | 2017-12-28 | Gwangju Institute Of Science And Technology | Vorrichtung und Verfahren zum Detektieren eines Fahrerzustands basierend auf biometrischen Signalen des Fahrers |
CN111032151A (zh) * | 2017-09-18 | 2020-04-17 | 卢.利姆 | 用于利用光生物调节的自动个人化脑部调节的***及方法 |
CN111655149A (zh) * | 2018-03-15 | 2020-09-11 | 松下知识产权经营株式会社 | 用于推断用户的心理状态的***、记录介质以及方法 |
CN109830286A (zh) * | 2019-02-13 | 2019-05-31 | 四川大学 | 基于非参数统计的脑功能磁共振编码能量成像方法 |
CN111588347A (zh) * | 2019-02-21 | 2020-08-28 | 株式会社岛津制作所 | 脑活动特征量的提取方法 |
CN110547793A (zh) * | 2019-07-02 | 2019-12-10 | 上海大学 | 一种结合脑电与近红外的毒瘾评估方法 |
CN111783887A (zh) * | 2020-07-03 | 2020-10-16 | 四川大学 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
Non-Patent Citations (4)
Title |
---|
FANG LI: "Using functional near-infrared spectroscopy (fNIRS) to detect the prefrontal cortical responses to deception under different motivations", 《BIOMEDICAL OPTICS EXPRESS》 * |
SINEM SERAP: "Response Inhibition in Schizophrenia--an eventrelated fNIRS study", 《PROCEEDINGS OF THE 4TH INTERNATIONAL EMBS CONFERENCE ON NEURAL ENGINEERING》 * |
YISI LIU: "EEG Databases for Emotion Recognition", 《2013 INTERNATIONAL CONFERENCE ON CYBERWORLDS》 * |
林晓虹: "说谎反馈的神经机制研究", 《中国优秀硕士穴位论文全文数据库(电子期刊)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112190235B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108697386B (zh) | 用于检测生理状态的***和方法 | |
CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断*** | |
Tautan et al. | Signal Quality in Dry Electrode EEG and the Relation to Skin-electrode Contact Impedance Magnitude. | |
Paszkiel et al. | Data acquisition methods for human brain activity | |
US20170112403A1 (en) | Spectral decomposition and display of three-dimensional electrical activity in the cerebral cortex | |
Mandryk et al. | ◾ Biometrics in Gaming and Entertainment Technologies | |
CN113288174B (zh) | 一种精神***患者认知功能的检测方法 | |
RU2314028C1 (ru) | Способ диагностики и коррекции психоэмоционального состояния "нейроинфография" | |
Candia-Rivera et al. | Conscious processing of global and local auditory irregularities causes differentiated heartbeat-evoked responses | |
Kołodziej et al. | A new method of cardiac sympathetic index estimation using a 1D-convolutional neural network | |
Wang et al. | Interpersonal brain synchronization under bluffing in strategic games | |
CN112190235B (zh) | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 | |
Izzetoglu et al. | NIR spectroscopy measurements of cognitive load elicited by GKT and target categorization | |
Gao et al. | Brain fingerprinting and lie detection: A study of dynamic functional connectivity patterns of deception using EEG phase synchrony analysis | |
Guðmundsdóttir | Improving players' control over the NeuroSky brain-computer interface | |
Kikuchi et al. | Prefrontal cerebral activity during a simple “rock, paper, scissors” task measured by the noninvasive near-infrared spectroscopy method | |
Cremades et al. | Human–computer interfaces with regional lower and upper alpha frequencies as on-line indexes of mental activity | |
Wang et al. | Detecting concealed information using functional near‐infrared spectroscopy (fNIRS) combined with skin conductance, heart rate, and behavioral measures | |
Pandey et al. | Human Cognitive Features to Define Correlation Between Depression and Internet Gaming Disorder | |
Badr et al. | Classification of Mental Stress using Dry EEG Electrodes and Machine Learning | |
Wang et al. | Gamma oscillation in brain connectivity in emotion recognition by Granger causality | |
De La Cruz et al. | EEG and fNIRS Analysis Using Machine Learning to Determine Stress Levels | |
Tan et al. | The predominant functional connections of recognizing fear and surprise expression: a MEG study | |
Attar | Stress Analysis Based on ECG and EEG | |
CN109567823A (zh) | 一种基于近红外光谱技术的麻醉深度监测***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |