Векторный подход к анализу когнитивных потенциалов мозга на личностно значимую информацию

Е.С.Исайчев, С.А.Исайчев, А.В. Насонов, А.М.Черноризов.

Развитие новых технологий детекции скрываемой информации является актуальной фундаментальной и прикладной проблемой современной психофизиологии. Поиск подходов к ее решению идет сразу по нескольким направлениям – использование данных по регистрации показателей периферической нервной системы, анализ суммарной активности мозга (электроэнцефалограммы, ЭЭГ) и вызванных потенциалов (ВП), звуков речи и паттернов поведенческой активности.

В настоящее время проблема выявления умышленно скрываемой ситуационно или личностно значимой для субъекта информации (детекция лжи) традиционно решается с использованием классических инструментальных методов – тестированием на полиграфе. В качестве ведущих процессов при выявлении значимой информации в разных школах и направлениях берутся различные психические функции и состояния. Чаще всего в теоретических работах по детекции лжи фигурируют внимание, рабочая память и эмоциональные реакции. При этом, реальные практические выводы о лжи/правде всегда основываются на динамических изменениях показателей вегетативной нервной системы (ВНС). То есть, коррелятами участия психических процессов и состояний, в процессе сокрытия значимой для субъекта информации являются показатели эмоционального напряжения и стресса.

 

Попытки найти надежные «прямые» когнитивные показатели скрываемых знаний ведутся с 70-х годов прошлого века и связаны, прежде всего, с анализом электроэнцефалограммы (ЭЭГ) и когнитивных вызванных потенциалов (КВП) мозга. Большинство исследователей в этой области основное внимание уделяют позитивному компоненту КВП с латенцией от 300 до 700 мс (Р300). В ряде работ было показано, что отдельные компоненты КВП и их амплитудно-временные характеристики могут дифференцировать ложные ответы от правдивых (Farwell, Donchin, 1991; Rosenfeld et al., 2012).

 

В то же время имеются данные о том, что конфигурация и распределение компонентов КВП по скальпу, их амплитуда и латенция значительно меняются в зависимости от целого ряда факторов. Изменение экспериментальной парадигмы, порядка предъявления стимульного материала и инструкции, условия регистрации и усреднения – все это значительно меняет анализируемые параметры КВП (Vendemia, 2003; Vendemia et al.,2005; Isaychev et al.).

Таким образом, с одной стороны, многозначность психологической и психофизиологической интерпретации механизмов и процессов, которые связаны с генерацией отдельных компонентов КВП, порождает методологическую проблему использования КВП в детекции скрываемых знаний – проблему разработки адекватной теоретической модели «психофизиологических механизмов» обмана. С другой стороны, высокая динамичность компонентов КВП в зависимости от индивидуальных особенностей испытуемых, используемой экспериментальной парадигмы, способов подачи стимульного материала и методов регистрации и обработки данных поднимают вопрос о поиске надежных методов анализа КВП. 

По нашему мнению, наиболее эффективным методологическим инструментом для построения моделей обмана являются теория функциональных систем П.К.Анохина (Анохин, 1968) и теория векторного кодирования Е.Н.Соколова (Соколов, 2014). Если интерпретировать процесс обмана с позиций теории функциональных систем, то он представляет собой поведение, направленное на сокрытие важной для человека информации, которое реализуется специфической функциональной системой. В таком случае, вопрос о доминирующей в этом процессе психической функции снимается. Понятие «функциональная система» имплицитно включает в себя взаимодействие всех центральных и периферических механизмов, которые направлены на достижение полезного результата или реализацию некоторого адаптивного процесса.

Теория векторного кодирования, предложенная Е.Н. Соколовым для объяснения работы сложных нейронных систем, предлагает новые подходы к пониманию интегральных процессов при обработке сенсорной информации, функционированию нейрональных механизмов обучения и управления поведением. В математике векторный подход активно используется при построении систем распознавания образов. В настоящем исследовании мы использовали методы математического построения векторов признаков КВП для анализа их различий в ситуациях принятия решения о ложных или правдивых ответах на личностно значимую информацию.

Методика. Регистрация ЭЭГ и КВП проводилась монополярно по 21 каналу с референтами А1, А2 (система 10-20). Исследовательский комплекс включал Электроэнцефалограф ЭЭГА-21/26; «Аудиовизуальный стимулятор»; программное обеспечение для регистрации, обработки и усреднении КВП. Регистрация ЭЭГ велась в частотном диапазоне от 0,16 до 30 Гц с частотой дискретизации 250 Гц. Для контроля состояния испытуемого и артефактов регистрировали электрокардиограмму (ЭКГ), фотоплетизмограмму (ФПГ), кожно-гальваническую реакцию (КГР) и электроокулограмму (ЭОГ).

 

Процедура усреднения КВП включала регистрацию сырой записи ЭЭГ с синхронизированными отметками подачи стимулов и отметками сенсомоторной реакции испытуемого при нажатии левой или правой клавишей компьютерной мыши. В соответствии с заранее определенными типами стимулов, подаваемыми в случайной последовательности и с заранее определенной вероятностью появления, проводилось усреднение КВП по отдельным типам стимулов.

В качестве значимого стимула для женщин использовалось собственное имя испытуемой, для мужчин – его фамилия. В исследовании приняли участие 28 человек (20 женщин и 8 мужчин, средний возраст - 23 года). Для повышения мотивации испытуемых моделировалась игровая ситуация. Испытуемому рассказывали про технологии и методы выявления лжи и предлагали обмануть программу, которая точно определяет ложь. Инструкция испытуемым: «Вам будут предъявлены на экране монитора различные женские имена (фамилии).

 

Среди имен будут встречаться Ваше собственное имя и выбранный Вами псевдоним. На вопрос «Ваше имя - Татьяна?» Вы должны отвечать отрицательно (если Вас зовут Татьяна), нажимая клавишу «нет» (правая клавиша мыши). При предъявлении имени-псевдонима Вы должны отвечать утвердительно, нажимая клавишу «да» (левая клавиша мыши). При предъявлении любых других имен Вы отвечаете «нет» (правая клавиша мыши)».  Обработка данных и их статистическая оценка проводилась с помощью модифицированных или же специально разработанных нами математических алгоритмов и методов.

Результаты. Главной задачей исследования была разработка эффективного алгоритма математической обработки КВП. Основное требование к построению алгоритма - это минимизация количества одиночных посылок при усреднении КВП и векторное представление признаков КВП. В поиске такого алгоритма были опробованы следующие методы математического построения векторов признаков ВП, информативных для различения правдивых и ложных ответов: а) построение вектора признаков, состоящего из коэффициентов оконного преобразования Фурье; б) построение вектора признаков, состоящего из коэффициентов вейвлет-преобразования; в) построение вектора признаков, состоящего из коэффициентов преобразования Эрмита.

Для построения обучаемого алгоритма и построения классификатора, способного дифференцировать КВП, зарегистрированные в ситуациях правдивого и ложного ответов, были использованы два метода машинного обучения: AdaBoost и дискриминантный анализ. Наиболее эффективными, в итоге, оказались классификаторы, основанные на коэффициентах преобразования Эрмита и вейвлет-преобразования.

Общие итоги разработки математических методов выявления ложных и правдивых ответов по данным ЭЭГ и КВП можно резюмировать следующим образом.

1) Метод анализа соотношений ритмов, основанный на групповых данных, не является «обучаемым» и измеряет уровень активации мозга человека при ответе на значимый для него вопрос. Преимущество: высокая помехоустойчивость. Недостаток: динамика ритмов индивидуальна, и требуется предварительное тестирование для определения индивидуальных частот и локусов наибольшей выраженности ритмов.

 

2) Метод, основанный на машинном обучении, — «обучаемый» метод, основанный на выделении индивидуальных ВП на правду и ложь и их последующем сравнении с целевым ВП. Преимущества: индивидуальный подход, низкий процент ошибки. Недостаток: необходимость специального предварительного моделирования ситуации, при которой человек будет лгать (цель – «обучение» алгоритма).

 

3) Метод поиска отличий в ВП — «необучаемый» метод, основанный на определении отклонения целевого КВП от среднего по всем ответам. Преимущество: индивидуальное вычисление среднего КВП. Недостаток: точность метода ниже, чем у первых двух методов.

 

4) Метод анализа величины пика Р300, основанный на групповой динамике изменений амплитуды Р300 в отведениях Cz, Fz, Pz. Недостатки: низкая точность, сильная зависимость от динамики функционального состояния мозга, при длительном тестировании на Р300 накладываются медленные ритмы и увеличивают амплитуду этой волны.

Ни один из описанных выше методов не даёт 100% точности определения лжи. Возможными причинами этого являются малое количество данных для обучения; высокие различия между КВП, как между разными индивидами, так и на разные ответы одного индивида; недостаточный уровень индивидуальной значимости «лжи» для испытуемых (низкий уровень мотивации в лабораторных экспериментах). При этом увеличение объёма данных невозможно из-за того, что более-менее значимый отклик наблюдается лишь на первые несколько стимулов. В силу вышеперечисленного, для анализа методов был проведён корреляционный анализ: для каждой пары методов считалась доля совпадающих либо вложенных ответов, т.е. результаты вида “a” и “a, b” считались одинаковыми. При этом, если хотя бы один из методов не работал, т.е. в графе стоял «–», то эта пара никак не учитывалась. Корреляционный анализ (таблица 1) показал, что результаты работы методов 1, 2 и 3 близки друг к другу, тогда как результаты метода 4 сильно отличаются от результатов первых трёх методов.

Таблица 1 - Результаты корреляционного анализа данных, получаемых с помощью разных методов

В ходе поиска количественного критерия для выявления ситуационно-значимой информации по компонентам КВП и проведения статистического анализа индивидуальных и групповых данных были разработаны три метода определения лжи на основе различных характеристик ЭЭГ. Затем был проведён корреляционный анализ и выявлена взаимосвязь между этими методами. На основе корреляционного анализа методов предложен алгоритм, использующий результаты этих методов в совокупности, точность которого существенно выше каждого из методов, используемых по отдельности, и составляет 93%.

Исследование поддержано грантом РГНФ, проект № 16-06-00924

Литература

  1. Анохин П. К. Избранные труды. Философские аспекты теории функциональных систем. Принципиальные вопросы общей теории функциональных систем . — М.: Наука. 1978. С. 49—106.

  2. Соколов Е. Н. Принцип векторного кодирования в психофизиологии / Под ред. В. И. Аршинова, И. Н. Трофимовой, В. М. Шеляпина // Синергетика и психофизиология. М.: Когито-Центр, 2004. Вып. 3. С. 320—335.

  3. Farwell L.A., Donchin E. The truth will out: Interrogative polygraphy (lie detection) with event-related brain potentials/ L.A. Farwell, E. Donchin // Psychophysiology. 1991. V.28. P. 531-547.

  4. Peter Rosenfeld , Xiaoqing Hu, Kristine Pederson. Deception awareness improves P300-based deception detection in concealed information tests. International Journal of Psychophysiology,  2012, 86, 114–121.

  5. Vendemia, J. M. C. Detection of Deception, Polygraph, 2003, 32, 97-106.

  6. Vendemia, J. M. C., Buzan, R.F., & Green, E. P. Practice, Work Load, and Reaction Times in Deception, American Journal of Psychology, 2005, 118(3), 413-430.

  7. Isaychev S.A., Edrenkin I.V., Chernorizov A.M., Isaychev E.S. Event-Related Potentials in Deception Detection. В журнале Psychology in Russia: State of the Art, 2011, том 4, с. 438-447.