趙 童，黃 鉦，王秀超，李 淼，張 昀，鄭秀娟，劉 凱

1.四川大學(xué) 電氣工程學(xué)院，成都 610065

2.中國(guó)科學(xué)院 沈陽(yáng)自動(dòng)化研究所 機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，沈陽(yáng) 110016

3.中國(guó)科學(xué)院大學(xué) 計(jì)算機(jī)與控制學(xué)院，北京 100049

4.中國(guó)人民解放軍空軍軍醫(yī)大學(xué) 軍事醫(yī)學(xué)心理學(xué)系，西安 710032

5.西安交通大學(xué) 電子與信息工程學(xué)院，西安 710049

1 引言

心理測(cè)試作為一種科學(xué)的測(cè)試方法已得到廣泛應(yīng)用，近年來(lái)，越來(lái)越多的人事單位運(yùn)用心理測(cè)試進(jìn)行人事選拔[1]。目前量表是衡量心理測(cè)驗(yàn)結(jié)果的最為有效的工具。但心理檢測(cè)量表也存在一些缺陷，比如無(wú)法有效檢測(cè)受試者在檢測(cè)過(guò)程中是否存在掩飾行為，導(dǎo)致測(cè)試結(jié)果不準(zhǔn)確，從而影響人事選拔決策的準(zhǔn)確性，影響人事選拔的決策。因此，為提高心理量表的有效性需對(duì)心理檢測(cè)過(guò)程中受測(cè)人員是否存在掩飾行為進(jìn)行有效識(shí)別。

已有的方法主要通過(guò)測(cè)量受試者的血壓、皮膚電、脈搏和呼吸等生理信號(hào)來(lái)檢測(cè)。這些傳統(tǒng)方法都是通過(guò)人體的外圍生理信號(hào)間接反映大腦思維活動(dòng)的方法，具有片面性。而腦電信號(hào)是大腦組織電活動(dòng)和大腦功能狀態(tài)的直接反映，能夠準(zhǔn)確反映出受試者的心理狀態(tài)，具有不可掩飾性[2]。然而受數(shù)據(jù)采集成本高的限制，國(guó)內(nèi)外并沒(méi)有將腦電信號(hào)應(yīng)用到人才選拔的心理測(cè)試研究行為的研究。近些年來(lái)，許多學(xué)者提出了基于事件相關(guān)電位（Event Related Potentials，ERP）P300 和N400測(cè)謊方法。2014年高軍峰等提出了一種基于P300和極限學(xué)習(xí)機(jī)的腦電測(cè)謊方法[3]，并且在2017年通過(guò)P300成份的樣本熵特征進(jìn)行測(cè)謊研究[4]。2016年，顧凌云等通過(guò)主成分分析網(wǎng)絡(luò)（PCANet）對(duì)P300 成分進(jìn)行特征提取，并用SVM 進(jìn)行分類(lèi)[5]。2017 年，艾玲梅等將人工免疫算法和超極限學(xué)習(xí)機(jī)相結(jié)合，提出了基于AIA-ELM的N400誘發(fā)電位的測(cè)謊方法[6]。陳冉等在2018年利用相鎖值算法和SVM 相結(jié)合對(duì)P300 進(jìn)行相同步測(cè)謊研究[7]等等。然而基于ERP 的測(cè)謊研究需要給予受試者固定的簡(jiǎn)單刺激從而誘發(fā)特定的ERP信號(hào)，測(cè)試過(guò)程要求高。然而心理測(cè)試過(guò)程，受試者進(jìn)行心理答題，受到的刺激不固定，此時(shí)受試者腦電信號(hào)主要體現(xiàn)了其復(fù)雜思考的行為，而非特殊事件誘發(fā)的ERP 信號(hào)。因此，本文將通過(guò)分析被測(cè)人員在心理測(cè)試答題全程中整體的腦電信號(hào)（EEG），對(duì)其是否存在掩飾的行為進(jìn)行識(shí)別。

由此可見(jiàn)，由EEG 信號(hào)中提取有效的特征是掩飾行為識(shí)別的關(guān)鍵。EEG 信號(hào)傳統(tǒng)的特征提取方法主要有時(shí)域分析法（如均值方差特征）、頻域分析法（如功率譜估計(jì)、AR模型）、時(shí)頻域分析法（如小波變換）。文獻(xiàn)[8]證明了腦是一個(gè)隨機(jī)混沌的動(dòng)力學(xué)系統(tǒng)，而EEG 信號(hào)具有明顯的非線性動(dòng)力學(xué)特征。傳統(tǒng)的分析方法無(wú)法提取EEG信號(hào)的非線性特征，因此，非線性動(dòng)力學(xué)分析方法能夠有效實(shí)現(xiàn)EEG 信號(hào)非線性特征的提取和分析[9]。目前，非線性動(dòng)力學(xué)方法主要有Lempel-Ziv 復(fù)雜度（Lempel-Ziv Complexity，LZC）[10]、樣本熵（Sample Entropy，SE）[11]、排列熵（Permutation Entropy，PE）[12]、模糊熵（Fuzzy Entropy，F(xiàn)E）[13]等。非線性分析法已經(jīng)在情感識(shí)別、癲癇的預(yù)測(cè)[14]、心臟疾病方面取得了顯著的進(jìn)展。

本文提出了一種基于EEG信號(hào)非線性特征融合的方法并用于心理掩飾行為識(shí)別中。首先提取LZC、SE、PE、FE四種非線性特征，對(duì)不同的特征組合采用多維尺度分析（Multidimensional Scaling，MDS）[15-16]進(jìn)行融合及降維。最后，通過(guò)正則化核函數(shù)極限學(xué)習(xí)機(jī)（Regularization Kernel Extreme Learning Machine，RKELM）構(gòu)建分類(lèi)模型并驗(yàn)證了分類(lèi)器的性能。該方法有效識(shí)別受試者的掩飾行為，從而提高了心理檢測(cè)量表的效度。

2 數(shù)據(jù)獲取

本文所采用的實(shí)驗(yàn)數(shù)據(jù)由空軍軍醫(yī)大學(xué)提供。共招募27名身心健康的受試者參加心理測(cè)試題目問(wèn)答并記錄測(cè)試過(guò)程中的EEG 信號(hào)，其中每位受試者均需進(jìn)行兩次試驗(yàn)，分別記為試驗(yàn)一和試驗(yàn)二。在試驗(yàn)一中，受試者需要“正向”回答問(wèn)題，即選擇與參考答案一致的選項(xiàng)。在試驗(yàn)二中，受試者需要“反向”回答問(wèn)題，即選擇與參考答案相反的選項(xiàng)，模擬在心理測(cè)驗(yàn)中的掩飾行為。在試驗(yàn)一和試驗(yàn)二測(cè)試中均含有50道雙選題。試驗(yàn)一用作模擬未掩飾行為，而試驗(yàn)二則用作掩飾行為。答題過(guò)程中受試者的EEG 信號(hào)使用Neuroscan 腦電記錄系統(tǒng)采集，電極的分布根據(jù)國(guó)際通用的標(biāo)準(zhǔn)10-20 系統(tǒng)[17]，如圖1 所示，其中擁有 30 導(dǎo)通道記錄 EEG 信號(hào)，2導(dǎo)通道記錄眼電信號(hào)（水平眼電HEOG 和垂直眼電VEOG），另外2 導(dǎo)通道（A1 和A2 通道）為平均參考電極。本文利用該實(shí)驗(yàn)過(guò)程中采集的EEG信號(hào)進(jìn)行掩飾行為的分析。

圖1 實(shí)驗(yàn)電極放置圖

3 方法

本文提出了一種基于EEG信號(hào)非線性特征融合方法并用于心理測(cè)試掩飾行為的檢測(cè)。該方法包含4 個(gè)主要步驟：（1）對(duì)原始EEG信號(hào)進(jìn)行預(yù)處理；（2）提取預(yù)處理后EEG信號(hào)的LZC、SE、FE以及PE四種特征，并對(duì)以上特征進(jìn)行六種特征組合；（3）對(duì)每種特征組合進(jìn)行MDS 特征降維；（4）采用正則化核函數(shù)極限學(xué)習(xí)機(jī)RKELM 構(gòu)建分類(lèi)模型。該方法的流程圖如圖2 所示，具體方法將在后續(xù)文章中進(jìn)行詳細(xì)描述。

3.1 EEG信號(hào)預(yù)處理

本文中對(duì)EEG信號(hào)的預(yù)處理包含以下三個(gè)步驟：

（1）對(duì)原始EEG信號(hào)采樣頻率從1 000 Hz降采樣至500 Hz，同時(shí)對(duì)EEG信號(hào)去除基線漂移和1～50 Hz帶通濾波。

（2）用獨(dú)立成分分析法ICA 對(duì)信號(hào)進(jìn)行分解，去除眼電信號(hào)等干擾成份[18]。

（3）去除2個(gè)眼電信號(hào)通道和2個(gè)參考電極，保留剩下的30 個(gè)通道的EEG 信號(hào)，并根據(jù)受試者答題的時(shí)間進(jìn)行數(shù)據(jù)分段。

3.2 EEG信號(hào)預(yù)處理

本文選取了非線性動(dòng)力學(xué)里的Lempel-Ziv 復(fù)雜度（LZC）、樣本熵（SE）、排列熵（PE）和模糊熵（FE）四種特征對(duì)EEG進(jìn)行特征提取。

3.2.1 Lempel-Ziv復(fù)雜度LZC

Lempel-Ziv 復(fù)雜度表征了一個(gè)時(shí)間序列出現(xiàn)新模式的速率。LZC越高說(shuō)明出現(xiàn)新模式的概率越高，同時(shí)也說(shuō)明動(dòng)力學(xué)行為越復(fù)雜。LZC的計(jì)算方法如下：

（1）對(duì)原始序列x={x1,x2,…,xN}進(jìn)行粗?；?，本文選擇序列平均值xi作為閾值。大于xi的為“1”，小于xi的為“0”，得到了一個(gè)由“0-1”組成的任意字符串X={X1,X2,…,Xn} 。

（2）在字符串X后增加一個(gè)新的字符串Q組成新字符串XQ，將XQ中最后一個(gè)字符刪掉得到字符串XQv。

（3）如果X包含Q，則稱(chēng)Q為X的復(fù)制，復(fù)雜度不變。若X不包含Q，則為插入，復(fù)雜度的值加1。對(duì)所有字符串中的全體都進(jìn)行以上的變化得到復(fù)雜度C(N)。

（4）進(jìn)行歸一化處理，得到復(fù)雜度的最終表達(dá)式，如公式（1）所示：

3.2.2 樣本熵SE

樣本熵SE表示的是非線性動(dòng)力系統(tǒng)產(chǎn)生新模式的速率。樣本熵值越大，序列越復(fù)雜。SE的算法如下：

（1）對(duì)原始序列x={x1,x2,…,xN}進(jìn)行相空間重構(gòu)以得到m維矢量，如公式（2）所示：

（2）計(jì)算向量X(i)和X(j)之間的距離，向量X(i)和X(j)的距離為兩者對(duì)應(yīng)元素中差的絕對(duì)值最大的1個(gè)，即：

式中，k=1,2,…,m-1,i,j=1,2,…,m-1。

（3）對(duì)每個(gè)i值，用n表示d[X(i),X(j)]小于r的數(shù)目。計(jì)算此數(shù)目與距離總數(shù)N-m+1 的比值，記作即：

對(duì)其所有i值的平均值：

（4）將維數(shù)加1，維數(shù)變?yōu)閙+1，重復(fù)步驟（1）到（3），得到。

（5）當(dāng)序列長(zhǎng)度N為有限值時(shí)，可得到樣本熵的估計(jì)值，表示為：

3.2.3 排列熵PE

當(dāng)級(jí)配碎石拌和完畢后應(yīng)及時(shí)采用大噸位自卸式卡車(chē)將其運(yùn)輸至施工現(xiàn)場(chǎng)，運(yùn)輸過(guò)程中車(chē)輛的行駛速度不宜過(guò)快，避免混合料出現(xiàn)較為嚴(yán)重的離析現(xiàn)象，另外，運(yùn)輸車(chē)的車(chē)廂上方宜覆蓋一層帆布，以減小級(jí)配碎石混合料的水分散失。

排列熵PE能夠衡量一維時(shí)間序列隨機(jī)性。該算法具有簡(jiǎn)單明了、計(jì)算速度快、抗噪聲能力強(qiáng)的優(yōu)點(diǎn)，基本流程如下：

（1）對(duì)序列x={x1,x2,…,xN}進(jìn)行相空間重構(gòu)，得到：

其中，m為嵌入維數(shù)，τ為延遲時(shí)間。

圖2 方法流程圖

（2）將xs(t)中的重構(gòu)分量按數(shù)值大小升序排列為：

j1,j2,…,jm表示重構(gòu)序列中各個(gè)元素所在位置的序號(hào)，則位置序號(hào)π={j1,j2,…,jm} 有m!種不同的情況。

（3）用f(π)表示每種排序模式出現(xiàn)的次數(shù)，則其對(duì)應(yīng)的排序模式出現(xiàn)的概率為：

其中1 ≤i≤m!，根據(jù)香農(nóng)熵定義，排列熵為：

（4）對(duì)熵值進(jìn)行歸一化，可以得到：

模糊熵FE是對(duì)樣本熵SE的改進(jìn)，把樣本熵里的相似性度量公式采用指數(shù)函數(shù)作為模糊函數(shù)，通過(guò)指數(shù)函數(shù)的連續(xù)性使得模糊熵值變得平滑。該算法的具體步驟如下：

（1）對(duì)原始序列x={x1,x2,…,xN}進(jìn)行相空間重構(gòu)以得到m維矢量，如公式（12）所示：

（2）計(jì)算向量X(i)和X(j)之間的距離，向量X(i)和X(j)的距離為兩者對(duì)應(yīng)元素中差的絕對(duì)值最大的1個(gè)，即：

式中，k=1,2,…,m-1,i,j=1,2,…,m-1。

式中，n和r分別為模糊函數(shù)的邊界梯度和寬度。

（4）定義函數(shù)：

（5）將維數(shù)加1，維數(shù)變?yōu)閙+1，重復(fù)步驟（2）到（4），得到φm+1。

（6）定義模糊熵：

3.3 MDS降維

經(jīng)過(guò)預(yù)處理后有效的EEG信號(hào)有30個(gè)通道。選取n種特征融合，則初始特征因子就有n×30 維度。本文采用多維尺度分析（MDS）對(duì)數(shù)據(jù)組合降維。MDS是一種非線性降維方法，該方法的基本思想是降維后的低維空間中的矩陣Bm×q能夠保持高維矩陣Am×n數(shù)據(jù)點(diǎn)之間的聯(lián)系。對(duì)于特征矩陣Am×n（n是特征維度，m是特征個(gè)數(shù)），經(jīng)典的MDS具體過(guò)程如下：

（1）計(jì)算距離矩陣P（其中元素pij表示xi和xj之間的距離）。P是一個(gè)對(duì)角線為0的實(shí)對(duì)稱(chēng)矩陣。

（2）計(jì)算矩陣P中每個(gè)元素的平方，即：

通過(guò)變換，由上式可得：

（3）定義由bij構(gòu)成的內(nèi)積矩陣Β，由上式得式（20），其中為元素全為1的列向量。

（4）計(jì)算內(nèi)積矩陣Β的q個(gè)最大特征值{λ1,λ2,…,λq}和對(duì)應(yīng)的q個(gè)標(biāo)準(zhǔn)正交化的特征向量y=(y1,y2,…,yq)。則降維后的q維空間坐標(biāo)為：

3.4 正則化RKELM

構(gòu)建分類(lèi)模型是決定腦電掩飾行為檢測(cè)的關(guān)鍵步驟，本文采用正則化核函數(shù)極限學(xué)習(xí)機(jī)[19]（RKELM）來(lái)構(gòu)建分類(lèi)模型。正則化核函數(shù)極限學(xué)習(xí)機(jī)是基于極限學(xué)習(xí)機(jī)（ELM）[20-21]的改進(jìn)算法。相較于傳統(tǒng)的誤差反向傳播網(wǎng)絡(luò)（BPNN）通過(guò)梯度下降法迭代獲取網(wǎng)絡(luò)參數(shù)，極限學(xué)習(xí)機(jī)通過(guò)直接獲取網(wǎng)絡(luò)參數(shù)的解析解，因此極限學(xué)習(xí)機(jī)具有更快的學(xué)習(xí)效率以及更優(yōu)越的泛化能力。

如圖3 所示，極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)與BPNN 相同，但是極限學(xué)習(xí)機(jī)的權(quán)重設(shè)置卻與BPNN 差距較大。假設(shè)訓(xùn)練樣本集為Xi∈Rk,i=1,2,…,n,訓(xùn)練樣本集的標(biāo)簽為T(mén)i∈Rv,i=1,2,…,n,若假設(shè)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的中間層節(jié)點(diǎn)數(shù)為M，輸入層到隱含層第j個(gè)神經(jīng)元的權(quán)重和偏置分別為Wj和bj激活函數(shù)為g(?)，隱含層中第j個(gè)神經(jīng)元到輸出的權(quán)重為W2j，則有極限學(xué)習(xí)機(jī)的輸出為：

圖3 極限學(xué)習(xí)機(jī)結(jié)構(gòu)圖

將極限學(xué)習(xí)機(jī)的輸出轉(zhuǎn)換為矩陣相乘形式，即：

同BPNN 相同，極限學(xué)習(xí)機(jī)希望能以0 誤差逼近訓(xùn)練樣本集的標(biāo)簽，即滿足：

若滿足J=0，則有此時(shí)W2=H+T，其中H+為H的廣義逆矩陣，由此可見(jiàn)給定H，即可獲取隱含層到輸出層權(quán)值的解析解，相對(duì)于梯度下降法迭代更新權(quán)值，極限學(xué)習(xí)機(jī)具有更高的學(xué)習(xí)效率。

為了提高極限學(xué)習(xí)機(jī)的泛化能力，可以將隱含層到輸出層的權(quán)值進(jìn)行正則化，則極限學(xué)習(xí)機(jī)的損失函數(shù)可以轉(zhuǎn)化為式（27），其中λ為經(jīng)驗(yàn)誤差所占的權(quán)重。

構(gòu)造拉格朗日函數(shù)，可以將極限學(xué)習(xí)機(jī)的損失函數(shù)轉(zhuǎn)化為：

其中αi為拉格朗日算子，由KKT 條件可以得到極限學(xué)習(xí)機(jī)的最終輸出：

核函數(shù)極限學(xué)習(xí)機(jī)是通過(guò)構(gòu)造核函數(shù)來(lái)代替hiHT，核函數(shù)極限學(xué)習(xí)機(jī)的輸出可以表示為：

4 實(shí)驗(yàn)結(jié)果及分析

采集27 名受試者的2 608 段EEG 信號(hào)，包含1 314段“反向”回答（模擬掩飾行為）時(shí)采集的腦電信號(hào)以及1 294 段“正向”回答時(shí)采集的腦電信號(hào)。并從中提取214段“反向”回答時(shí)采集的腦電信號(hào)及294段“正向”回答時(shí)采集的腦電信號(hào)組成測(cè)試集以驗(yàn)證分類(lèi)模型性能，其他樣本作為訓(xùn)練集用于正則化核函數(shù)極限學(xué)習(xí)機(jī)訓(xùn)練。

為更全面衡量分類(lèi)器性能，本文引入準(zhǔn)確率（ACC）、召回率（REC）以及特異性（SPE），其定義如下所示，其中TP、TN為正確分類(lèi)的正樣本及負(fù)樣本，F(xiàn)P、FN為誤分類(lèi)的正樣本和負(fù)樣本。本文中正樣本為“反向”回答時(shí)的腦電信號(hào)，負(fù)樣本為“正向”回答時(shí)的腦電信號(hào)。

一般而言，特征的選取直接決定分類(lèi)器的性能，基于不同特征組合的分類(lèi)器具有不同的性能，本文選取六種特征組合（FE+PE，LZC+SE+FE+PE，LZC+SE+FE，LZC+SE+PE，SE+FE+PE，F(xiàn)E），經(jīng)MDS 降維后，通過(guò)正則化核函數(shù)極限學(xué)習(xí)機(jī)訓(xùn)練分類(lèi)網(wǎng)絡(luò)，所得到的分類(lèi)器性能如圖4所示，特征組合SE+FE+PE具有最高的準(zhǔn)確率和特異性，F(xiàn)E 具有最高的召回率，F(xiàn)E 的召回率僅比SE+FE+PE 高0.001，而FE 的特異性和準(zhǔn)確率卻比SE+FE+PE 分別低0.01 和0.006，因此綜合而言，特征組合SE+FE+PE 的分類(lèi)效果最佳。此外，圖5 為基于不同特征組合訓(xùn)練得到的分類(lèi)模型的ROC曲線和AUC 值，特征組合SE+FE+PE具有最高的AUC值，為0.882 6，而引入 LZC 的特征組合 LZC+SE+FE+PE 的 AUC 值僅為0.847 6，可見(jiàn)LZC的引入導(dǎo)致分類(lèi)模型性能的下降。

此外，特征降維算法的選擇也是影響分類(lèi)性能的重要因素。為了驗(yàn)證MDS在心理測(cè)試中掩飾行為識(shí)別任務(wù)中的性能，基于不同分類(lèi)算法包括支持向量機(jī)、稀疏堆棧自編碼器（SSAE）、隨機(jī)森林（RF）和RKELM，本文對(duì)比了MDS 和四種常用特征降維算法，包含主成分分析（PCA）、核函數(shù)主成分分析（KPCA）、線性判別分析（LDA）及等度量映射（ISOMAP）在不同特征組合下的最佳分類(lèi)性能。實(shí)驗(yàn)結(jié)果如圖6 所示，MDS、PCA、LDA、KPCA以及ISOMAP在不同特征組合下所取得的最高分類(lèi)準(zhǔn)確率分別為82.9%，82.3%，80.3%，80.5%以及75%，其中MDS所取得的最佳分類(lèi)準(zhǔn)確率最高，其次為PCA，而ISOMAP效果最差，因此本文選用MDS作為特征降維算法。

圖4 不同特征組合在進(jìn)行MDS降維和RKELM分類(lèi)后的分類(lèi)性能

圖5 不同特征組合的ROC曲線和AUC值

同時(shí)，分類(lèi)器的選擇也是影響分類(lèi)性能的重要因素。為驗(yàn)證分類(lèi)器的選擇對(duì)最終分類(lèi)模型性能的影響，基于六種特征組合，通過(guò)多種分類(lèi)算法包含SVM、稀疏堆棧自編碼器（SSAE）、隨機(jī)森林（RF）訓(xùn)練分類(lèi)模型，并通過(guò)測(cè)試集測(cè)試分類(lèi)模型性能。實(shí)驗(yàn)結(jié)果如表1 所示，加粗字體代表各分類(lèi)器所能取得的最佳分類(lèi)性能。對(duì)于不同的分類(lèi)器，最優(yōu)特征組合也不同，如對(duì)應(yīng)于SVM的最優(yōu)特征組為L(zhǎng)ZC+SE+FE+PE，而對(duì)應(yīng)于SSAE的最優(yōu)特征組合為FE。此外，SVM、SSAE、RF及RKELM所能取得的最佳分類(lèi)準(zhǔn)確率分別為77.6%，76.6%，59.7%及82.9%，由此可見(jiàn)RKELM在所有分類(lèi)器中性能最優(yōu)。

5 結(jié)束語(yǔ)

檢測(cè)心理測(cè)試中的掩飾行為是十分重要的。本文采用空軍軍醫(yī)大學(xué)提供的受試者參加心理測(cè)試中的EEG信號(hào)，提出了一個(gè)基于腦電非線性特征融合的心理掩飾行為的檢測(cè)方法。首先，經(jīng)過(guò)預(yù)處理后提取了30個(gè)通道的非線性特征里的LZC、SE、PE 和FE 四種特征。接著，對(duì)提取四種特征利用非線性的多維尺度分析MDS 進(jìn)行六種特征組合（FE+PE，LZC+SE+FE+PE，LZC+SE+FE，LZC+SE+PE，SE+FE+PE，F(xiàn)E）及降維。最后利用正則化核函數(shù)的極限學(xué)習(xí)機(jī)RKELM 構(gòu)建分類(lèi)模型。實(shí)驗(yàn)表明：（1）SE+FE+PE 特征組合分類(lèi)效果最佳，準(zhǔn)確率達(dá)到了82.9%，其分類(lèi)器AUC的值為0.882 6，并且引入LZC特征組合LZC+SE+FE+PE會(huì)導(dǎo)致分類(lèi)模型的下降。（2）相較于其他常用的特征降維算法，包括PCA、KPCA、ISOMAP以及LDA、MDS在基于腦電信號(hào)的心理掩飾行為識(shí)別任務(wù)中效果更優(yōu)。（3）對(duì)于本文所采用的六種特征組合，RKELM分類(lèi)效果明顯優(yōu)于SVM、SSAE和RF分類(lèi)，說(shuō)明RKELM在處理小樣本非線性樣本上具有很好的效果。本文提出的心理掩飾行為的檢測(cè)方法是十分有效的，能給心理醫(yī)生提供較為準(zhǔn)確的參考。下一步工作將關(guān)注減少EEG通道數(shù)量來(lái)降低數(shù)據(jù)采集的門(mén)檻，用來(lái)更好地輔助心理測(cè)試的實(shí)驗(yàn)設(shè)計(jì)。

圖6 五種降維算法在不同特征組合上的最高分類(lèi)性能

表1 不同分類(lèi)器構(gòu)造分類(lèi)模型的性能對(duì)比