CC BY
218
УДК 519.767.4(075.8)
Л. Н. Ясницкий, А. М. Петров, З. И. Сичинава СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ НЕЙРОСЕТЕВОГО ДЕТЕКТИРОВАНИЯ ЛЖИ
Аннотация. В результате системного анализа выявлены недостатки существующих систем инструментальной детекции лжи алгоритмов нейросетевого детектирования лжи, предложены, реализованы и проанализированы алгоритмы построения нейросетевого полиграфного аппарата, выявлен наиболее перспективный алгоритм построения нейросетевого полиграфа - анкетный.
Ключевые слова: алгоритмы, системный анализ, интеллектуальный анализ, нейронная сеть.
Abstract. As a result of systems analysis shortcomings of existing systems of instrumental lie detection and algorithms neural network lie detecting are identified, algorithms of neural network polygraph machine are proposed, implemented and analyzed, the most promising algorithm of neural network polygraph is found. It is questionnaire algorithm.
Keywords: algorithms, systems analysis, data mining, the neural network.
Введение
В профилактике, раскрытии и расследовании преступлений в системе органов МВД России традиционно применяются компьютерные полиграфы, регистрирующие от четырех до семи параллельно протекающих физиологических процессов человека: дыхания, кровяного давления, биотоков (мозга, сердца, скелетной мускулатуры и т.п.), тремора и пр. Регистрируемые физиологические реакции в реальном времени отображаются на экране монитора в виде пульсирующих кривых. Оценка ответа опрашиваемого человека на компьютерных полиграфах анализируется с помощью алгоритмов, учитывающих результаты исследований психологов, физиологов и специалистов в области инструментальной детекции лжи.
Однако существующие компьютерные программы, анализирующие полиграммы, не отличаются высокой надежностью. Поэтому результаты компьютерных расчетов, как правило, вручную перепроверяются специалистами-полиграфологами, и их достоверность оценки во многом зависит от компетентности, опытности и моральных качеств, т.е. от так называемого «человеческого фактора».
Итоги обследования зависят не только от специалиста, проводящего опрос, но и от опрашиваемого человека. Дело в том, что формы проявления выраженности реакций при ложном ответе опрашиваемого человека, наряду с общими правилами, зачастую имеют для каждого человека индивидуальные, только ему присущие особенности. Например, у одних людей при ложном ответе дыхание учащается, у других - наоборот замедляется, аналогично, увеличивается или уменьшается кровяное давление, частота сердечных сокращений и т.д. [1].
Эти индивидуальные особенности изменения физиологических реакций конкретного обследуемого человека представляют определенную сложность при проведении расчетного анализа полиграмм компьютерными полиграфа-
ми. В силу своего принципа действия они не всегда обладают механизмом индивидуальной настройки на опрашиваемого человека. Обсчитывающие программы, как правило, применяют заложенные в них алгоритмы одинаково во всех случаях, не учитывают индивидуальные физиологические особенности человека на момент тестирования.
1. Нейросетевой алгоритм нейросетевого детектора лжи
В последнее время в некоторых организациях появились новые полиграфные системы, в которых сделана попытка учесть особенности индивидуальных физиологических реакций опрашиваемого человека, т.е. с предварительной настройкой системы на каждого клиента. Однако это занимает много времени и требует определенной квалификации оператора (опять «человеческий фактор»), поэтому практикующие полиграфологи к ним относятся неоднозначно.
Человеческий фактор проявляется и при неизбежном возникновении непредвиденных помех. Помехи могут появиться вследствие всякого рода внешних раздражителей. Например, постороннего звука, случайного движения опрашиваемого, изменения в голосе полиграфолога. Искажения сигналов могут возникать и по многим другим причинам. Например, вследствие переутомления опрашиваемого человека, в случае попыток его сознательного противодействия и т.д. По наблюдениям пермских полиграфологов [1] существующие у них обсчитывающие программы не имеют эффективных автоматически работающих механизмов фильтрации артефактов. Поэтому в обязанность специалиста-полиграфолога, проводящего психофизиологическое тестирование, входит исключение или, по крайней мере, их минимизация в процессе проведения опроса. Но насколько это ему удается, опять же зависит от уровня квалификации, опыта, настроения полиграфолога. Таким образом, мы вынуждены констатировать влияние человеческого фактора на объективность результатов обследования.
Итак, мы указали на три недостатка существующих систем инструментальной детекции лжи:
- обсчитывающие компьютерные программы, работающие по жестко детерминированным алгоритмам, не всегда учитывают индивидуальные физиологические особенности, проявляющиеся в физиологических реакциях на предъявляемые стимулы;
- новые системы, в которых сделана попытка учесть индивидуальные особенности опрашиваемого человека, требуют трудоемкой настройки на каждого клиента, что в определенной степени осложняет их практическое применение;
- различные артефакты, неизбежно присутствующие в регистрируемых сигналах, редко выявляются существующими обсчитывающими компьютерными программами и могут влиять на объективность выводов.
Нами создан индивидуально-настраиваемый нейросетевой полиграф, в котором в неявном виде автоматически формируются правила распознавания самой компьютерной программой в ходе обмена информацией между прибором и обследуемым человеком. Компьютерная программа, являясь системой искусственного интеллекта, извлекает и формализует в виде правил закономерности организма опрашиваемого человека, автоматически настраи-
вает на его индивидуальные физиологические особенности, отсеивает возможные артефакты. Применение такой программы в конечном итоге сокращает объем и время работы специалиста-полиграфолога, уменьшает влияние «человеческого фактора», существенно увеличивает достоверность заключений об истинности или ложности ответов клиента.
Интеллектуальная система распознавания признаков лжи разрабатывалась на базе нейронной сети персептронного типа, схематично показанной на рис. 1. В качестве входного вектора персептрона X был использован тот же набор параметров, что и в традиционно применяемом в следственной практике контактном полиграфном аппарате ЭПОС [1]:
Х1 - верхнее дыхание (грудное);
X2 - нижнее дыхание (брюшное); xз - амплитуда дыхания;
X4 - КГР (кожно-гальванические реакции) первого уровня;
X5 - КГР (кожно-гальванические реакции) второго уровня; xg - КГР (кожно-гальванические реакции), амплитуда; x7 - фотоплетизмограмма (частота пульса); xg- фотоплетизмограмма (частота пульса), амплитуда;
X9- КНП (кровенаполнение).
Выходной вектор Y состоит из двух компонент: ^ = 1, У2 = 0 , если опрашиваемый человек говорит правду, и У1 = 0 , У2 = 1, если он лжет.
Рис. 1. Принципиальная схема нейросетевого полиграфа
Множество обучающих примеров формируется в результате предъявления обследуемому человеку стимуляционных тестов. В этом случае полиграфолог задает вопросы, ответы на которые ему известны. С клиента во время ответов с помощью штатных датчиков полиграфа ЭПОС снимаются физиологические показатели, параметры которых формируют входной вектор Xq. Выходной вектор Yq формирует сам полиграфолог, сопоставляя ответы
клиента с тем, что ему заранее известно.
Накопив достаточное количество примеров и обучив на них персеп-трон, можно задать опрашиваемому человеку вопрос, ответ на который заранее неизвестен. Персептрон сделает заключение о степени истинности ответа, данного опрашиваемым человеком. Причем, поскольку персептрон был обучен на физиологических реакциях, формируемых самим опрашиваемым человеком, то его заключение будет объективно учитывать индивидуальные особенности организма именно этого человека. Если обучающая выборка достаточно репрезентативна, то программа в силу своей нейросетевой базы будет обладать свойством автоматического отсеивания артефактов [2].
Приведенный алгоритм создания нейросетевого детектора лжи, который мы назвали индивидуально-настраиваемым, обладает серьезным недостатком, состоящим в повышенной трудоемкости. Дело в том, что для каждого обследуемого человека приходится заново формировать множество обучающих примеров (порядка 70-100 вопросов-ответов), а затем обучать персеп-трон на каждом таком множестве. После этого персептрон пригоден для тестирования только одного человека, на которого он был настроен.
Таким образом, предлагаемый алгоритм, с одной стороны, позволяет проводить обследование с автоматическим отсеиванием помех и с учетом индивидуальных особенностей организма опрашиваемого человека, что существенно повышает степень объективности и качества выяснения истины, а с другой - этот способ требует больших трудозатрат. Поэтому его можно рекомендовать только для сложных случаев, когда затраты на длительное обучение нейронной сети оправданы.
Эксперименты, проведенные совместно с ГУВД Пермского края на реальном материале с использованием штатных датчиков полиграфного аппарата ЭПОС и нейропакета [3], включающие обучение, оптимизацию и тестирование сети, показали, что индивидуально настраиваемый нейросетевой полиграф обеспечивает правильные заключения более чем в 97 случаях из ста.
2. Ненастраиваемый нейросетевой полиграф
Идея ненастраиваемого полиграфа состоит в том, что, в отличие от ин-дивидально-настраиваемого нейросетевого полиграфа, множество обучающих примеров формируется не на конкретном опрашиваемом человеке, а на большом количестве различных людей. В нашем эксперименте множество примеров содержало 100 вопросов-ответов, полученных таким способом. Обученная на этих примерах нейросеть подвергалась многократному тестированию. При каждом тестировании 90 элементов использовались в качестве обучающего множества и 10 элементов - в качестве тестирующего. Причем для первого эксперимента взяты первые десять элементов в качестве тестирующего множества, а остальные 90 - в качестве обучающего; для второго эксперимента в качестве тестирующего множества взяты следующие десять элементов, а остальные 90, включая первые десять, которые ранее использовались в качестве тестирующего множества, были взяты в качестве обучающего множества и т.д. Таким образом, нейронная сеть обучалась и тестировалась 10 раз. Результаты экспериментов представлены на рис. 2 в виде гистограммы, показывающей процент правильных заключений детектора лжи в зависимости от номера эксперимента.
ш
0 83
“ 82
к 81
й 80 -0
1 79 I 78
О-
I 77
| 76 §. 75
С 123456789 10
Номер эксперимента
Рис. 2. Результаты, полученные при тестировании ненастраиваемого нейросетевого полиграфа
Как видно из рис. 2, ненастраиваемый нейросетевой полиграф делает от 78 до 83 правильных заключений из ста. Средний процент правильных заключений равен 80,2 %.
Зафиксированное в экспериментах снижение процента правильных заключений объясняется тем, что этот полиграф, предварительно обученный на большом количестве различных людей, получился ориентированным на некоторого «среднего» человека и, естественно, перестал учитывать индивидуальные особенности конкретного обследуемого человека. Использование полиграфа стало менее трудоемким, но это привело к существенному снижению надежности заключений. Поэтому ненастраиваемый нейросетевой полиграф можно рекомендовать в тех случаях, когда требуется быстро обследовать большое количество людей, например, выполнить скрининговое тестирование сотрудников крупной фирмы.
3. Анкетный нейросетевой полиграф
Для создания полиграфного аппарата, учитывающего индивидуальные особенности организма опрашиваемого человека и не требующего больших трудозатрат при применении, в схему нейронной сети, представленной на рис. 1, были добавлены дополнительные входные нейроны: Xj+1, ..., XJ , как
показано на рис. 3. Эти нейроны предназначены для ввода дополнительных параметров клиента, получаемых с предварительно заполненной анкеты, включающей следующие сведения:
1. Пол.
2. Возраст, лет.
3. Знак зодиака.
4. Вид работы (индивидуальный, физический, смешанный).
5. Рост, м.
6. Вес, кг.
7. Занимался ли человек спортом.
8. Телосложение (полное, среднее, худощавое).
9. Судимость (не судим, судим, судим неоднократно).
10. Тревожность (высокая, обычная, слабая).
11. Тип характера (экстраверт, интроверт).
12. Употребление алкоголя (регулярное, умеренное, редкое, не употребляет).
13. Употребление наркотиков (регулярное, редкое, не употребляет).
14. Курение (регулярное, редкое, не курит).
15. Состоит или состоял на учете у психиатра.
16. Состоит или состоял на учете у невролога.
17. Состоит или состоял на учете у нарколога.
18. Наличие беременности.
19. Наличие хронических заболеваний.
20. Состояние сердечно-сосудистой системы.
21. Состояние системы дыхания.
22. Физическое или психическое истощение.
23. Перенесенные травмы головы.
24. Перенесенные травмы позвоночника.
25. Было ли обморожение кистей рук.
Рис. 3. Принципиальная схема анкетного нейросетевого полиграфа
Нейронная сеть обучалась на большом количестве различных людей, с которых во время опросов снимались не только физиологические параметры, но и анкетные данные, характеризующие индивидуальные особенности их интеллекта.
Первоначально были взяты все 34 входных параметра (девять физиологических параметров, т.е. снимаемых с помощью штатных датчиков полиграфного аппарата системы «ЭПОС», и 25 анкетных данных), но результаты получались хуже на 15-20 %, чем те, которые были получены с помощью ненастраиваемого полиграфного аппарата.
Поэтому было принято решение выявить и исключить из анкетных данных наименее значимые параметры. Для этого был проведен ряд эксперимен-
тов с обучением и тестированием нейронной сети, в каждом из которых использовались девять физиологических параметров, снимаемых с датчиков, и поочередно - один из анкетных параметров. Для надежности эксперименты повторялись по 3 раза. В результате получили гистограмму распределения процента правильных заключений детектора лжи в зависимости от номера используемого анкетного параметра (рис. 4).
90
80
70
60
50
40
30
20
10
ш
0 н
О)
ш
5
X
л
1
л
с;
5
ш
та
о.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Номер использованного анкетного параметра
Рис. 4. Процент правильно полученных заключений при поочередном использовании анкетных параметров
Далее из векторов множества обучающих примеров были исключены те анкетные параметры, для которых точность заключений согласно гистограмме (рис. 4) оказалась меньше 80 %. В итоге остались следующие анкетные параметры:
1. Пол.
2. Возраст, лет.
3. Вид работы (индивидуальный, физический, смешанный).
4. Рост, м.
5. Вес, кг.
6. Тип характера (экстраверт, интроверт).
7. Употребление алкоголя (регулярное, умеренное, редкое, не употребляет).
После этого было проведено обучение и тестирование нейросети с использованием оставшихся параметров. Нейросеть содержала 16 нейронов входного слоя: девять нейронов, полученных с датчиков полиграфного аппарата и семь нейронов для ввода параметров, полученных из анкеты. Результаты экспериментов представлены на рис. 5.
Как видно из рис. 5, анкетный нейросетевой полиграф делает от 87 до 93 правильных заключений из ста. Средний процент правильных заключений составил 90,4 %, т.е. использование отобранных в результате экспериментирования анкетных данных повысило процент правильных заключений полиграфа по сравнению с безанкетным (ненастраиваемым) полиграфом в среднем на 10,2 %.
т 94
1 23456789 10
Номер эксперимента
Рис. 5. Результаты, полученные при тестировании анкетного нейросетевого полиграфа
Заключение
Предложены, реализованы и проанализированы три алгоритма построения нейросетевого полиграфного аппарата, выявлен наиболее перспективный алгоритм построения нейросетевого полиграфа - анкетный.
Список литературы
1. Петров, А. М. Из записной книжки полиграфолога / А. М. Петров, С. Г. Мягких. - Пермь : Компаньон, 2003. - 202 с.
2. Ясницкий, Л. Н. Введение в искусственный интеллект. - Изд-е 2-е. - М. : Академия, 2008. - 176 с.
3. Черепанов, Ф. М. Симулятор нейронных сетей «Нейросимулятор 1.0» / Ф. М. Черепанов, Л. Н. Ясницкий // Свидетельство об отраслевой регистрации разработки № 8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007.
Ясницкий Леонид Нахимович
доктор технических наук, профессор, заведующий кафедрой прикладной информатики и искусственного интеллекта, Пермский государственный педагогический университет
E-mail: [email protected]
Петров Аскольд Маркович полковник, главный специалист-полиграфолог Государственного управления внутренних дел г. Перми
E-mail: [email protected]
Сичинава Зураби Иродиевич аспирант, Пермский государственный педагогический университет
E-mail: [email protected]
Yasnitsky Leonid Nakhimovich Doctor of engineering sciences, professor, head of sub-department of applied computer science and artificial intellect, Perm State Pedagogical University
Petrov Askold Markovich Military colonel, graphic art senior specialist, Perm State Administration of the Interior
Sichinava Zuraby Irodievich Postgraduate student,
Perm State Pedagogical University
УДК 519.7б7.4(075.8)
Ясницкий, Л. Н.
Системный анализ алгоритмов нейросетевого детектирования лжи I
Л. Н. Ясницкий, А. М. Петров, З. И. Сичинава II Известия высших учебных заведений. Поволжский регион. Технические науки. - 2010. - № 1 (13). -С. б4-72.
