Bi-GRU Based Deception Detection using EEG Signals

📄 arXiv: 2507.13718v1 📥 PDF

作者: Danilo Avola, Muhammad Yasir Bilal, Emad Emam, Cristina Lakasz, Daniele Pannone, Amedeo Ranaldi

分类: cs.LG

发布日期: 2025-07-18

💡 一句话要点

利用Bi-GRU和脑电信号进行欺骗检测，在Bag-of-Lies数据集上达到97%的准确率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 欺骗检测 脑电信号 Bi-GRU 深度学习 时间序列建模

📋 核心要点

  1. 欺骗检测在安全、心理学和法医学等领域面临重大挑战，现有方法在自然场景下表现不足。
  2. 本研究提出使用Bi-GRU网络对脑电信号进行建模，捕捉欺骗行为的时序特征，从而实现准确的欺骗检测。
  3. 实验结果表明，该模型在Bag-of-Lies数据集上取得了97%的测试准确率，验证了该方法的有效性。

📝 摘要（中文）

本研究提出了一种基于深度学习的方法，利用脑电图(EEG)信号对欺骗和诚实行为进行分类。该方法使用来自Bag-of-Lies数据集的EEG信号，该数据集是一个为自然、随意的欺骗场景设计的多模态语料库。研究训练了一个双向门控循环单元(Bi-GRU)神经网络，对EEG样本进行二元分类。该模型在测试中达到了97%的准确率，并且在两个类别上都具有较高的精确率、召回率和F1分数。这些结果证明了使用双向时间建模进行基于脑电信号的欺骗检测的有效性，并表明了实时应用和未来探索高级神经架构的潜力。

🔬 方法详解

问题定义：论文旨在解决欺骗检测问题，具体而言，是利用脑电信号（EEG）自动区分欺骗行为和诚实行为。现有方法在处理自然场景下的欺骗检测时，往往难以捕捉到细微的时序特征，导致准确率不高。

核心思路：论文的核心思路是利用双向门控循环单元（Bi-GRU）对脑电信号进行建模，从而捕捉欺骗行为在时间上的依赖关系。Bi-GRU能够同时考虑过去和未来的信息，更全面地理解脑电信号的时序特征，从而提高欺骗检测的准确率。

技术框架：整体框架包括数据预处理、Bi-GRU模型构建和训练、以及二元分类。首先，对Bag-of-Lies数据集中的脑电信号进行预处理，提取特征。然后，构建Bi-GRU模型，该模型由多个GRU层组成，能够学习脑电信号的时序特征。最后，使用softmax层进行二元分类，判断被试的行为是欺骗还是诚实。

关键创新：最重要的技术创新点在于使用Bi-GRU网络对脑电信号进行建模。与传统的机器学习方法相比，Bi-GRU能够自动学习脑电信号的复杂特征，无需人工特征工程。与单向GRU相比，Bi-GRU能够同时考虑过去和未来的信息，更全面地理解脑电信号的时序特征。

关键设计：论文中使用了Bag-of-Lies数据集，该数据集包含自然场景下的欺骗行为的脑电信号。Bi-GRU模型的具体参数设置未知，但通常包括GRU层数、隐藏单元数、学习率等。损失函数采用交叉熵损失函数，优化器采用Adam优化器。网络结构的关键在于双向GRU层的设计，能够捕捉脑电信号的时序依赖关系。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该研究在Bag-of-Lies数据集上取得了显著的成果，测试准确率高达97%。这意味着基于Bi-GRU的欺骗检测方法能够有效地识别欺骗行为。虽然论文没有明确提及与哪些基线方法进行了对比，但如此高的准确率表明该方法具有很强的竞争力，并为未来的研究奠定了基础。

🎯 应用场景

该研究成果可应用于安全领域，例如机场安检、边境控制等，辅助识别潜在的犯罪行为。在心理学和法医学领域，可以帮助调查人员更准确地判断证词的真伪。此外，该技术还可用于开发新型的人机交互系统，通过分析用户的脑电信号来判断其意图和情绪。

📄 摘要（原文）

Deception detection is a significant challenge in fields such as security, psychology, and forensics. This study presents a deep learning approach for classifying deceptive and truthful behavior using ElectroEncephaloGram (EEG) signals from the Bag-of-Lies dataset, a multimodal corpus designed for naturalistic, casual deception scenarios. A Bidirectional Gated Recurrent Unit (Bi-GRU) neural network was trained to perform binary classification of EEG samples. The model achieved a test accuracy of 97\%, along with high precision, recall, and F1-scores across both classes. These results demonstrate the effectiveness of using bidirectional temporal modeling for EEG-based deception detection and suggest potential for real-time applications and future exploration of advanced neural architectures.