DOI: https://doi.org/10.35882/jeeemi.v8i1.1340
تاريخ النشر: 2026-01-20
المؤلف: Tanmayi Nagale وآخرون
الموضوع الرئيسي: كشف الخداع وعلم النفس الجنائي
نظرة عامة
تتناول ورقة البحث التحديات المتعلقة بالكشف عن الخداع القائم على تخطيط الدماغ الكهربائي (EEG)، مع التركيز بشكل خاص على التباين العالي بين الأفراد، والطبيعة الغامضة لنماذج التعلم العميق، والمتطلبات الحاسوبية للبيانات عالية الأبعاد من EEG. على الرغم من أن الطرق الحالية تحقق دقة تتراوح بين 82-88%، إلا أنها تفتقر إلى الشفافية اللازمة للتطبيقات القانونية. تقترح هذه الدراسة بنية هجينة جديدة تعتمد على الشبكات العصبية الضبابية تهدف إلى تعزيز الدقة، والكفاءة الحاسوبية، وقابلية التفسير، مما يجعلها مناسبة للاستخدام الجنائي في العالم الحقيقي. تستخدم الإطار عملًا يتكون من خمس مراحل تشمل اختيار القنوات الذكي، والتعلم العميق ذو المسارين لاستخراج الميزات، وآلية انتباه ضبابية لقابلية التفسير، ومصنف يعتمد على ANFIS لاتخاذ قرارات شفافة.
تظهر النتائج التجريبية على مجموعات البيانات المرجعية، بما في ذلك LieWaves واختبار المعلومات المخفية (CIT)، فعالية الإطار، حيث حقق دقة بلغت 93.8% و92.7% على التوالي، إلى جانب حساسية متوازنة (92.4%) وخصوصية (95.2%). إن دمج الاستدلال الضبابي من النوع الثاني والتفكير العصبي الضبابي التكيفي لا يحسن فقط أداء التصنيف ولكن يضمن أيضًا قابلية التفسير من خلال التصورات والتفكير القائم على القواعد. تسلط هذه العمل الضوء على إمكانيات دمج الشبكات العصبية الضبابية للتوفيق بين التوازنات بين الدقة، وقابلية التفسير، والكفاءة في الكشف عن الخداع القائم على EEG، مما يمهد الطريق للتقدم المستقبلي في الأنظمة التكيفية في الوقت الحقيقي والدمج متعدد الوسائط لتعزيز المتانة في التطبيقات الجنائية.
مقدمة
تناقش مقدمة ورقة البحث التقدم في معالجة الإشارات العصبية الفيزيولوجية للكشف عن الخداع، مع التأكيد على فائدة تخطيط الدماغ الكهربائي (EEG) نظرًا لدقته الزمنية العالية وقدرته على التقاط الديناميات العصبية المتعلقة بالخداع. يتم انتقاد طرق البوليغراف التقليدية بسبب قيودها، مثل القابلية للتدابير المضادة ومعدلات الإيجابيات الكاذبة العالية. بالمقابل، أظهرت الأساليب المعتمدة على الدماغ، وخاصة تلك التي تستخدم إمكانات مرتبطة بالحدث مثل مكون P300، إمكانيات ولكن تواجه تحديات في الموثوقية والتباين الفردي. بدأت التطورات الأخيرة في الذكاء الحاسوبي، وخاصة تقنيات التعلم العميق، في معالجة هذه القضايا من خلال استخراج أنماط ذات مغزى من بيانات EEG.
تحدد الورقة فجوات بحثية هامة، خاصة فيما يتعلق بقابلية التفسير ودقة أنظمة الكشف عن الكذب العصبية الفيزيولوجية. إن التباين في إشارات EEG عبر الأفراد يعقد تطوير نماذج قابلة للتعميم. الحل المقترح هو بنية هجينة جديدة تعتمد على الشبكات العصبية الضبابية التي تدمج أنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS) مع الشبكات العصبية التلافيفية العميقة. يهدف هذا الإطار إلى تعزيز قابلية التفسير والصلابة ضد تباين الإشارات من خلال استخدام منطق ضبابي من النوع الثاني، الذي يقوم بنمذجة عدم اليقين في دوال العضوية. تم تصميم البنية لتكون فعالة من الناحية الحاسوبية، مما يجعلها مناسبة للتطبيقات الجنائية في الوقت الحقيقي مع الحفاظ على دقة عالية وقابلية التفسير، وهي أمور حاسمة للسياقات القانونية. تختتم المقدمة بتحديد مساهمات الورقة، بما في ذلك التحقق الشامل من الإطار المقترح عبر مجموعات البيانات المرجعية.
طرق البحث
استخدمت الدراسة مجموعتين مرجعيتين من بيانات EEG، LieWaves واختبار المعلومات المخفية (CIT)، لتقييم أداء إطار العمل المقترح لنظام الشبكات العصبية الضبابية القابلة للتفسير المدمج مع الأساليب الميتاهيرستية (MI-ENFS) في الكشف عن الخداع. سهلت مجموعة LieWaves، التي تتميز بسيناريو جريمة مزيفة منخفض القنوات، التحقق من صحة النموذج بشكل خفيف، بينما قدمت مجموعة CIT، بكثافتها العالية من القنوات وتنوع مجموعة المشاركين، سياقًا أكثر تعقيدًا للتقييم. سمحت مجموعة هذه البيانات بإجراء فحص شامل لقدرة الإطار على التوسع، والصلابة، والتعميم عبر تكوينات EEG المختلفة وسيناريوهات الخداع.
تم تنفيذ إطار MI-ENFS باستخدام Python 3.9 وTensorFlow 2.12 وscikit-fuzzy 0.4.2، مع تقييم مقاييس الأداء من خلال التحقق المتقاطع المستقل عن الموضوعات على 5 طيات. أظهرت النتائج أن الإطار حقق دقة بلغت 93.8% على مجموعة بيانات LieWaves، مع حساسية بلغت 92.4% وخصوصية بلغت 95.2%. على مجموعة بيانات CIT، حافظ الإطار على دقة قوية بلغت 92.7%، متفوقًا على أفضل طريقة سابقة (Fuzzy Ensemble) بمقدار 5.3 نقطة مئوية. أظهر النموذج قدرة فعالة على تحديد الموضوعات المخادعة (حساسية 91.2%) والتعرف بدقة على الاستجابات الصادقة (خصوصية 94.2%). بشكل عام، أظهر إطار MI-ENFS أداءً قويًا عبر ظروف تجريبية مختلفة، مما يؤكد إمكانيته للكشف عن الخداع القائم على EEG بشكل موثوق وقابل للتفسير.
نقاش
تقدم البحث نظامًا مدمجًا للشبكات العصبية الضبابية القابلة للتفسير (MI-ENFS) للكشف عن الخداع القائم على EEG، محققًا تقدمًا ملحوظًا في دقة التصنيف، والصلابة، وقابلية التفسير. أظهر إطار MI-ENFS دقة بلغت 93.8% على مجموعة بيانات LieWaves و92.7% على مجموعة بيانات CIT، متجاوزًا النماذج التقليدية مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية طويلة الأمد (LSTMs) بمقدار 5-17 نقطة مئوية. يُعزى هذا التحسن إلى بنية التعلم العميق ذات المسارين، التي تجمع بين EEGNet وInceptionTime-Light لاستخراج الميزات المكانية الزمنية المحسنة، إلى جانب نظام استدلال ضبابي من النوع الثاني يساهم في قابلية تفسير النموذج.
تضمنت منهجية الدراسة خط أنابيب شامل للمعالجة المسبقة، بما في ذلك تصفية النطاق الترددي، وإزالة العوامل المعيقة، واستخراج الميزات باستخدام تحويل الموجات المتقطعة (DWT) وتحويل فورييه السريع (FFT). جانب مهم من الإطار هو عملية اختيار القنوات الذكية، التي خفضت أبعاد بيانات EEG من 64 إلى 14 قناة، محققة انخفاضًا بنسبة 78.1% مع الحفاظ على دقة عالية. أكدت التحليلات الإحصائية، بما في ذلك اختبارات t المزدوجة، على قوة MI-ENFS، مع أحجام تأثير كبيرة تشير إلى مكاسب أداء كبيرة مقارنة بالطرق الأساسية. تم تعزيز قابلية تفسير الإطار بشكل أكبر من خلال توليد 20 قاعدة ضبابية، مما يظهر تغطية عالية للقواعد وموثوقية، وبالتالي مواءمة قرارات النموذج مع التفكير القابل للفهم البشري. بشكل عام، يمثل إطار MI-ENFS خطوة كبيرة إلى الأمام في مجال الكشف عن الخداع القائم على EEG، موازنًا بين الدقة، والكفاءة، وقابلية التفسير.
DOI: https://doi.org/10.35882/jeeemi.v8i1.1340
Publication Date: 2026-01-20
Author(s): Tanmayi Nagale et al.
Primary Topic: Deception detection and forensic psychology
Overview
The research paper addresses the challenges of EEG-based deception detection, specifically focusing on high intersubject variability, the opaque nature of deep learning models, and the computational demands of high-dimensional EEG data. Despite existing methods achieving accuracies between 82-88%, they lack the necessary transparency for legal applications. This study proposes a novel hybrid neuro-fuzzy architecture designed to enhance accuracy, computational efficiency, and interpretability, making it suitable for real-world forensic use. The framework employs a five-stage pipeline that includes intelligent channel selection, dual-path deep learning for feature extraction, a fuzzy attention mechanism for interpretability, and an ANFIS-based classifier for transparent decision-making.
Experimental results on benchmark datasets, including LieWaves and the Concealed Information Test (CIT), demonstrate the framework’s effectiveness, achieving accuracies of 93.8% and 92.7%, respectively, alongside balanced sensitivity (92.4%) and specificity (95.2%). The integration of Type-2 fuzzy inference and adaptive neuro-fuzzy reasoning not only improves classification performance but also ensures interpretability through visualizations and rule-based reasoning. This work highlights the potential of neuro-fuzzy integration to reconcile the trade-offs between accuracy, interpretability, and efficiency in EEG-based deception detection, paving the way for future advancements in real-time adaptive systems and multimodal fusion for enhanced robustness in forensic applications.
Introduction
The introduction of the research paper discusses the advancements in neurophysiological signal processing for deception detection, emphasizing the utility of electroencephalography (EEG) due to its high temporal resolution and ability to capture neural dynamics related to deception. Traditional polygraph methods are critiqued for their limitations, such as susceptibility to countermeasures and high false positive rates. In contrast, brain-based approaches, particularly those utilizing event-related potentials like the P300 component, have shown potential but face challenges in reliability and individual variability. Recent developments in computational intelligence, particularly deep learning techniques, have begun to address these issues by extracting meaningful patterns from EEG data.
The paper identifies significant research gaps, particularly regarding the interpretability and accuracy of neurophysiological lie detection systems. Variability in EEG signals across individuals complicates the development of generalizable models. The proposed solution is a novel hybrid neuro-fuzzy architecture that integrates Adaptive Neuro-Fuzzy Inference Systems (ANFIS) with deep convolutional neural networks. This framework aims to enhance interpretability and robustness against signal variability by employing Type-2 fuzzy logic, which models uncertainty in membership functions. The architecture is designed to be computationally efficient, making it suitable for real-time forensic applications while maintaining high accuracy and interpretability, which are critical for legal contexts. The introduction concludes by outlining the paper’s contributions, including a comprehensive validation of the proposed framework across benchmark datasets.
Methods
The study employed two benchmark EEG datasets, LieWaves and the Concealed Information Test (CIT), to assess the performance of the proposed Metaheuristic-Integrated Explainable Neuro-Fuzzy System (MI-ENFS) framework in deception detection. LieWaves, characterized by a low-channel mock-crime scenario, facilitated lightweight model validation, while CIT, with its higher channel density and diverse participant pool, provided a more complex context for evaluation. The combination of these datasets allowed for a thorough examination of the framework’s scalability, robustness, and generalization across various EEG configurations and deception scenarios.
The MI-ENFS framework was implemented using Python 3.9, TensorFlow 2.12, and scikit-fuzzy 0.4.2, with performance metrics evaluated through 5-fold subject-independent cross-validation. Results indicated that the framework achieved an accuracy of 93.8% on the LieWaves dataset, with a sensitivity of 92.4% and specificity of 95.2%. On the CIT dataset, the framework maintained a strong accuracy of 92.7%, outperforming the previous best method (Fuzzy Ensemble) by 5.3 percentage points. The model demonstrated effective identification of deceptive subjects (sensitivity of 91.2%) and accurate recognition of truthful responses (specificity of 94.2%). Overall, the MI-ENFS framework exhibited robust performance across different experimental conditions, confirming its potential for reliable and interpretable EEG-based deception detection.
Discussion
The research introduces a Metaheuristic-Integrated Explainable Neuro-Fuzzy System (MI-ENFS) for EEG-based deception detection, achieving notable advancements in classification accuracy, robustness, and interpretability. The MI-ENFS framework demonstrated an accuracy of 93.8% on the LieWaves dataset and 92.7% on the CIT dataset, surpassing traditional models such as CNNs and LSTMs by 5-17 percentage points. This improvement is attributed to the dual-path deep learning architecture, which combines EEGNet and InceptionTime-Light for enhanced spatial-temporal feature extraction, alongside a Type-2 fuzzy inference system that contributes to the interpretability of the model.
The study’s methodology involved a comprehensive preprocessing pipeline, including band-pass filtering, artifact removal, and feature extraction using Discrete Wavelet Transform (DWT) and Fast Fourier Transform (FFT). A significant aspect of the framework is its intelligent channel selection process, which reduced the dimensionality of EEG data from 64 to 14 channels, achieving a 78.1% reduction while maintaining high accuracy. Statistical analyses, including paired t-tests, confirmed the robustness of MI-ENFS, with large effect sizes indicating substantial performance gains over baseline methods. The framework’s interpretability was further enhanced by generating 20 fuzzy rules, demonstrating a high rule coverage and fidelity, thereby aligning model decisions with human-understandable reasoning. Overall, the MI-ENFS framework represents a significant step forward in the field of EEG-based deception detection, balancing accuracy, efficiency, and interpretability.