测谎结论的误差来源及对其应用策略

由于理论模型和实验设计上的缺陷，使得诸多中介因素对测试结果产生干涉作用，造成测谎结论的客观性不足。因此目前的测谎技术不适于为侦查诉讼提供证据，但可作为一项能提供倾向性意见的调查工具服务于办案实践。     

测谎技术的历史、现状和未来

测谎器（ｌｉｅ ｄｅｔｅｃｔｏｒ）是能够帮助判别一个人是否正在说谎的一种装置。测谎器也被称作多道记录仪（ｐｏｌｙｇｒａｐｈ），可以记录受试者被提问时的应激生理改变。这些生理改变包括个体说谎时所伴生的血压、脉搏、排汗和呼吸等指标的起伏变化。测谎器能够帮助警察局和其它调查者，审问嫌疑犯关于他们在案件中的可能参与程度；还能帮助零售商店及其它私营雇主对未来雇员求职者进行必要的的测谎检查，或者调查顾客的偷窃行为［１］。 测谎器的百年历史说明：测谎器的发明及其应用的测谎技术，已经发展成为涉及实验心理学、情绪心…     

国外测谎研究现状

说谎行为是包含不同认知过程的复杂行为,传统的多导生理记录仪因为只侧重外周生理指标的测量而亟需改进。现有的研究通过探究说谎行为的认知机制,改进测谎的记录指标,研究测谎技术在非常态人群中的效力乃至运用脑功能成像技术研究与说谎相关的脑区等方面取得了不少进展。已逐渐明确说谎所必须的关键认知过程和激活脑区,并发现传统测谎指标对犯罪人群和知情无辜者等特殊群体的鉴别力略有降低,通过测量指标的结合可以提高鉴别力,指脉等新的指标正逐渐受到重视。     

微表情

加拿大的一项研究发现，人类的脸部会产生一种肉眼无法察觉到的“微表情”micro—expression），这种“微表情”通常只有1／20秒的时间，当事人自己一般不会有感觉。     

浅析测谎结论的法律地位

近年来随着测谎技术的迅速发展,测谎结论的法律地位成为人们关注的焦点,测谎结论能否作为证据在法庭上直接被采用引起了较大的争议,本文将结合证据的特征和测谎结论自身的特点来阐述测谎结论是否能作为证据.     

基于主成分分析和极端学习机的测谎方法研究

为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis, PCA)和极端学习机(Extreme Learning Machine,ELM) 相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号, 选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.     

深海细菌助人类寻找海底石油

通过观察一个人说话时的肢体语言、面部神态和措辞,可判断对方是否说谎。以色列研究人员发现,审视笔迹也可产生类似效果。     

心理测试结论的证据属性辩析

随着社会的不断发展进步和人们对案件真相的不倦追求、探索，现代司法实践特别是审判实践手段也在日益多元化、科学化。其中，心理测试结论的应用显得格外耀眼，心理测试结论能否作为证据被采用也引起了较大的争议。关于心理测试结论的证据属性，目前主要有肯定说、否定说、有限采用说，本文以证据的客观性、关联性、合法性为视角，认为心理测试结论符合证据的基本特征，应属于证据的范畴。     

分析笔迹可测谎

通过观察一个人说话时的肢体语言、面部神态和措辞,可判断对方是否说谎。以色列研究人员发现,审视笔迹也可产生类似效果。作为笔迹测谎研究的带头人,吉尔·卢里亚和萨拉·罗森布卢姆在近期的《应用认知心理学杂志》(Journal ofApplied Cognitive Psychology)上发表了研究成果。他们招募25名女性和9名男性参加实验,要求这34名志     

基于P300和机器学习的测谎方法研究

为了克服传统测谎方法没有考虑到相同刺激下受试者思维状态变化的缺点,提出了基于P300和机器学习的测谎方法.该方法使用典型的3刺激测谎范式,首先记录30名随机划分的撒谎者和无辜者的12导脑电(EEG)信号,使用独立成分分析方法(ICA)分解由探针刺激产生的脑电信号,利用在Pz电极上分布强度大的独立分量重建Pz波形,将每名受试者的的若干个Pz波形进行平均,提取两步降噪后的每个Pz波形的时域和小波特征.最后,使用分类器区分P300和非P300波形,进一步计算出个体测谎诊断率.实验结果表明,支持向量机(SVM)适合于说谎意识状态的分类,提出的方法可以有效地改进单次刺激记录上的信噪比,提高P300成分的识别率,进而提高测谎诊断率.